Klantonderzoek: statistiek!
Statistiek bij klantonderzoek Om de resultaten van klantonderzoek juist te interpreteren is het belangrijk de juiste analyses uit te voeren. Vaak worden de mogelijkheden van de statistische analyse bepaald door onder andere gebruikte schaalverdeling, spreiding/verdeling van de gemeten variabele en het aantal waarnemingen.
Statistiek kan onder andere worden toegepast om de betrouwbaarheid van het onderzoekresultaat te bepalen. Gekeken kan worden naar de nauwkeurigheid van de steekproef. De kwaliteit van de vraagstelling kan eveneens onderzocht worden met behulp van statistiek. Tenslotte wordt in dit document beschreven hoe met behulp van toegepaste statistiek in de vorm van de Net Promotor Score (NPS) en regressie-analyse inzicht kan worden ontleend aan onderzoeksresultaten. In een apart document worden de grafische weergaven van deze statistische exercities beschreven. Researchmanager kan eenvoudig met behulp van de maatwerkapplicatie ‘ReportManager’worden uitgebreid waarmee online direct interactieve grafieken en dashboards kunnen worden gemaakt van alle statistische berekeningen.
Steekproefbetrouwbaarheid Om te bepalen of een steekproefonderzoek een betrouwbare weergave geeft van de werkelijkheid kan met behulp van statistiek onderzoek gedaan worden naar de betrouwbaarheid. Het begrip betrouwbaarheid: in de Engelse en Amerikaanse literatuur spreekt men over reliability - of confidence level – in de Nederlandse literatuur gebruikt men ook wel de term betrouwbaarheid. Deze termen vormen alle het complement van ons begrip ‘onbetrouwbaarheid’. Betrouwbaarheid wil zeggen dat herhaling van het onderzoek hetzelfde resultaat moet opleveren. Een onderzoek met 95% betrouwbaarheid wil dus zeggen dat daaruit, wanneer dit onderzoek 100 keer zou worden verricht, in 95 gevallen een antwoord komt binnen de nauwkeurigheidsgrenzen. De nauwkeurigheid van een steekproef geeft aan de afwijking tussen de steekproefuitkomst en het gemiddelde van de populatie waaruit de steekproef is getrokken. Wat het populatiegemiddelde is weten we niet, we weten alleen het gevonden steekproefgemiddelde. Door een nauwkeurigheidsmarge aan te houden reduceren we het risico van een foute uitspraak.
Nauwkeurigheid van het onderzoek De nauwkeurigheidsmarge wordt door drie factoren bepaald: De betrouwbaarheid Hoe meer betrouwbaarheid we eisen, des te minder nauwkeurig wordt de uitspraak die we ten aanzien van de populatie kunnen doen. De omvang van de steekproef Hoe groter de steekproef hoe nauwkeuriger de populatie-uitspraak De grootte van p (kans op het optreden van een verschijnsel) Een gevonden p-waarde van 50% geeft de grootste standaarddeviatie bij een bepaalde steekproef, dus minder nauwkeurigheid. Hoe verder de p-waarde van 50% afwijkt des te kleiner wordt de standaarddeviatie.
Statistiek Voor het beschrijven van een enkele variabele kan de volgende tabel worden gebruikt:
Het beschrijven van een verband tussen twee variabele:
Statistiek Analyse schema voor toetsen bij één enkele variabele:
Analyse schema voor het toetsen van een “verband” tussen twee variabele:
Model om betrouwbaarheid te bepalen
• • • •
Steekproefgegevens
Totaal # producten gecontroleerd = 54.279
Gemiddelde Score fouten in producten leert dat 0,5% van de producten een fout bevat. Er moet een schatting worden gemaakt van de proportie (p) foute producten gedurende een periode. • Stel er is een aselecte steekproef getrokken van n = 54.279 producten, waaruit is gebleken dat de proportie foute producten 0,5% is (ps). Het 90%-betrouwbaarheidsinterval voor p kan als nu volgt worden berekend: 0,005(1-0,005) 0,005+1,6449 ----------------------- =0,000498 levert een betrouwbaarheids interval van de waarde 54279
van p tussen 0,45% p 0,55% (p=0,5%)
Regressie-analyse om organisatieprioriteiten te bepalen Veel van de in klantonderzoek aan de orde gestelde aspecten zijn belangrijk voor uw klanten. Toch hebben sommige net even meer invloed op het totaalcijfer dat u van klanten krijgt dan andere. Om te bepalen of u wel de juiste prioriteiten kiest om uw klanten zo optimaal mogelijk te bedienen kan regressie-analyse van de onderzoeksresultaten u helpen. Binnen regressie analyse zijn er twee soorten variabelen te onderscheiden; een afhankelijke variabele (het voorspellende aspect A) en onafhankelijke variabelen (verklarende aspecten). Door middel van een regressie analyse kan men de waarde van de afhankelijke variabele (aspect A) voorspellen. Deze wordt berekend met behulp van onafhankelijke variabelen (verklarende aspecten).
