4. La satisfacció dels clients amb el centre
 |
Tot i saber que de manera general les diferències en el comportament de compra dels clients del centre es basava principalment en aspectes del marxandatge del centre (la compra en els establiments), calia determinar fins a quin punt aquests estaven o no satisfets amb l'oferta comercial, el nivell de preus que oferíem, les promocions i ofertes, la qualitat dels establiments, l'ambientació del centre, etc.
En l'estudi, es va optar per mesurar la satisfacció que tenien els clients amb el centre comercial, i no solament a nivell general, sinó també a nivell específic amb tota una sèrie d'aspectes que confeccionaven la qualitat del servei del centre. La satisfacció es mesurava en un qüestionari a partir d'una sèrie de preguntes en què el client havia de valorar en una escala de 0 a10 la seva satisfacció amb els "ítems" de servei del centre.
El grau de satisfacció obtingut a nivell general mostrava un bon ajustament de l'oferta del centre i la qualitat de servei a les expectatives del client. La satisfacció general se situava en 7,2 en una escala de 0 a 10. Aquest valor no era una puntuació dolenta considerant, a més, que el valor de la moda era el 7 i el coeficient d'asimetria indicava una concentració dels resultats en valors alts de la distribució.
Figura 13 Distribució de freqüències simple de la satisfacció general amb el centre
P35 GRAU DE SATISFACCIO GENERAL
Value Label Value Frequency Percent Valid Cum
Percent Percent
2.00 2 .4 .4 .4
3.00 5 .9 .9 1.3
4.00 6 1.1 1.1 2.5
5.00 15 2.8 2.8 5.3
6.00 93 17.5 17.6 22.9
7.00 185 34.8 35.0 57.8
8.00 165 31.1 31.2 89.0
9.00 39 7.3 7.4 96.4
10.00 19 3.6 3.6 100.0
. 2 4 Missing
------- ------ -------
Total 531 100.0 100.0
Mean 7.244 Std err .053 Median 7.000
Mode 7.000 Std dev 1.229 Variance 1.510
Kurtosis 1.956 S E Kurt .212 Skewness -.559
S E Skew .106 Range 8.000 Minimum 2.000
Maximum 10.000 Sum 3832.000
Valid cases 529 Missing cases 2
Apart de la satisfacció general, la qualitat del servei percebuda pels clients es mesurava mitjançant un grup més nombrós d'aspectes i atributs que eren valorats de manera molt diferent per aquests. La satisfacció o insatisfacció en aquests aspectes podia donar directrius al gerent del centre sobre quins aspectes calia millorar.
En la figura següent, podem observar les puntuacions en els aspectes específics en què els clients valoraven el centre i mostraven la seva satisfacció o insatisfacció. Es mostra el valor de la mitjana, la desviació típica, la moda i el nombre d'entrevistats que han valorat cadascun dels aspectes següents:
- El nivell de preus que ofereix el centre.
- Les promocions i les ofertes que ofereixen els diferents establiments del centre.
- La varietat d'establiments i botigues del centre.
- La qualitat del pàrking.
- La quantitat i qualitat d'establiments de restauració, bars i cafeteries.
- Les activitats culturals i d'entreteniment que organitza el centre.
- La informació, senyalització i arquitectura interior.
- L'ambient del centre (el fet se sentir-se a gust comprant).
- Els nivells de neteja del centre.
- La seguretat del centre.
- Els llocs per a entretenir els nens al centre.
- L'oferta d'oci del centre (cinemes, màquines recreatives, i etc.).
- Els nivells d'atenció al client.
- L'accessibilitat i senyalització de l'exterior del centre.
- La comunicació i publicitat que fa el centre.
- Els serveis complementaris que ofereix el centre, com els caixers automàtics, lavabos, etc.
Apart de la mitjana i la moda que ens donen idea d'on de situa la puntuació mitjana dels clients, la desviació típica ens mostra el grau d'homogeneïtat de la valoració. Es a dir, en aquells aspectes que la desviació típica és elevada els entrevistats no estan tots d'acord en donar aquesta puntuació, mentre que en aquells atributs que la desviació típica és baixa significa que aquella puntuació és molt homogènia, tots o gairebé tots els entrevistats estan molt d'acord en donar aquesta valoració.
Figura 14 Taula de mitjanes dels aspectes específics de satisfacció
Dels resultats d'aquesta taula podíem concloure que els aspectes en què els nostres clients estaven més satisfets feien referència a aspectes infrastructurals com són el pàrking, la neteja del centre, l'ambientació, la senyalització interior/arquitectura, els accessos i la senyalització exterior i la seguretat.
Aquells aspectes en què el client ja no estava tan satisfet, és a dir, que es trobaven per sota de la mitja de satisfacció general (7,244), eren controlables per la tàctica de màrqueting de la gerència (qualitat de l'oferta dels establiments del centre, atenció al client, varietat d'oferta dels establiments, oferta d'oci, quantitat i qualitat de restaurants, bars i cafeteries, serveis complementaris, publicitat del centre, oferta de llocs per a entretenir la mainada, promocions i ofertes, nivell de preus i activitats culturals i d'entreteniment que organitza el centre).
