作者：高维
IPA重要绩效分析法
倚重数据进行管理分析和决策，可能让一些经理感到不安。常言道：“管理是一门艺术，而不是科学”，这种走老路凭经验的心态让不少人对处理数据的新分析方法持怀疑态度。然而，就像大多数其他领域的前辈，他们如果坚持己见，就会因为不愿意学习或缺乏能力，被技高一筹的业务分析法所淹没。
酒店经营管理大数据定义
酒店经营管理大数据是指“酒店内部经营过程中产生的数量大、种类多、流动快，真实且具价值的信息资产，需要以特定的方法进行处理，才能获得洞察。借此优化流程、提升服务、做更出色的决策，显著影响财务表现，是现代酒店管理核心竞争力资源。”
温馨提示：
本系列酒店服务业数据化绩效管理研学系列方法的阅读群体
1）服务业管理创新思考者
在企业应用中，我们从外界得到的某个应用研究案例一般只能作为参考，由于所处地域、行业、企业、客群或生命周期的不同，其内在驱动属性必有较大的不同，若只是全盘借鉴，很难起到预期的效果。有兴趣的经理人或数据分析者在行业实践中若能掌握一些有效的工具和理论，能够自己研究一些相关的管理问题，则对于企业和个人管理能力的提高善莫大焉。
2）旅游酒店院校在校或在职的本科生，研究生
在校或在职的本科生、研究生在完成论文阶段，不少对于使用的工具和研究方法投入的精力较大，社会上现成的详细操作指南并不容易获得，需要大量阅读参考文献，才能归纳出使用心得，本系列量化分析工具详解，可以给与一定的帮助。但作为论文或课题写作，文献阅读是必须的，从中可以了解很多前人的研究历程，获得经验得到启发。
3）“仙那度服务业数据化管理研学社”学员
本社致力于提升旅游业、酒店业、餐饮业等服务企业数据化分析和管理水平，联盟成员通过本社研发的“仙那度基于数据决策的绩效桩模型”的组合知识，通过管理创新，落地实践，成为行业标杆，保持持续的竞争力。
思考：学界研究成果和业界应用的分割
本公众号前文《学会用贝叶斯推理决策》一文提到数据分析的“布德罗之墙”，可以说其中的障碍无处不在，就如专业研究成果很难被业界所用，对于定量研究，科学的数据分析是建立在统计学、问卷设计（数据收集的一种重要方法）、理论工具和统计软件的应用等基础之上。任何一块知识的短板，都会使企业数据分析应用停滞不前。
本文要介绍的“IPA重要绩效表现”的工具使用，也是要有严谨的流程和方法论，对于初学者来说如果没有大量阅读研究案例还是较难掌握的，而期刊中的文章大多是省略步骤的浓缩版，有时候需要阅读完整的硕博论文，才能有详细的分析方法呈现，这些文献和论文的获得对于业界有心运用理论工具而缺乏资料来源的人何尝不是一堵高墙。当然旅游和酒店业从业人员攻读香港理工大学酒店与旅游业管理硕士、博士研究生是一个很好的解决方案。另外阅读本号的数据化分析实践研学系列，也就相当于课外辅导班了。
正文
企业管理中数据分析的一个重要目的是为了提高管理的有效性，通过科学有效的分析工具，从众多影响绩效的工作内容中甄选出最重要的内容，能极大的提升管理效率。
业界应用较多的满意度测评模型主要包括:美国消费者满意度模型(American consumer satisfaction index，ACSI)；
服务质量模型( Service quality，SERVAUAL)；
重要性-绩效表现分析法 (Importance-performance analysis，IPA)等。
其中，IPA分析法易于操作，直观且便于解读，其有效性已被公认为是测量旅游休闲活动方面综合性的分析工具。应用范围可以涵盖品牌形象、服务质量、顾客感知、满意度、产品表现、地区竞争力、旅游政策制定等各个方面。
一、IPA（Importance Performance Analysis）重要绩效法介绍
IPA分析模型是由Martilla, J.A. 和 James, J.C. 在1977 最早提出的，起先用于汽车经销商绩效分析，因其直观，实用性强，被旅游业界和学界广泛使用。
其基本思想是顾客对产品或服务的满意感源自其对于该产品或服务各属性的重视程度，以及对各属性绩效表现程度的评价。
IPA 分析法使重要性评价数据作为横坐标轴（或纵坐标轴），绩效表现评价数据作为纵坐标轴（或横坐标轴），从而划分出四个象限，分别代表不同的区域：包含“表现良好区”、“额外资源区”、“缓慢改进区”和“重点改进区”，（见图1）。
