Kuzu messen, NPS tracken ... und dann?

Wer seine Kunden nach ihrer Zufriedenheit fragt, möchte oft auch wissen, weshalb oder womit sie im Einzelnen (un-)zufrieden sind. Mit einem schnellen Feedback erhalten Sie zwar einen Überblick beispielsweise über die durchschnittliche Weiterempfehlungsbereitschaft, doch um die treibenden Kräfte zu identifizieren und regelbar zu machen, braucht es mehr. Aber es geht.

NPS – und dann?

Eine sehr reduzierte Form stellt die Frage nach der Weiterempfehlungsbereitschaft und eine offene Nachfrage zur Urteilsbegründung dar. Aus der Bereitschaft wird der Index NetPromoteScore (NPS) abgeleitet, und die Begründungen in den drei gebildeten Segmenten (Promotoren, Detraktoren und Indifferente) ermöglichen entsprechende Rückschlüsse auf das „Warum“. Die NPS-Kurzbefragung lässt natürlich keine statistisch gesicherten Analysen darüber zu, welche Aspekte die Weiterempfehlungsbereitschaft (als Ausdruck der Zufriedenheit) befördern.

Nur durchschnittlich: Mittelwerte von Teilzufriedenheiten

Als Basis für statistisch valide Insights kann zunächst die Gesamtzufriedenheit und dann die Zufriedenheit mit Teilaspekten jeweils skaliert erhoben werden. Ein Ranking über Top-Two-Anteile oder Mittelwerte der erreichten Teilzufriedenheiten kann erste Hinweise darüber geben, woraus sich die Zufriedenheit speist. Das bedeutet jedoch nicht per se, dass die Top-Zufriedenheits-Aspekte in ihrer absteigenden Reihenfolge auch die Top-Treiber für die Gesamtzufriedenheit sind. denn Top-Two- und Mittelwerte stellen immer nur den Durchschnitt über individuelle Einschätzungen dar. Wer also die treibenden Kräfte für die Gesamtzufriedenheit und ihre Einflussstärke ermitteln will, muss sich auf Individualebene begeben.

Ignoriert Teilabhängigkeiten: Regressionsanalyse

Die Regressionsanalyse folgt dieser Vorgehensweise. Aber auch hier gibt es Einschränkungen zu bedenken: die Regressionsanalyse ermittelt zwar den Grad des Einflusses jeder Teilzufriedenheit auf die Gesamtzufriedenheit, ignoriert aber die Abhängigkeiten zwischen den Teilzufriedenheiten (Multikollinearität). Außerdem geht sie immer von einer linearen Beziehung der Teilzufriedenheiten und Gesamtzufriedenheit aus. Das statistische Ergebnis ist also nur verschwommen und verzerrt.

Prantastisch: Mehrwert durch Treiberklassifikation

Das klare und unverfälschte Bild erhalten Sie, indem Sie die Multikollinearität neutralisieren und ein Verfahren wählen, das auch nichtlineare Beziehungen zulässt. Treiber können nämlich grundsätzlich in dreifacher Weise auf die abhängige Variable (z.B. die Gesamtzufriedenheit) wirken:

Basistreiber | Es gibt Erwartungen an Mindestleistungen. Werden diese nicht erfüllt, führt dies zu Unzufriedenheit. Werden sie erfüllt, resultiert daraus aber keine Zufriedenheit.
Begeisterungstreiber | Im Hinblick auf den Treiber gibt es keine Erwartungen. Erreicht dieser dennoch ein gutes Leistungsniveau, führt dies zu Zufriedenheit. Falls nicht, bleibt dies ohne Auswirkung.
Linearer Treiber | Entsprechend dem Leistungsniveau können sowohl Zufriedenheit als auch Unzufriedenheit entstehen.

Basistreiber können also „bestrafen“, Begeisterungstreiber können „belohnen“. Im Englischen wird diese Art der Treiberanalyse nach Kano als „Penalty-Reward-Analyse“ (PRA) bezeichnet, und diese Bezeichnung hat sich auch hierzulande etabliert. Das Verhältnis aus dem sich ergebenden Ausmaß der Bestrafung und der Belohnung ist maßgeblich für die Art des Treibers. Überwiegt die Bestrafung, ist er ein Basistreiber, überwiegt die Belohnung, ist er ein Begeisterungstreiber. Sind Penalty und Reward in etwa gleich hoch, liegt ein Linearer Treiber vor. Aus der Relation der Summe von Penalty und Reward eines Treibers zu der Höhe der Summen der übrigen Treiber lässt sich ferner dessen Wichtigkeit ableiten.

Drehbar: Stellschrauben für die Kundenzufriedenheit

Mit der Treiberklassifizierung des PRA-Verfahrens können Sie also genau die Stellschrauben bestimmen, die es zu justieren gilt, um die Kundenzufriedenheit zu befördern und zu erhalten. Hinter PRA-Analysen stecken aufwändige und zeitintensive Rechenprozeduren, die sich nicht mal eben mit Excel oder SPSS erledigen lassen. Deshalb hat IfaD das PRA-Tool zur Analyse nichtlinearer Einflüsse auf Zielgrößen wie Zufriedenheit, Loyalität oder Image entwickelt, welches Ihnen in der IfaD Statistics Toolbox zur Verfügung steht. Es liefert die beschriebene Klassifizierung der Treiber und deren Einflussstärken.

Weitere Infos vom Autor

Peter Sonneck
+49 40 25 17 13 64
psonneck@ifad.de

IfaD Statistics Toolbox

IfaD Statistics ist eine Online-Toolbox, die speziell für Marktforscher entwickelt wurde und die an den Anforderungen des Analysealltags ausgerichtet ist. Enthalten sind Tools für Marktsimulationen, Kausal-/Treiberanalysen, Preisforschung, TURF-Analysen, Mapping-Verfahren und Segmentierungen, die sich durch einfache Handhabung sowie effiziente und innovative Algorithmen auszeichnen. Vorteile der Online-Toolbox sind ein globaler Zugriff, keine Notwendigkeit der Installation und ständiger Zugang zur aktuellen Version. Mit Hilfe einer umfassenden Benutzer- und Projektverwaltung wird der Zugriff von Kollegen und Kunden auf ein Projekt gesteuert. IfaD Statistics ist damit die optimale Ergänzung zu Ihrer Statistik-Standardsoftware.

Mehr zu den einzelnen Tools in IfaD Statistics …