|
Pàrking |
8,04 |
Aspectes infraestructurals |
|
Neteja del centre |
7,88 |
|
|
Ambientació del centre |
7,33 |
|
|
Informació senyalització arquitectura |
7,22 |
|
|
Accessos i senyalització exterior |
7,21 |
|
|
Seguretat del centre |
7,11 |
|
|
Qualitat de les botigues |
7,07 |
Aspectes controlables per la tàctica de màrqueting |
|
Atenció al client |
6,91 |
|
|
Varietat de les botigues |
6,89 |
|
|
Oferta d'oci |
6,89 |
|
|
Quantitat qualitat rest. bar cafet. |
6,81 |
|
|
Serveis complementaris |
6,60 |
|
|
Publicitat del centre |
6,47 |
|
|
Llocs per a entretenir nens |
6,44 |
|
|
Promocions ofertes |
6,26 |
|
|
Preus |
6,25 |
|
|
Act. Cultural entreteniment |
5,65 |
Davant d'aquests resultats que posaven al descobert una possible mala gestió del centre en l'àmbit de màrqueting, el Sr. Ivars necessitava saber, fins a quin punt, cadascun d'aquests aspectes era important per al client. Ens podíem trobar que, tot i que les activitats culturals i d'entreteniment tenien molt mala valoració, potser aquestes no eren molt importants per als clients o, al contrari, apart de ser un atribut mal valorat, el propi client el podia trobar important en la generació de la seva satisfacció, que encara seria pitjor.
Analíticament es va aplicar una solució que pretenia determinar quins d'aquests atributs eren els que més contribuïen a generar satisfacció a nivell global per als clients. Es tractava d'aplicar una anàlisi de regressió lineal múltiple en què la variable que calia explicar, o variable endògena, fos la satisfacció general dels individus i la satisfacció amb cadascun dels aspectes específics fossin les variables independents i, per tant, variables exògenes o explicatives.
Figura 15 Anàlisi de regressió lineal múltiple amb la variable de satisfacció general com a variable dependent i aspectes específics com a variables independents.
* * * * M U L T I P L E R E G R E S S I O N * * * *
Pairwise Deletion of Missing Data
Mean Std Dev Cases Label
P35 7.244 1.229 529 GRAU DE SATISFACCIO GENERAL
P34_1 6.251 1.739 517 PREUS
P34_2 6.255 1.942 478 PROMOCIONS OFERTES
P34_3 6.890 1.732 518 VARIETAT DE LES BOTIGUES
P34_4 7.073 1.442 505 QUALITAT DE LES BOTIGUES
P34_5 8.037 1.906 517 PARKING
P34_6 6.806 1.631 474 QUANTITAT QUALITAT REST BAR CAFET
P34_7 5.650 2.264 374 ACT CULTURAL ENTRETENIMENT
P34_8 7.216 1.673 514 INFORMACIO SENYALITZACIO ARQUITECTURA
P34_9 7.328 1.638 515 AMBIENTACIO DEL CENTRE
P34_10 7.881 1.499 521 NETEJA DEL CENTRE
P34_11 7.106 1.985 499 SEGURETAT DEL CENTRE
P34_12 6.440 2.002 400 LLOCS PER A ENTRETANIR NENS
P34_13 6.894 1.630 442 OFERTA D'OCI
P34_14 6.909 1.606 494 ATENCIO AL CLIENT
P34_15 7.207 1.593 507 ACCESIBILITAT SENYALITZACIO EXTERIOR
P34_16 6.472 2.171 479 PUBLICITAT DEL CENTRE
P34_17 6.596 1.952 492 SERVEIS COMPLEMENTARIS
Minimum Pairwise N of Cases = 331
* * * * M U L T I P L E R E G R E S S I O N * * * *
Equation Number 1 Dependent Variable..P35
GRAU DE SATISFACCIO GENERAL
Block Number 1. Method: Enter
P34_1 P34_2 P34_3 P34_4 P34_5 P34_6 P34_7 P34_8 P34_9 P34_10
P34_11 P34_12 P34_13 P34_14 P34_15 P34_16 P34_17
Multiple R .80311 Analysis of Variance
R Square .64499 DF Sum of Squares Mean Square
Adjusted R Square .62571 Regression 17 321.50598 18.91212
Standard Error .75191 Residual 313 176.95810 .56536
F = 33.45138 Signif F = .0000
* * * * M U L T I P L E R E G R E S S I O N * * * *
Equation Number 1 Dependent Variable..P35
GRADO DE SATISFACCION GENERAL
---------------- Variables in the Equation -------------
Variable B SE B Beta Tolerance VIF T Sig T
P34_1 .040408 .032134 .057190 .548322 1.824 1.257 .2095
P34_2 .040314 .030078 .063700 .502149 1.991 1.340 .1811
P34_3 .050211 .035935 .070755 .442304 2.261 1.397 .1633
P34_4 .182117 .044139 .213706 .422783 2.365 4.126 .0000
P34_5 .048076 .026821 .074553 .655638 1.525 1.792 .0740
P34_6 -.035356 .032544 -.046918 .608129 1.644 -1.086 .2781
P34_7 .055951 .025111 .103047 .530291 1.886 2.228 .0266
P34_8 .080788 .037089 .109941 .445214 2.246 2.178 .0301
P34_9 .035145 .039813 .046847 .402703 2.483 .883 .3781
P34_10 -.032547 .036353 -.039699 .576858 1.734 -.895 .3713
P34_11 .080972 .025965 .130750 .645223 1.550 3.119 .0020
P34_12 -.011156 .029156 -.018170 .503032 1.988 -.383 .7022
P34_13 .053736 .038282 .071277 .439884 2.273 1.404 .1614
P34_14 .017279 .035734 .022573 .520454 1.921 .484 .6290
P34_15 -.004235 .035931 -.005488 .523255 1.911 -.118 .9062
P34_16 .038941 .024561 .068794 .602458 1.660 1.586 .1139
P34_17 .168100 .028074 .266960 .570572 1.753 5.988 .0000
(Constant) 1.735518 .286842 6.050 .0000
A la vista de la primera anàlisi de regressió, els resultats no van ser molt "satisfactoris" ja que topàvem amb dos problemes:
- Algunes variables independents no eren estadísticament significatives per a explicar el model trobat per l'anàlisi de regressió múltiple. Observable en la columna de la significació individual amb l'estadístic t-Student de les variables independents en la figura anterior.