“Ⅰ”区为表现良好区，是重要性和绩效表现都高的区域，需继续保持；
“Ⅱ”区为额外资源区，是重要度低，绩效表现高的区域，不需要过多的投入；
“Ⅲ”区为缓慢改进区，是重要性和绩效表现都低的区域，优先级别最低；
“Ⅳ”区为重点改进区，是重要性高，绩效表现低的区域，需要重点改进。
图1. IPA四象限图
应用中也有将绩效表现作为横坐标轴的，相应的重要性则作为横坐标图，表达意思一样，表1中的象限“Ⅱ”和“Ⅳ”内容互换即可，如图2。
图2. IPA四象限图
研究分析的需要，当把分析指标绩效表现改为满意度测量时，把绩效表现评价，替换成满意度评价即可，相关于感知对比方面的分析与研究均可采用IPA分析法。见图3。
图3. IPA四象限图
IPA分析中重要度是从受访者的角度理解某事的重要程度，绩效表现或满意度是感受了某项产品或服务后的感知，顾客的主观感受在两个维度的评价上占了主要成分。这也是工具开发者从顾客视角分析问题，符合经典的服务利润链理论。
然而有些时候传统的IPA分析法所要求的假设条件较难满足（不能满足两个变量呈现线性相关，并相互独立），实践或研究的分析中得出各个区域的研究项目分布并非总能找到合理的解释。其次，该方法同一问题需要做出两次判断（重要度&绩效表现），题量大时，答题质量很难保证。为了保证有效性，又有统计学家对传统IPA分析法进行了优化，称为“修正IPA分析法”。另外在商业运用中是否需要进行修正分析，则需要对自述重要性和满意度进行相关性分析，检查相互是否存在较显著且严重的相关性。本文也将一并进行案例分析和对比。
（IPA修正分析采用偏相关系数，排除了其它满意度变量对指定变量与总体满意度之间的相关性的影响，只反映该变量与总体满意度之间的净相关，因此，偏相关系数能更加准确地反映真实的重要性评价）
二、IPA重要绩效分析法研究步骤分解
- 确定需要研究或分析的问题
如；
分析企业品牌形象属性及其重要性与绩效表现的分析；
分析酒店服务质量特征及其表现和宾客需求的匹配度；
顾客或员工满意度分析；
企业产品表现和被访者心理需求符合度；
企业竞争力分析；
旅游政策有效性分析；
涉及企业绩效表现或满意度和重要性之间的分析，等等。
2、挖掘相关研究指标的内在特征（评价要素），以此构建重要性&绩效表现量表
可以根据问题的规模和个人能力选择合适方法，如：
业内普遍使用的问卷量表；
直接借鉴成熟的量表；
通过文献回顾，甄选、重新组合成熟的量表；
通过专家调查法，开放性顾客问卷等方法收集相关测量项目，通过验证性因子分析获得；
运用扎根理论等等。
3、编制问卷
从以上步骤获得预估或假设的能体现“重要度”和“绩效表现”指标的属性后（我们称之为量表），开始用这些量表编制问卷，重要性与绩效表现量表一般采用李克特5点计分法，重要度量表划分为：非常不重要*1，不重要*2，一般*3，重要*4，非常重要*5，五个等级；绩效表现或满意度则划分为非常不满意*1，不满意*2，普通*3，满意*4，非常满意*5，五个等级，分值越高表示越重要或越满意。
问卷有很多规则，有时需要根据结果的理想程度不停地调整，定量研究中问卷搞不定，研究就进行不下去。
4、问卷发放
问卷收集是也是研究是否能取得有效成果的最关键环节之一。
企业内部员工、院校或培训机构师生的组织纪律性或关系优势，使得面向这些机构发放的问卷获得相对容易些。
而对于企业顾客、游客或其他相关者的问卷获取难度则比较大，传统的通过邮件，信件的方式回收时效长且数量有限，在会员有限的小型企业甚至个人研究者已经意义不大。
通过微信好友，朋友群，同学群可以获得一定数量的收获，但是动辄上百甚至更多样本量才能体现好的信度的研究难度可想而知。所以问卷一般都会涉及预算支出，比如通过专业的网上问卷调研，企业顾客则需要计划一些小礼品给与参与者的奖励等等。
涉及企业相对频繁的问卷调研则要尽量聚焦重要内容，能够一两分钟甚至更短的时间就能完成答题。
院校研究生的研究论文或课题受到统计教材的局限性，因其关心的是整个统计行业的分析问题，很少会考虑帮助企业管理者们解决周期性的或大样本问卷获得的难题，尤其是商业运用中需要有一些可以以少量的样本就能得出最大信息量的测评方法。便于商业运用，也是本号研学社研究的重点之一。
5、问卷数据的信度和效度检验
问卷回收后需要分析问卷样本数据的信度和效度，能够最大程度的保证数据的真实和有效。问卷研究中，普遍使用的统计分析软件是“SPSS”或“SAS”。