Regressie-analyse om organisatieprioriteiten te bepalen Voorbeeld 1 Aspect A kan zijn: de mate van tevredenheid over een geleverde dienst. De verklarende aspecten die daarbij kunnen horen zijn; klantvriendelijkheid van het personeel, deskundigheid van het personeel, behulpzaamheid van het personeel, professionaliteit van het personeel, correctheid van het personeel, etc. De vraag is nu; of al deze verklarende aspecten daadwerkelijk bijdragen aan het voorspellen van de waarde van aspect A en wat hun aandeel hierin is. Door het uitvoeren van een regressieanalyse kan men er achter komen welke verklarende aspecten van belang zijn om de waarde van aspect A te kunnen verklaren. Wanneer de bijdrage van een verklarend aspect hoog is, kan men veronderstellen dat dit verklarend aspect meer van belang is om de waarde van aspect A te voorspellen.
Regressie-analyse om organisatieprioriteiten te bepalen Voorwaarden van input Aspect A moet gemeten zijn op een metrische schaal. Dit betekent dat de vraag van de vragenlijst die bij het meten van aspect A hoort een antwoordcategorie op metrische schaal moet hebben. Er zijn twee typen metrische meetschalen; interval en ratio meetschaal. Interval schaal: Bij deze meetschaal zijn de variabelen gemeten in getallen. Wanneer het verschil tussen twee uitkomsten een eenduidige betekenis heeft, wordt er gesproken van een interval schaal. Het nulpunt is willekeurig gekozen. Ratio schaal: Bij deze meetschaal zijn de variabelen ook gemeten in getallen. Deze meetschaal lijkt op de interval schaal, maar heeft wel een natuurlijk nulpunt in de schaal. Er kan aangenomen worden dat A twee keer zoveel is als B. Hiernaast dienen de in deze analyse te betrekken variabelen gekozen worden. Op basis van deze geheel geautomatiseerde analyse verschaft Researchmanager u inzicht in de voor uw organisatie, organisatie-onderdeel, afdeling of zelf per persoon te stellen prioriteiten.In de presentatie over grafische weergaven vindt u enkele voorbeelden van de Prioriteitenmatrix.
Berekenen van de Net Promotor Score - NPS Net Promotor Score De NPS (Net Promotor Score) is ontwikkeld door F. Reichheld (Bain& company – Satmetrix) en is een maatstaf voor het bepalen van de loyaliteit van klanten. Het doel van de NPS is om inzicht te geven in de ontwikkeling van het aantal ‘promotors’ ten opzichte van het aantal ‘detractors’. De NPS wordt berekend door aan klanten een vraag te stellen op een schaal van 0-10 over de waarschijnlijkheid waarmee men verwacht aanbevelingen te doen over het bedrijf aan vrienden, bekenden of collega’s. Op basis van de antwoorden worden respondenten in 3 groepen ingedeeld: Promotors (9+10) Passives (7+8) Detractors (0-6) Het % detractors wordt afgetrokken van het % promotors om de NPS te berekenen. Een groot aantal grote bedrijven maakt gebruik van de NPS om toekomstige ondernemings- en winstgroei te voorspellen. In wetenschappelijke en onderzoekskringen bestaat weerstand tegen de NPS vanwege: de niet wetenschappelijk te onderbouwen relatie tussen dit ene cijfer en de ontwikkeling van de onderneming. Voor gebruikers van Researchmanager is een standaardanalyse beschikbaar om de NPS te tonen in een grafisch management dashboard. Vraag uw contactpersoon om deze voor u toe te passen