- L'ajustament del model no era gens bo, el coeficient de determinació o R2, que és el principal indicador per a conèixer el grau d'ajustament del model, no superava el 70%, mínim imprescindible perquè el model sigui normalment considerat acceptable des del punt de vista de la investigació de mercats.
El problema era que algunes variables independents que intentaven explicar la variable de satisfacció general (dependent) estaven excessivament correlacionades entre si i això provocava una "sobreinformació", de manera que la inclusió d'aquestes variables generava un pitjor ajustament que no pas si se les inclogués en el model.
Això podia ser degut a la incoherència de les respostes donades en els diferents atributs per part d'alguns clients i, per tant, el model no es podia ajustar suficientment bé. Per a solucionar aquest problema calia determinar quins eren els clients que havien respost amb més incongruències per a deixar-los temporalment fora de l'anàlisi.
En la figura següent, es mostra una anàlisi de correlacions i s'observa com hi ha un gran nombre de variables correlacionades entre si:
Figura 16 Anàlisi de correlacions entre variables independents
|
|
|
A la vista de l'alta correlació entre algunes variables (subratllades en la figura número 16), la millor solució per a aquest problema era, a partir d'una anàlisi factorial de components principals, crear noves variables (que anomenaríem factors) que fossin combinació lineal de les variables originals i que entre aquestes no hi hagués correlació.
Figura 17 Anàlisi factorial de components principals amb les variables independents
- - - - - - - - - - F A C T O R A N A L Y S I S - - - - - - - - - -
Initial Statistics:
Variable Communality * Factor Eigenvalue Pct of Var Cum Pct
*
P34_1 1.00000 * 1 7.09664 41.7 41.7
P34_10 1.00000 * 2 1.50923 8.9 50.6
P34_11 1.00000 * 3 1.18868 7.0 57.6
P34_12 1.00000 * 4 .96304 5.7 63.3
P34_13 1.00000 * 5 .82193 4.8 68.1
P34_14 1.00000 * 6 .78424 4.6 72.7
P34_15 1.00000 * 7 .70185 4.1 76.9
P34_16 1.00000 * 8 .61730 3.6 80.5
P34_17 1.00000 * 9 .56515 3.3 83.8
P34_2 1.00000 * 10 .51133 3.0 86.8
P34_3 1.00000 * 11 .40898 2.4 89.2
P34_4 1.00000 * 12 .37218 2.2 91.4
P34_5 1.00000 * 13 .36684 2.2 93.6
P34_6 1.00000 * 14 .33157 2.0 95.5
P34_7 1.00000 * 15 .29654 1.7 97.3
P34_8 1.00000 * 16 .26876 1.6 98.8
P34_9 1.00000 * 17 .19574 1.2 100.0
PC extracted 11 factors.
Factor Matrix:
Factor 1 Factor 2 Factor 3 Factor 4 Factor 5 Factor 6 Factor 7
P34_1 .48756 .47423 .42982 -.20691 .09942 .27165 -.20205
P34_10 .59507 -.48712 .10667 .13685 .18104 -.16692 .10636
P34_11 .65611 -.29141 .31929 -.02154 .17061 -.20300 .27998
P34_12 .62275 .27473 -.30279 .34310 .31313 -.01151 .15755
P34_13 .65272 .03663 -.33123 .17756 -.01937 .45170 .05807
P34_14 .67307 -.10079 .03603 -.31128 .04173 .00663 .46925
P34_15 .59752 -.19927 -.15150 -.51611 -.03787 .36273 .05563
P34_16 .57579 .36476 -.34861 -.20133 -.32014 -.17766 .06328
P34_17 .70079 -.10713 -.33163 .19070 .14697 .19033 -.03121
P34_2 .53487 .39240 .49322 .20508 .24169 .15360 .00505
P34_3 .69963 .29505 .16053 .17968 -.37795 -.07472 .08497
P34_4 .72915 .02949 .25647 .07596 -.43101 -.06329 .10246
P34_5 .54803 -.40301 .00921 .38181 -.31092 .09877 -.17605
P34_6 .70986 -.09291 -.02656 .05011 .05730 -.14433 -.22009
P34_7 .57242 .44889 -.30132 -.07561 .16067 -.38788 -.07038
P34_8 .73092 -.19480 -.02680 -.24216 .04551 -.14010 -.37331
P34_9 .80897 -.19625 .07962 -.13736 .09802 -.06286 -.27089
- - - - - - - - - F A C T O R A N A L Y S I S - - - - - - - - -
Factor 8 Factor 9 Factor 10 Factor 11
P34_1 .08602 .24289 .13354 .10815
P34_10 .03764 .42495 .19227 -.11705
P34_11 .17448 -.20181 .00831 -.19459
P34_12 .16518 -.02992 -.15663 .06061
P34_13 .01632 .26435 -.09244 -.13112
P34_14 -.16951 .06805 -.01271 .40913
P34_15 .12888 -.21853 -.00336 -.17238
P34_16 .04411 .00678 .39813 -.07657
P34_17 -.24315 -.19133 .03247 .01089
P34_2 -.03279 -.25163 .13055 -.02401
P34_3 -.11139 .13354 -.21946 -.05795
P34_4 -.02981 -.07655 -.19563 -.10068
P34_5 .30659 -.14791 .21037 .28254
P34_6 -.53155 -.07495 .14627 -.03740
P34_7 .20861 -.03446 -.02651 .02521
P34_8 .02853 -.00670 -.30495 .14096
P34_9 .09394 .09643 -.02871 -.07717
Final Statistics:
Variable Communality * Factor Eigenvalue Pct of Var Cum Pct
*
P34_1 .91059 * 1 7.09664 41.7 41.7
P34_10 .92611 * 2 1.50923 8.9 50.6
P34_11 .87561 * 3 1.18868 7.0 57.6
P34_12 .85209 * 4 .96304 5.7 63.3
P34_13 .87229 * 5 .82193 4.8 68.1
P34_14 .98426 * 6 .78424 4.6 72.7
P34_15 .91626 * 7 .70185 4.1 76.9
P34_16 .93107 * 8 .61730 3.6 80.5
P34_17 .80463 * 9 .56515 3.3 83.8
P34_2 .88943 * 10 .51133 3.0 86.8
P34_3 .87200 * 11 .40898 2.4 89.2
P34_4 .85951 *
P34_5 .98599 *
P34_6 .89925 *
P34_7 .85295 *
P34_8 .90632 *
P34_9 .83000 *
- - - - - - - - - - F A C T O R A N A L Y S I S - - - - - -
VARIMAX rotation 1 for extraction 1 in analysis 1 -
Kaiser Normalization.