统计分析软件简介：
SPSS（Statistical Product and Service Solutions），“统计产品与服务解决方案”软件。它集数据录入、整理、分析功能于一身，其基本功能包括数据管理、统计分析、图表分析、输出管理等等。SPSS也有专门的绘图系统，可以根据数据绘制各种图形。在国际学术界有条不成文的规定，凡是用SPSS软件完成的计算和统计分析，可以不必说明算法。
SAS (Statistical Analysis System)是一个模块化、集成化的大型应用软件系统。其由数十个专用模块构成，功能包括数据访问、数据储存及管理、应用开发、图形处理、数据分析、报告编制、运筹学方法、计量经济学与预测等等。
一般掌握其中的一个分析软件则仅够日常研究分析之用。纵观研究案例，SPSS运用则更为普遍。
两款实用性强大的统计软件： “AMOS” 和“Mintab”
“AMOS” 是SPSS Statistics软件包中的独立产品，可单独下载使用，是近年兴起的功能强大的结构方程（SEM） 建模工具，是一款直观的拖放式绘图工具，可以快速地以路径图定制模型而无需编程，能通过分析潜变量来分析问题的复杂关系。一次性处理在SPSS中需要多步处理的多元分析，涵盖回归、因子分析、相关性分析和方差分析等传统多元分析方法的扩展，为理论研究提供更多的支持。在商业领域的品牌研究、顾客满意度等研究方面得到了广泛的应用；在我国，管理学、经济学、医学等领域得到了快速的发展。
“Minitab”软件是全球领先的质量管理和六西格玛实施软件工具，更是为企业持续质量改进而量身定制的优秀分析软件，以其强大的功能和简易的可视化操作深受广大五百强企业的青睐。其小样本的优势，结合SPSS运用在酒店服务业的数据化管理的实践中值得重点研学。
这些通用软件的使用需要进行相对专业的培训，尤其涉及专业论文的分析研究。
6、数据分析
本文分析的需要我们按照以上步骤和方法在某酒店发放了一份题为《酒店服务特征重要性和满意度感知调查》问卷，回收了103份有效问卷。
该问卷有37项酒店服务属性编号如下：
1）酒店实际房价，2）提供不同年龄群体顾客的服务，3）酒店服务人员仪容仪表，4）对顾客的关注度，5）酒店氛围，6）有健身房，7）有按摩浴缸、8）提供无烟客房，9）提供有组织的娱乐活动，10）有停车场，11）有餐饮场所，12）有休闲吧或酒吧，13）有游泳池，14）酒店的清洁度，15）客房的舒适度，16）酒店有SPA服务，17）公共区域的舒适度，18）酒店客房的装饰，19）酒店公共区域的装饰，20）提供24小时用餐服务，21)周边环境便利度，22)酒店服务效率，23）醒目标识和信息，24）酒店位置，25）服务人员的礼貌度，26）提供服务的快捷度，27）酒店的声誉，28）员工的服务响应程度，29）酒店的安全保障，30）按顾客需求提供服务，31）提供宽敞的卧室，32）提供早餐外带服务，33)提供特色餐饮服务，34）酒店维护与保养的标准，35）服务物有所值，36）卧室光线充足，37）公共区域光线充足。
本文仅对IPA分析相关的步骤和内容进行说明，不展开问卷分析中描述性或其他相关或差异的分析。
提示：进行修正IPA绩效分析，要在问卷中加入“对企业总体满意度或绩效表现”的问项。
三、IPA重要绩效分析法操作步骤分解
本例用SPSS统计分析软件
- 传统的纸质问卷回收后手动输入SPSS分析软件
- 通过问卷星，问卷网等发布的问卷，可以直接导出成SPSS格式文件。
对SPSS格式问卷进行分析
第一步：依次点击，分析（A） – 描述统计 – 描述(D) – 选择左框中的37项酒店属性（重要性）导入右边的变量框（V）- 选项（O）- 在均值（M）上✔ - 继续 - 确定后得出“描述统计量”表的结果 – 得到37项重要性均值
第二步：再次点击，分析（A） – 描述统计 – 描述(D) – 选择左框中的37项酒店属性（满意度）导入右边的变量框（V）- 选项（O）- 在均值（M）上✔ - 继续 - 确定后得出“描述统计量”表的结果 – 得出37项满意度问项均值
第三步：新建一个Excel文件，把第一、第二步SPSS查看器中生成的两个“描述统计量”表复制到新建的Excel文件中。
