以 10 家提供出色体验的公司为例——10 项截然不同的客户满意度调查，每家公司都依赖这些调查来改善他们的体验。

但是，无论推动调查的业务目标是什么，较短的调查通常更好，冗长的调查给客户带来负担，他们完成调查的体验很差。这可能会导致响应率下降。太多的问题也会让客户不耐烦——促使他们轻率地回答。此外，长度可能会导致问题的冗余，这反过来会扭曲调查结果的分析，并削弱组织利用客户反馈做出决策的能力。

那么如何简化现有的调查呢？

以下过程可以帮助公司精简到最具影响力和最独特的问题。我们喜欢将其视为部分科学和部分艺术——依靠统计数据来衡量影响和独特性，还需要用到任何基本的统计工具和最近的调查数据。

第 1 步：确定可能捕获冗余信息的问题

压缩调查的重要第一步是确定可能多余的问题。冗余通常出现在关于“驱动因素”的问题中——“驱动”满意度的客户体验因素。

识别冗余驱动问题的一种方法是衡量它们的相关性，或者它们的答案遵循相同趋势的程度。通常，如果两个问题的相关性为 0.85 或更高，则它们的冗余可能有问题。

接下来的步骤都将帮助公司决定如何处理这些可疑问题。

还有另一种方法可以检查调查是否有冗余：测量所有司机的“方差膨胀系数”（VIF）。从本质上讲，这是一种说明调查总体上遭受了多少冗余的方法。如果 VIF 高于 5，则调查很可能仍在通过多个驱动因素问题来衡量单一的一般概念。这是一个很好的测试，可以在每一步之后运行，看看你离真正有效的调查有多近。

第 2 步：消除结果不可信的问题。

在第 1 步之后，将有有一份驱动程序问题的列表，并指出哪些问题是多余的。接下来，将查看是否有任何问题的结果不可靠。

具体来说，你会问每个问题，“它是否预测了整体客户满意度或推荐可能性？”使用多元回归分析，衡量两件事：问题的影响水平（由其 Beta 系数捕获）和认为影响水平的强度（由该 Beta 系数的 p 值捕获）。

首先关注后一个因素。在大多数情况下，科学家的目标是对他们的结果有 95% 的置信度——这意味着在回归模型中，给定变量的 p 值为 0.05。然后， 95% 的置信度相信该变量会影响结果变量（在本例中为客户满意度或忠诚度）。

那么这对调查意着什么？考虑一项假设调查，其驱动因素“店员的帮助”被发现 NPS 分数有很大影响（即高贝塔系数）。如果您的分析确定驱动因素的 p 值为 0.83，则您只能以 17% 的置信度声称具有高影响。如果“乐于助人”是你怀疑冗余的驱动因素之一，那么它的不可信意味着你最好消除它并立即解决冗余争论。

提到缩短客户满意度调查的原因，如何实现这方面，提出5个步骤，下篇更加精彩。

上一篇

下一篇