VARIMAX converged in 24 iterations.
Rotated Factor Matrix:
Factor 1 Factor 2 Factor 3 Factor 4 Factor 5 Factor 6 Factor 7
P34_1 .16542 .03972 .88299 .18704 .15351 -.02448 .11813
P34_10 .10327 .12012 .01985 .16374 .01831 .17737 .04863
P34_11 .23055 .11426 .09987 .18272 .03131 .09633 .20703
P34_12 .13219 .83958 .12771 .12534 .20135 .10437 -.00035
P34_13 .30038 .58671 .13275 .01546 .06083 .16909 .45449
P34_14 .20362 .14660 .12480 .15140 .13508 .15847 .21882
P34_15 .06904 .05845 .08000 .24584 .15593 .10750 .85573
P34_16 .23772 .11235 .09817 -.00111 .86661 .16849 .21718
P34_17 .10229 .49543 .01504 .12414 .08353 .59377 .30309
P34_2 .21566 .24604 .73228 -.04736 .00476 .25705 -.01794
P34_3 .80593 .23283 .23906 .13428 .21106 .14486 -.00458
P34_4 .77852 .06517 .14462 .18508 .12914 .14629 .16978
P34_5 .18654 .11888 .01505 .15038 .04244 .12170 .09780
P34_6 .22653 .08125 .12978 .27202 .17956 .80122 .05011
P34_7 .08935 .47361 .14140 .39288 .63750 .04045 -.06426
P34_8 .20938 .13671 .08756 .81095 .07904 .23159 .21715
P34_9 .20034 .14331 .24299 .56790 .15018 .24370 .28356
Factor 8 Factor 9 Factor 10 Factor 11
P34_1 .08903 -.02563 -.09384 .10717
P34_10 .86576 .18395 .17522 .15993
P34_11 .37587 .13188 .72013 .18885
P34_12 .07509 .08091 .15112 .10601
P34_13 .29309 .13670 -.27363 .04077
P34_14 .18893 .04460 .13296 .85803
P34_15 .04800 .08522 .15868 .19582
P34_16 .05180 .09354 -.04208 .11192
P34_17 .09414 .22847 .04873 .13504
P34_2 -.05442 .08374 .40889 .01789
P34_3 .09691 .06679 .01442 .11608
P34_4 .09436 .21314 .23494 .13252
P34_5 .19050 .91827 .08439 .03761
P34_6 .21803 .06793 .08404 .12073
P34_7 -.02084 -.08177 .15754 .04683
P34_8 .13613 .15302 .06859 .15748
P34_9 .40211 .18378 .16652 .04722
Factor Transformation Matrix:
Factor 1 Factor 2 Factor 3 Factor 4 Factor 5 Factor 6 Factor 7
Factor 1 .39945 .36199 .27889 .35058 .27510 .33632 .29117
Factor 2 .17155 .27180 .50910 -.15883 .43083 -.12000 -.21966
Factor 3 .26149 -.46254 .58198 -.01222 -.39458 -.12307 -.21597
Factor 4 .19940 .46951 -.06301 -.34179 -.25458 .15726 -.49406
Factor 5 -.65050 .41963 .23891 .14177 -.23856 .12739 -.09400
Factor 6 -.06189 .15790 .35176 -.31776 -.42830 -.00661 .61734
Factor 7 .17032 .18877 -.21741 -.58165 .01195 -.24928 .07906
Factor 8 -.15352 .18918 .06920 .14889 .17517 -.79077 .13505
Factor 9 .10231 .01396 .11578 .03563 .00560 -.26124 -.17714
Factor 10 -.41085 -.29495 .24948 -.46291 .49192 .23644 -.00736
Factor 11 -.20990 .03275 .10891 .19440 -.07072 -.06883 -.36106
Factor 8 Factor 9 Factor 10 Factor 11
Factor 1 .29231 .22970 .20034 .23833
Factor 2 -.45008 -.36105 -.14531 -.09989
Factor 3 .10482 .00821 .38627 .03304
Factor 4 .10816 .40475 .01553 -.33108
Factor 5 .18973 -.35094 .28408 .04199
Factor 6 -.13798 .16379 -.36876 -.00944
Factor 7 .11067 -.20377 .32255 .56872
Factor 8 .07220 .37061 .22441 -.21570
Factor 9 .68493 -.22911 -.58977 .07455
Factor 10 .26669 .31184 .03089 -.02048
Factor 11 -.27668 .41761 -.26351 .66687
11 PC EXACT factor scores will be saved.
Vam aconseguir un nou nombre de variables, concretament onze, que vam anomenar factors. Aquests onze factors eren variables noves incorrelacionades entre si i que eren combinació lineal de les disset variables anteriors. Observant els resultats de les correlacions rotades de les variables originals amb els onze factors nous (subratllades i en negreta en la matriu rotada de factors de la figura número 17), vam poder donar el nom següent a cadascun dels factors, com s'indica a continuació:
Factor 1: Varietat i qualitat dels establiments i botigues del centre
Factor 2: Oferta d'oci per a totes les edats
Factor 3: Preus, ofertes i promocions
Factor 4: Arquitectura, senyalització i ambientació interior (espai interior)
Factor 5: Publicitat i activitats que organitza el centre
Factor 6: Restauració i serveis complementaris (quantitat i qualitat)
Factor 7: Accessibilitat i senyalització exterior
Factor 8: Neteja del centre
Factor 9: Pàrking
Factor 10: Seguretat del centre
Factor 11: Atenció al client
A partir d'aquests factors que ja estaven incorrelacionats entre si, podíem repetir l'anàlisi de regressió múltiple per a intentar determinar quins eren els aspectes més importants que determinaven la satisfacció d'un client.
Abans de poder aplicar la regressió múltiple, calia estandarditzar (normalitzar) la variable depenent, ja que els onze factors estaven estandarditzats.
Figura 18 Anàlisi de regressió lineal múltiple amb els nous factors i la satisfacció general estandarditzada
Number of valid observations (listwise) = 529,00
Variable MeanStd Dev Minimum Maximum Valid Label
N
P35 7,24 1,23 2,00 10,00 529 GRAU DE SATISFACCIO GENERAL
The following Z-Score variables have been saved
on your working file:
From To Weighted
Variable Z-Score Label Valid N
-------- ------- ----- -------
P35 ZP35 Zscore: GRAU DE SATISFACCIO GENERAL 529
* * * * M U L T I P L E R E G R E S S I O N * * * *
Pairwise Deletion of Missing Data
Mean Std Dev Cases Label
ZP35 ,000 1,000 529 Zscore: GRAU DE SATISFACCIO GENERAL
FAC1_4 ,000 1,000 275 Varietat qualitat botigues
FAC2_4 ,000 1,000 275 Oferta oci per a tots
FAC3_4 ,000 1,000 275 Preus, ofertes i promocions
FAC4_4 ,000 1,000 275 Arquitec. senyalitz. ambient int.
FAC5_4 ,000 1,000 275 Publicitat i esdeveniments
FAC6_4 ,000 1,000 275 Restauració i serveis complement
FAC7_4 ,000 1,000 275 Accessibil. i senyalitz. exterior
FAC8_4 ,000 1,000 275 Neteja del centre
FAC9_4 ,000 1,000 275 Pàrking
FAC10_4 ,000 1,000 275 Seguretat del centre
FAC11_4 ,000 1,000 275 Atenció al client
Minimum Pairwise N of Cases = 275
* * * * M U L T I P L E R E G R E S S I O N * * * *
Equation Number 1 Dependent Variable.. ZP35
Zscore: GRAU DE SATISFACCIO
Descriptive Statistics are printed on Page 319
Block Number 1. Method: Enter
FAC1_4 FAC2_4 FAC3_4 FAC4_4 FAC5_4 FAC6_4
FAC7_4 FAC8_4 FAC9_4 FAC10_4 FAC11_4
Variable(s) Entered on Step Number
1.. FAC11_4 Atenció al client
2.. FAC10_4 Seguretat del centro
3.. FAC9_4 pàrking
4.. FAC8_4 Neteja del centre
5.. FAC7_4 Accessibil. i senyalitz. exterior
6.. FAC6_4 Restauració i serveis complement
7.. FAC5_4 Publicitat i esdevenimrnts
8.. FAC4_4 Arquitec. senyalitz. ambient int.
9.. FAC3_4 Preus, ofertes i promocions
10.. FAC2_4 Oferta oci per a tots
11.. FAC1_4 Varietat qualitat botigues
Multiple R ,80987 Analysis of Variance
R Square ,65589 DF Sum of Squares Mean Square
Adjusted R Square ,64149 Regression 11 179,71276 16,33752
Standard Error ,59875 Residual 263 94,28724 ,35851
F = 45,57105 Signif F = ,0000
------------------- Variables in the Equation --------------------
Variable B SE B Beta Tolerance VIF T Sig T
FAC1_4 ,412146 ,036172 ,412146 1,000000 1,000 11,394 ,0000
FAC2_4 ,312426 ,036172 ,312426 1,000000 1,000 8,637 ,0000
FAC3_4 ,238605 ,036172 ,238605 1,000000 1,000 6,596 ,0000
FAC4_4 ,240943 ,036172 ,240943 1,000000 1,000 6,661 ,0000
FAC5_4 ,204483 ,036172 ,204483 1,000000 1,000 5,653 ,0000
FAC6_4 ,228903 ,036172 ,228903 1,000000 1,000 6,328 ,0000
FAC7_4 ,206955 ,036172 ,206955 1,000000 1,000 5,721 ,0000
FAC8_4 ,153374 ,036172 ,153374 1,000000 1,000 4,240 ,0000
FAC9_4 ,241925 ,036172 ,241925 1,000000 1,000 6,688 ,0000
FAC10_4 ,208576 ,036172 ,208576 1,000000 1,000 5,766 ,0000
FAC11_4 ,104076 ,036172 ,104076 1,000000 1,000 2,877 ,0043
(Constant)-3,58951E-15 ,036106 ,000 1,0000
La solució aplicada demostrava clarament que no hi havia correlació entre les diferents variables (factors) introduïdes en el model. D'aquesta manera, la significació de cada variable era perfecta, és a dir, totes les variables introduïdes en el model eren significatives. Això ho podem veure en la columna de la significació de la T en què totes aquestes són significatives al cent per cent.