第四步：新建一个SPSS文件，把这37项属性按重要性均值和满意度均值的顺序再分别从Excel导入到SPSS文件的“数据视图”，如图4。并在“变量视图”名称栏改为重要度和满意度，如图5。（提示：新建的文件注意先做好保存）
图4
图5
第五步：在以上新建的SPSS文件中，依次点击，图形（G）--- 旧对话框（L） --- 散点/点状（S）--- 简单分布 --- 定义 --- 把简单散点图左框的“重要性”和“满意度”按顺序 --- 导入 Y轴（Y）和X轴（X）--- 点击“确定”--- 查看器中生成IPA初始图表（图6） --- 双击图表跳出编辑器（图7） --- 点击该编辑器工具栏图标
工具栏图标
，在X轴（满意度）和Y轴（重要性）分别添加参考线 --- 参考线位置均设置为均值。得到如（图8）的状态 --- 进一步点击数据标签
数据标签
，显示37个属性的数据标签，通过编辑器工具栏
工具栏
，增添需要的标题、注释等，还可以通过工具栏中其它按钮调整颜色、线条、圈点等的粗细、大小等，工具栏功能点击调试即可，此处不再详述，如图9。
图6. IPA初始图
图7. IPA初始图编辑器
图8. IPA初始图
图9 带数据标签的IPA图
四、通过IPA绩效法的自述重要性和满意度的相关性分析
通过此步骤的分析，能够大致了解问卷收集中，游客的满意度评价和重要性感知是否存在严重的相关性，而造成服务属性假设分区失真。
在初始的SPSS文件中，取顾客自述的37项重要性和37项满意度数据进行相关性分析操作（属SPSS基本操作，此处略）。本例采用双尾相关分析对两组指标之间的相关性进行检验。表1 列出了两组指标的相关检验结果，显示95%的置信区间内，37项服务属性中有30 项服务属性的重要性与满意度评价存在显著性（P值小于0.05），其中10项满意度和重要性感知呈高度相关（P值为0.000）。这说明使用自述重要性得分时，样本的满意度评价影响其相应的重要性感知，因此，IPA 分析法的四个象限的假设并不能全部满足，此例造成重要性和满意度较多显著性的原因，设置了太多的服务属性的数量，研究前可以考虑缩减数量。本例需要运用修正IPA分析，给与校正，使IPA分析四象限的假设最大可能的达到顾客内心的感知（科学的分析方法可以挖掘顾客内心的需求和超前预测）。
表 1 各服务属性的重要性与满意度之间的相关性检验
|
代码 |
重要性 |
满意度 |
Pearson相关系数 |
P值 |
|
1 |
4.24 |
4.37 |
0.152 |
0.314 |
|
2 |
4.13 |
4.11 |
0.325 |
0.028 |
|
3 |
4.43 |
4.59 |
0.542 |
0.000 |
|
4 |
4.63 |
4.61 |
0.369 |
0.012 |
|
5 |
4.13 |
4.11 |
0.300 |
0.043 |
|
6 |
3.74 |
3.85 |
0.294 |
0.047 |
|
7 |
3.80 |
3.85 |
0.486 |
0.001 |
|
8 |
4.09 |
4.13 |
0.501 |
0.000 |
|
9 |
3.63 |
3.91 |
0.516 |
0.000 |
|
10 |
4.54 |
4.61 |
0.512 |
0.000 |
|
11 |
4.65 |
4.39 |
0.433 |
0.003 |
|
12 |
4.20 |
4.22 |
0.256 |
0.086 |
|
13 |
4.54 |
4.57 |
0.305 |
0.039 |
|
14 |
4.85 |
4.63 |
0.258 |
0.083 |
|
15 |
4.83 |
4.48 |
0.237 |
0.112 |
|
16 |
4.43 |
4.26 |
0.339 |
0.021 |
|
17 |
4.52 |
4.54 |
0.621 |
0.000 |
|
18 |
4.48 |
4.50 |
0.403 |
0.005 |
|
19 |
4.50 |
4.52 |
0.370 |
0.011 |
|
20 |
4.02 |
4.35 |
0.513 |
0.000 |
|
21 |
4.43 |
4.07 |
0.200 |
0.182 |
|
22 |
4.72 |
4.52 |
0.531 |
0.000 |
|
23 |
