Badania potrzeb klientów jest fundamentem optymalizacji procesów. 

Narzędzie response surface (RSM) służą do badania związku między wartością wynikową a zestawem zmiennych ilościowych. Metoda response surface jest często stosowane do identyfikacji czynników istotnych dla wartości wynikowej.  Analizuje się stopień ich istotności oraz ich zdolność do optymalizacji. Metodę response surface  stosuje się w projektach, gdzie jest podejrzenie, że zachodzi nie linearny związek opisywania wartości wynikowej. Metoda RSM stosuje wyłącznie wartości ilościowe. Dlatego konieczne jest przekształcenie danych tekstowych na dane liczbowe.

Metoda response surface (RSM) można wykorzystać do badania potrzeb klientów w następujących aspektach:

• identyfikacji zmiennych, które mają najlepszą zdolność opisującą potrzeby,
• identyfikacji zmiennych, które spełniają określone wymagania procesowe,
• identyfikacji zmiennych, które zapewniają poprawę jakości ,
• do modelowania wzajemnego związku między zmiennymi opisującymi.

Przypomnijmy przykład badania potrzeb klientów z poprzedniego wpisu. Wtedy użyliśmy narzędzia ANOVA GLM

Przykład badania potrzeb klientów sieci punktów detalicznych banku

Duży ogólnopolski bank planuje zmianę wystroju wnętrza swoich punktów obsługi klienta. Postanowiono zbadać jak klienci banku ocenią różne koncepcje wystroju. Urządzono więc niektóre placówki bankowe według zaproponowanych wariantów.

Dla potrzeb analizy RSM dokonujemy przekształcenia wartości tekstowych na liczbowe ponieważ narzędzie to używa wyłącznie wartości ilościowych. Zostało zaprojektowanych 6 koncepcji wystroju wnętrz:

ANOVA GLM	RSM
„żywe kolory”	6
„pastelowe barwy”	4
„czarno- biały”	3
„ciemny orzech”	2
„rustykalne”	5
„angielski klub”	1

Przy okazji postanowiono też zbadać wpływ innych czynników na zadowolenie klientów. Zbadano więc takie czynniki jak:

ANOVA GLM	RSM	Wyjaśnienie
Temperatura	Temperatura	Temperatura w zakresie od 16 do 28 stopni.
Wilgotność	Wilgotność	Wilgotność w zakresie od 1 do 60
Muzyka	TAK = 1 NIE = -1	TAK – jest muzyka w punkcie obsługi klienta, NIE – brak muzyki.
OKNA	TAK = 1 NIE = -1	TAK – są okna w punkcie, NIE – nie ma okien.
Wejście po schodach	TAK = 1 NIE = -1	TAK – do punktu prowadzą małe schodki, NIE – brak schodków
Oddzielone stanowiska	TAK = 1 NIE = -1	TAK – stanowiska obsługi klientów są oddzielone ścianką, NIE – stanowiska są nieosłonięte.

Klienci oceniali w skali od 2 do 6, gdzie 2 było najgorszym wynikiem a 6 oceną najlepszą.

Metoda response surface (RSM) analizuje również różnice w poszczególnych seriach badań. Badania ankietowe klientów banku prowadzone były przez 3 dni. Teoretycznie wyniki pomiarów z konkretnych dni mogą się różnić między sobą. Dlatego narzędzie RSM analizuje, czy dane z kolejnych bloków (w tym wypadku dni prowadzenia ankiet) nie różnią się istotnie między sobą.

Użyliśmy tych samych danych co we wcześniejszym wpisie poświęconym ANOVA GLM. Zostały one dostosowane do potrzeb modelu RSM.

Plik do pobrania »
Kliknij aby pobrać

Metoda RSM w Minitab

Interpretacja wyników

Analiza badania potrzeb klientów metodą response surface (RSM) potwierdziła większość ustaleń wcześniejszej analizy ANOVA GLM.

W ostatniej kolumnie tabeli powyżej znajdują się wartości p-value dla każdego parametru użytego w badaniach. Przyjęty w badaniu współczynnik ufności wynosi α= 0,05. Wszystkie zmienne, dla których wartości p-value była niższa od 0,05 uznaje się za istotne.

Block 1 = 0,694

Block 2 = 0,835

Wartości są znacznie większe od p-value, oznacza to małą istotność parametru. Prowadzi to do wniosku, że nie ma znaczenia, w który dzień zbierane były dane.

Model RSM wykazał p-value < 0.05 dla parametrów: „Wystroj” i „Wilgotnosc”, „Wejscie po schodach” i „Oddzielone stanowiska”. Oznacza to, że te parametry mają istotny wpływ na ocenę zadowolenia klientów banku. Pozostałe parametry nie mają znaczenia dla oceny.

Model response surface (RSM)  wskazał również, że istotne dla klientów jest powiązanie parametrów:  Wystroj*Oddzielone stanowiska, Wilgotność*Muzyka, Muzyka* Oddzielone stanowiska.

Warto zwrócić uwagę na parametr „Temperatura” w pojedynczym teście ten czynnik nie ma znaczenia: p-value = 0.689 natomiast w teście Temperatura*Temperatura p-value = 0.000. Wskazuje to na wielkie znaczenie tego parametru w ostatnim teście. Znaczenie czynnika „Temperatura” wyszło więc dwuznacznie. Badania potrzeb klientów metodą RSM dla czynnika „Temperatura” potwierdza model ANOVA GLM.

Model ANOVA GLM

Przypomnijmy model ANOVA GLM wskazał na podobną istotność parametrów oceny: „Wystroj” oraz „Oddzielone stanowiska”.

Jak widać odpowiedzi z modeli RSM i GLM nie są spójne. Czynniki muszą więc być dalej testowane. Wyraźnie jednak widać, że w obu modelach „Wystroj” ma bardzo duże znaczenie dla klientów banku.

W następnych wpisach będziemy poznawać kolejne narzędzia statystyczne służące do optymalizacji procesów i badania potrzeb klientów.