No obstant això, l'indicador del coeficient de determinació R2 no havia millorat el seu ajustament respecte al model de regressió fet amb variables originals. Per tant, el que ens calia era intentar millorar l'ajustament aplicant la solució que ja s'havia plantejat anteriorment i era intentar fer els càlculs del model obviant determinats individus que anomenarem outliers pel fet que les seves valoracions eren excessivament disperses i podia estar detectant un problema d'incoherència en les respostes d'aquests entrevistats.
La millor manera que teníem per detectar els outliers era demanar al programa estadístic que ens mostrés per cada individu les diferències que es produïen entre el model de regressió real observat i el model estimat.
La diferència que hi ha entre el model real i el model estimat s'anomena residu. En el cas que ens ocupa, aquests residu han oscil·lat des del valor –3,68 al valor +2,24, fet que indica que quan el residu és 0 el model estimat i el model real és el mateix per cada individu.
Figura 19 Distribució de freqüències simple de la variable residu: diferència entre la recta de regressió real i l'estimada
RES_1 Residual
Value Label Value Frequency Percent Valid Cum
Percent Percent
-3,68925 1 ,2 ,4 ,4
-1,84178 2 ,4 ,7 1,1
-1,60984 1 ,2 ,4 1,5
-1,08131 1 ,2 ,4 1,8
-1,04287 1 ,2 ,4 2,2
-1,03029 1 ,2 ,4 2,5
-,97381 1 ,2 ,4 2,9
-,95739 1 ,2 ,4 3,3
-,95083 1 ,2 ,4 3,6
-,94545 1 ,2 ,4 4,0
-,87338 3 ,6 1,1 5,1
-,87220 1 ,2 ,4 5,5
-,86180 2 ,4 ,7 6,2
-,85187 2 ,4 ,7 6,9
-,84072 3 ,6 1,1 8,0
-,81353 2 ,4 ,7 8,7
-,76861 1 ,2 ,4 9,1
-,69652 1 ,2 ,4 9,5
-,67539 2 ,4 ,7 10,2
-,66187 1 ,2 ,4 10,5
-,65487 1 ,2 ,4 10,9
-,63670 1 ,2 ,4 11,3
-,60933 1 ,2 ,4 11,6
,64928 1 ,2 ,4 88,7
,66859 1 ,2 ,4 89,1
,67901 2 ,4 ,7 89,8
,68371 1 ,2 ,4 90,2
,71521 2 ,4 ,7 90,9
,73275 2 ,4 ,7 91,6
,73280 2 ,4 ,7 92,4
,74958 1 ,2 ,4 92,7
,76488 1 ,2 ,4 93,1
,76715 1 ,2 ,4 93,5
,81184 1 ,2 ,4 93,8
,82477 1 ,2 ,4 94,2
,85465 3 ,6 1,1 95,3
,89096 1 ,2 ,4 95,6
,94242 1 ,2 ,4 96,4
1,00013 2 ,4 ,7 97,1
1,08914 1 ,2 ,4 97,5
1,14428 1 ,2 ,4 97,8
1,20673 1 ,2 ,4 98,2
1,29090 1 ,2 ,4 98,5
1,37399 1 ,2 ,4 98,9
1,48843 1 ,2 ,4 99,3
1,78759 1 ,2 ,4 99,6
2,24751 1 ,2 ,4 100,0
, 256 48,2 Missing
------- ------ -------
Total 531 100,0 100,0
Valid cases 275 Missing cases 256
Observant la distribució de freqüències d'aquest residu (figura 19), es va eliminar el 8% d'individus que tenien el residu més diferent respecte del valor mitjà del residu, tant per amunt com per avall, és a dir, per sobre i per sota d'aquest valor mitjà.
Un cop identificats aquests outliers, es va repetir el model de regressió sense tenir-los en compte.
Figura 20 Anàlisi de regressió lineal múltiple eliminant el 16% dels entrevistats per considerar-los outliers
BASE: ELIMINANT RESIDUS 8% PER CADA CUA
* * * * M U L T I P L E R E G R E S S I O N * * * *
Equation Number 1 Dependent Variable.. ZP35
Zscore: GRAU DE SATISFACCIO
Descriptive Statistics are printed on Page 347
Block Number 1. Method: Enter
FAC1_4 FAC2_4 FAC3_4 FAC4_4 FAC5_4 FAC6_4
FAC7_4 FAC8_4 FAC9_4 FAC10_4 FAC11_4
Variable(s) Entered on Step Number
1.. FAC11_4 Atenció al client
2.. FAC8_4 Neteja del centre
3.. FAC1_4 Varietat qualitat botigues
4.. FAC10_4 Seguretat del centre
5.. FAC2_4 Oferta oci per a tots
6.. FAC3_4 Preus, ofertes i promocions
7.. FAC7_4 Accessibil. i senyalitz. exterior
8.. FAC4_4 Arquitec. senyalitz. ambient int.