4.24 |
4.39 |
0.412 |
0.004 |
|
24 |
4.43 |
4.33 |
0.541 |
0.000 |
|
25 |
4.76 |
4.67 |
0.438 |
0.002 |
|
26 |
4.72 |
4.63 |
0.576 |
0.000 |
|
27 |
4.67 |
4.48 |
0.457 |
0.001 |
|
28 |
4.70 |
4.59 |
0.404 |
0.005 |
|
29 |
4.91 |
4.59 |
0.316 |
0.033 |
|
30 |
4.72 |
4.50 |
0.431 |
0.003 |
|
31 |
4.63 |
4.57 |
0.358 |
0.015 |
|
32 |
4.17 |
4.30 |
0.191 |
0.204 |
|
33 |
4.37 |
4.22 |
0.381 |
0.009 |
|
34 |
4.61 |
4.41 |
0.389 |
0.008 |
|
35 |
4.63 |
4.43 |
0.408 |
0.005 |
|
36 |
4.67 |
4.61 |
0.274 |
0.066 |
|
37 |
4.63 |
4.61 |
0.315 |
0.033 |
五、修正IPA操作步骤
第一步：把顾客满意度中37项属性依次取对数。
继续打开SPSS格式文件 --- 点击“转换（T）”---点击“计算变量（C）设置目标变量和标签（如，目标变量设为S1，标签设为满意度1） --- 在函数组（G）框中点击“算术”--- 在函数和特殊变量（F）中点击“Ln” --- 数字表达式框出现“LN(？)”--- 点击LN（?）中的？---点击左边问题项中的对应满意度1的题项 --- 点击“确定”，如图10 --- 则SPSS编辑窗中的变量视图中会出现新的数据栏 --- 重复以上操作步骤，把所有的37项满意度依次取对数，此例则共新增37项满意度转化对数。
图10. 满意度转化对数操作图
第二步：用37项新增“满意度对数”数据和“总体满意度”数据做线性回归分析取得“偏相关性系数”
点击“分析（A）”--- 下拉菜单点击“回归（R）”--- 点击“线性(L)” --- 线性回归窗口，左栏标签中点击“总体满意度”导入因变量（D）栏 --- 左栏标签中点击“满意度1”导入自变量（I）栏 --- 点击“统计量（S）”--- 勾选“部分相关和偏相关性框”--- 点击“确定”，见图11 --- 查看器窗口会显示系数表，见图12 --- 本例满意度1（也即：1.酒店房价满意度），选择偏相关系数为0.681。
图11. 线性回归分析视窗
|
系数a | ||||
|
模型 |
相关性 | |||
|
零阶 |
偏 |
部分 | ||
|
1 |
01 酒店房价满意度 |
.681 |
.681 |
.681 |
|
a. 因变量: 3、请您对酒店的总体满意度进行评价 | ||||
图12. 满意度1偏相关系数结果图
重复修正IPA操作步骤第二步，获得共37个满意度的偏相关系数，为了避免满意度间相关性互相影响，37项都要做独立回归 --- 再把查看器窗口中的37个表中的偏相关系数复制到图4文件中的“数据视图”中（见图13）--- 在图5中的变量视图中更改为引申重要性（见图14）
图13
图14
第三步：
在加入“引申重要性”数据的SPSS文件中，重复以上“IPA重要绩效分析法操作步骤分解”第五步。绘制IPA图，要注意的是此处Y轴需要导入新加入的“引申重要性”，代替顾客的主观“重要性”。最终绘制如下图15。
图15. 修正IPA四象限图
对比以上自述重要性和满意度IPA重要绩效和修正IPA重要绩效，四个象限存在较大的区别，理论上说修正IPA绩效分析避免了误差，更科学，研究人员或企业管理者需要结合企业的实际情况，进一步分析资源现状，制定提升和解决方案。
不同的旅游酒店服务企业，由于地域、企业类型、客源类型和生命周期等的不同，有不同关注重点，只有掌握了科学的分析方法，才能从自身的实际出发，找到最适合企业的改进方案，最大化的实现利益相关者的满意度。
现代企业中凭经验、勇气和主观判断的方法和科学的分析法相比，必将处于劣势。
作者
管理学博士
六西格玛黑带
服务业六西格玛黑带教练
服务业数据化绩效研学社学长
,