9.. FAC6_4 Restauració i serveis complement
10.. FAC5_4 Publicitat i esdeveniments
11.. FAC9_4 Pàrking
Multiple R ,91794 Analysis of Variance
R Square ,84261 DF Sum of Squares Mean Square
Adjusted R Square ,83452 Regression 11 167,90760 15,26433
Standard Error ,38283 Residual 214 31,36332 ,14656
F = 104,15243 Signif F = ,0000
-------------------- Variables in the Equation --------------------
Variable B SE B Beta Tolerance VIF T Sig T
FAC1_4 ,441589 ,025309 ,476808 ,984807 1,015 17,448 ,0000
FAC2_4 ,324106 ,024670 ,358279 ,988926 1,011 13,138 ,0000
FAC3_4 ,226243 ,026957 ,229401 ,984389 1,016 8,393 ,0000
FAC4_4 ,254541 ,026921 ,259194 ,978685 1,022 9,455 ,0000
FAC5_4 ,188930 ,025657 ,202148 ,975916 1,025 7,364 ,0000
FAC6_4 ,266547 ,025440 ,287745 ,975134 1,025 10,478 ,0000
FAC7_4 ,236184 ,025554 ,252998 ,981545 1,019 9,243 ,0000
FAC8_4 ,212471 ,027143 ,215153 ,973555 1,027 7,828 ,0000
FAC9_4 ,298656 ,026418 ,310936 ,972229 1,029 11,305 ,0000
FAC10_4 ,232347 ,026068 ,245258 ,971358 1,029 8,913 ,0000
FAC11_4 ,156007 ,026399 ,161631 ,983147 1,017 5,910 ,0000
(Constant) -,024078 ,025641 -,939 ,3488
I el resultat, com ens mostra la sortida estadística de l'ordinador (figura 20), va millorar el coeficient de determinació R2 fins a un ajustament del 84%. Era un valor més que acceptable.
D'altra banda, també es pot veure que el model és globalment significatiu, atès que el valor de l'estadístic F, que segueix una distribució Fischer-Snedecor, surt 104,15 amb una significació de 0,0 (més petit que el nivell de significació que habitualment es fixa en 0,05).
Aquest model era vàlid i, per tant, el que ens calia era interpretar correctament els resultats del model i la seva aplicació. El model de regressió ens va aportar la importància de cadascun dels factors en l'explicació de la satisfacció general de l'individu i aquesta importància s'obtenia a partir de les "Betes" del model de regressió per cada variable. Així, la variable més important era la varietat i qualitat de les botigues i establiments del centre, la segona, l'oferta d'oci del centre per a tothom, el pàrking, la restauració i, així, successivament.
El model ens determina la importància de tots els factors, d'aquesta manera no ens indica que no hi hagi factors que no siguin importants, sinó que hi ha alguns factors menys importants que d'altres. La taula següent ens mostra la importància relativa de cada factor ordenades de manera descendent abstret de la figura 20, anàlisi de regressió lineal múltiple amb els factors.
|
Importància |
Factor |
|
47,68 |
Factor 1: Varietat i qualitat dels establiments del centre |
|
35,83 |
Factor 2: Oferta d' oci per a totes les edats |
|
31,09 |
Factor 9: Pàrking |
|
28,77 |
Factor 6: Restauració i serveis complementaris |
|
25,92 |
Factor 4: Arquitectura, senyalització i ambientació interior |
|
25,30 |
Factor 7: Accessibilitat i senyalització exterior |
|
24,53 |
Factor 10: Seguretat del centre |
|
22,94 |
Factor 3: Preus, ofertes i promocions |
|
21,52 |
Factor 8: Neteja del centre |
|
20,21 |
Factor 5: Publicitat y activitats que organitza el centre |
|
16,16 |
Factor 11: Atenció al client |
Gràcies al càlcul de les importàncies de cada factor utilitzant el model de regressió, el Sr. Ivars ja era capaç de determinar quins eren els aspectes en què calia millorar del centre comercial Barcelona Glòries. Només li calia combinar la valoració de satisfacció mitjana de cada aspecte amb la importància d'aquest mateix per a determinar si era un aspecte que calia millorar del centre.
Per a poder combinar les satisfaccions mitjanes de cada atribut, el primer que es necessitava era trobar les valoracions mitjanes de cada nou factor que s'havia creat amb l'anàlisi factorial de components principals. Tot i que és possible utilitzar diferents mètodes per a trobar aquestes valoracions, aplicant el principi de la parsimònia i utilitzant el camí més simple, el que era més senzill era utilitzar les mitjanes aritmètiques de cada variable que formava el factor.
De totes maneres, hi havia factors que només estaven compostos per un sol atribut i, per tant, la valoració mitjana del factor era la mateixa que la de l'atribut, com, per exemple, el pàrking, la restauració, l'accessibilitat exterior, la seguretat del centre, la neteja del centre i l'atenció al client. La resta es va haver de combinar, la varietat i qualitat dels establiments del centre en què la varietat estava valorada per 518 clients amb una puntuació de 6,89 i la qualitat dels establiments del centre, valorada per 505 clients i amb una puntuació de 7,07. El resultat era una mitjana aritmètica de 6,98.
|
Importància |
Valoració mitjana |
Factor |
|
47,68 |
6,98 |
Factor 1: Varietat i qualitat dels establiments del centre |
|
35,83 |
6,68 |
Factor 2: Oferta d' oci per a totes les edats |
|
31,09 |
8,04 |
Factor 9: Pàrking |
|
28,77 |
6,70 |
Factor 6: Restauració i serveis complementaris |
|
25,92 |
7,27 |
Factor 4: Arquitectura, senyalització i ambientació interior |
|
25,30 |
7,21 |
Factor 7: Accessibilitat i senyalització exterior |
|
24,53 |
7,11 |
Factor 10: Seguretat del centre |
|
22,94 |
6,25 |
Factor 3: Preus, ofertes i promocions |
|
21,52 |
7,88 |
Factor 8: Neteja del centre |
|
20,21 |
6,11 |
Factor 5: Publicitat y activitats que organitza el centre |
|
16,16 |
6,91 |
Factor 11: Atenció al client |
Amb aquesta taula resultant, vam observar que, clarament, l'oferta d'oci i entreteniment per a totes les persones, adults, joves i nens, era un aspecte que calia millorar per la gerència del centre, ja que mostrava una importància elevada per als clients (35,83) i la mitjana de satisfacció (6,68) del factor estava clarament per sota de la mitjana de satisfacció global del centre (7,2). Similarment, els serveis de restauració (la quantitat i la qualitat de restaurants) mereixien una atenció especial per tenir una importància rellevant i una valoració de satisfacció baixa. El nivell de preus, ofertes i promocions i la publicitat i esdeveniments que organitza el centre eren també aspectes que calia controlar, tot i que tenien una importància relativament més baixa que els altres dos factors.
Tanmateix, la varietat i la qualitat de l'oferta dels establiments del centre i el pàrking eren aspectes amb què els clients estaven satisfets i, a més, els donaven importància com a generadors de satisfacció.
Era clar, doncs, que el centre tenia mancances importants en l'oferta lúdica, ja que tant la restauració com els llocs d'oci responien a un comportament de compra menys funcional i més dirigit al divertiment.
A nivell de màrqueting, era possible donar resposta a aquesta demanda del mercat de dues maneres.
- Una d'aquestes era a nivell tangible, és a dir, calia millorar l'oferta lúdica millorant l'oferta a partir de l'increment del nombre de restaurants, bars, cafeteries, cinemes, salons de jocs, etc. S'havia de buscar noves ofertes més atractives pels clients actuals i potencials del centre.
- La segona era la millora de l'oferta lúdica a nivell més intangible. El que calia era millorar, des del punt de vista més de percepció, l'oferta lúdica del centre, és a dir, calia conèixer perfectament els possibles valors negatius de l'oferta i contrarestar-los amb petites millores i amb comunicació. Les valoracions que els consumidors feien dels productes tenien un gran component de percepció, moltes vegades les sensacions no són demostrables empíricament i són únicament impressions que els consumidors tenen dels productes i les marques.
Els recursos limitats que el gerent del centre tenia el portaven a intentar millorar en un primer moment la percepció que hi havia del centre en termes d'oferta lúdica. Però, per a poder portar a terme diferents accions de màrqueting encaminades a aquesta millora, calia conèixer més a fons com eren els clients que valoraven negativament l'oferta lúdica.
Qui eren els clients que li donaven una valoració baixa en l'oferta de restaurants, bars i en l'oferta d'oci en general, etc.? Quin grup d'edat era majoritari entre els clients que estaven poc satisfets amb aquest tipus d'oferta del centre? De quina zona geogràfica de l'àrea d'influència del centre ens arribaven aquests clients, quin tipus de productes solien comprar, amb quina freqüència venien, etc.?
El primer pas que es va fer per a descobrir tot això va partir d'una anàlisi multivariable que s'anomena AID; el detector automàtic d'interaccions ens permetia de conèixer on es produïen les diferències més grans de valoració d'algun índex o atribut de satisfacció segons les diferents característiques dels individus. Per tant, es va aplicar un AID per a explicar on es produïen les diferències als atributs que fan referència a l'oferta d'oci:
- la quantitat i qualitat de restaurants, bars i cafeteries
- l'oferta d'oci en general
Figura 21 AID. Detector automàtic d'interaccions per a explicar les diferències en la valoració de l'atribut de quantitat i qualitat dels restaurants, bars i cafeteries.
El que podem observar mitjançant l'anàlisi AID és que, en principi, els que no s'han connectat a Internet durant l'últim mes són els que estan més satisfets amb la quantitat i qualitat de bars i restaurants i, dintre d'aquests, els més grans en edat són els que més satisfets estan amb l'oferta de restauració.
Per contra, els més insatisfets són aquells que s'han connectat a Internet durant l'últim mes i que van normalment a l'hipermercat del centre.
Figura 22 AID. Detector automàtic d'interaccions per a explicar les diferències en la valoració de l'atribut de l'oferta d'oci.
Els més insatisfets amb l'oferta d'oci eren els visitants del centre que hi solien anar a comprar a partir de les 18:30h de la tarda, mentre que els més satisfets eren els que compraven al matí.
En realitat, les activitats d'oci com, per exemple, anar al cinema se solen fer a la tarda i, per tant, és normal que els clients de la tarda siguin més exigents amb aquest tipus d'oferta. A més, aquesta satisfacció és inferior entre aquells clients que fa menys temps que són clients del centre: la seva satisfacció està pràcticament un punt per sota de la mitjana dels clients més antics.
Entre els clients del matí, en aquells que solen anar al centre perquè treballen a prop i a més són els caps de família la satisfacció és més alta, lògicament perquè són una tipologia de clients que únicament van al centre per a comprar i no per a divertir-s'hi. Fixem-nos que la satisfacció arriba fins a 7,69, gairebé un punt més que la mitjana dels clients entre aquest tipus de visitants.
D'aquesta manera, entre els clients més satisfets i els més insatisfets hi ha pràcticament dos punts de diferència (de 5,8 a 7,7 sobre 10).
El que el director del centre el Sr. Ivars va veure clar és que havia de millorar tant de manera tangible l'oferta d'oci com de manera intangible la comunicació sobre aquesta, però, sobretot, entre els clients més novells (que fa menys temps que compren en el centre) i que compren principalment a la tarda i entre aquells clients del centre que són internautes i que sobretot utilitzen l'hipermercat.
