顾客满意度研究是市场研究中的重要部分，越来越多的企业/组织都在委托第三方进行顾客满意度测评。在与市场研究公司接触的过程中，企业/组织可能发现不同的公司采用的研究方法有很大的差异，即使某些公司采取类似的方法，但是在具体操作上也有很大的不同。那么怎样辨别不同公司采取的方法和调研方案的优劣呢？笔者本文就是尝试从下列几个方面为顾客满意度研究的委托方解决上述疑问。
一、顾客满意度测评现状
最近几年来，顾客满意度这一概念在中国传播得如火如荼。顾客满意度评价排名成为众多企业对外宣传和公关的手段。经常出现的一种情况是：在某一行业内，某一个品牌或者某几个品牌被某个机构或者某家公司评定为该行业内的顾客满意最佳品牌，其竞争对手则通过另外的机构或者公司，把自己评定为行业内的最佳。顾客满意度分值和排名，成了品牌拥有者的一件华丽外衣，可以通过赞助、委托调查等方式获取到。于是乎，我们通常见到的是：XX品牌的顾客满意率99％，或者YY品牌的顾客满意度分值95分等等。这些品牌的满意率或者满意度真的有那么高吗？
国内权威的顾客满意度研究机构——清华大学中国企业研究中心在最近几年公布的中国用户满意度指数中，不同行业中的主要品牌，其用户满意度分值在70－85分之间居多。和某些品牌宣传的高分值差别很大。为什么会出现这种差别呢，主要的原因如下：
1、采用的方法论和分析计算手段不一样；
2、采用的调查手段和控制措施不同，造成了误差；
3、中国有句俗话：“拿人钱财，替人消灾”。如果委托方提供了经费或者赞助，那么受委托方可能就难以客观地评价。
4、清华大学中国企业研究中心主导的中国用户满意指数（CCSI）研究是由完全独立的第三方进行调查，在全国50个城市通过固定电话完全随机抽样调查完成。其公正性和代表性得到国家相关主管部门的认可和消费者的信任。
根据直觉，消费者往往对很多产品的满意率能够达到99％或者满意度分值达到95分以上表示质疑。如果真的有这么高的满意率或满意度分值，这些企业在其目标市场应该占有绝对优势，而事实并非如此。实际上，正是由于消费者各种不满意因素的存在，才推动了市场的多样化发展以及竞争的多元化。
二、测评顾客满意度的作用
管理中有句名言：“NO MEASUREMENT, NO MANAGEMENT.” 就是说“没有测量，就没有管理”。顾客满意度测评就是对现有顾客的购买、使用某产品/服务全过程的满意程度进行测量。作为企业，顾客满意度排名诚然重要，因为通过客观的评测和排名，可以了解自身品牌在行业中的地位。这种地位是通过顾客的视角和感知得到的，顾客是通过这种感知来决定自己是否重复购买该品牌产品，或者交叉购买该品牌的其它产品，或者向亲戚朋友推荐购买该品牌产品。满意而导致的上述忠诚行为，可以对企业的绩效产生直接的影响。
除了了解满意度现状以外，顾客满意度调查的另外一个重要目的是指导企业提升顾客满意度。要达到这一目的，仅知道顾客满意度的高低和排序还不够，还需要知道影响顾客满意度的驱动要素有哪些，企业在这些要素上的表现如何，这些要素对目标顾客的满意度影响有多大。回答了上述问题，才可能有的放矢地指导企业提升顾客满意度。要回答这些问题，就需要通过严格的调查研究和统计分析手段才能达到。
三、常见的顾客满意度测评方法
由于顾客满意度概念的热销，许多市场调查公司、咨询公司都声称能够进行顾客满意度测评。基于不同的目的、自身技术力量的限制以及委托方预算的高低，开展顾客满意度测评的方法形形色色，非常多。整体归纳起来，可以大概划分为以下几种：
方法1：简单易行型
本方法直截了当地问：“你对XX品牌的产品/服务总体上满意吗？”受访者可以进行选项或者打分。
这种方式效率高，容易回答，可以询问受访者对多个品牌的满意度评价，从而了解到消费者对竞争品牌的总体评价。但是，由于这样一个问题太过简单，受访者的回复在很多情况下由于没有时间仔细考虑被调查产品的方方面面，其选择通常趋向于中庸的选项。这就好像，当您和朋友聚餐后，回家父母问你饭吃得怎样。回答通常是“还可以”、“还行”、“不错”等。事实上，被问者并没有仔细去考虑饭菜质量、服务质量、价格等各种要素，而且可能选择肯定回答的主要原因在于聚会时和朋友聊得不错，或者遇见了初恋女友，心情不错的缘故。
方法2：双重评价型
这种方式需要调查设计者找到一些影响满意度的驱动要素，然后让受访者对被调查品牌在该驱动要素上的表现打分，同时还要对该驱动要素对其重要程度进行打分。
问题比如：“请问XX品牌洗衣粉的溶解性能怎么样，可以打几分？”；“洗衣粉的溶解性能对您而言重要吗，请选择”。
之所以这样设计，目的是不仅仅了解顾客对某品牌产品/服务的满意度高低，而且了解对相应的满意度驱动要素的评价高低。除此之外，了解消费者对这些驱动要素的看重度（自述重要性），即对哪些要素更加重视，哪些不那么重视。了解了这些要素以后，在确定满意度提升措施的时候，可以重点提升那些消费者评价低，而重要性高的要素。
这种方法考虑到满意度驱动要素，是一种进步。但是也存在几个缺陷：
A．根据我们的经验，通过这种方式让受访者对满意度驱动要素选择其重要程度，受访者对大部分要素都选择了非常重要或者重要。这种方式难以区分开消费者对不同要素的真实看重程度。
B．我们的目的是要找到驱动要素对满意度的影响大小。用驱动要素对受访者的重要性替代这一概念，这种“概念替换”经常会误导企业的资源配置。比如说，对飞行乘客而言，飞机的安全性无可置疑是他们认为最重要的要素。但是，该要素其实是航空公司的一个必备要素，达到一定的水平后，进一步增加其表现，并不能明显增加飞行乘客的满意度。根据我们的经验以及国外调查的结果，飞行中的餐饮质量、两排座椅间的距离大小、常旅客计划的吸引力等要素，是乘坐航班满意度的重要影响要素。这些方面的改进，能够明显提升飞行乘客的满意度。
C．这种方式需要受访者对每个驱动要素的表现和重要性分别进行评估，必定会占用受访者较多的时间和精力，从而增加了调查成功的难度。
本方法目前在企业自身实施的满意度调查中应用得比较广泛，因为其应用基本不需要太多的统计分析技术，实施简单。
方法3：双重评价改进型
这种调查方式是在上一种方式的基础上改进而得到的。具体方法是：假定全部要素的重要性合计为100，受访者在对每个调查要素给予重要性权重的时候，最终需要使得权重和为100。这种方法可以部分弥补上面提到的A类缺陷，但是当驱动要素的数量较多，比如多于6个时，受访者就非常难以准确地分配好权重。而实际生活中，某产品/服务的满意度驱动要素常常在10个以上。
本方法无法解决上一方法中的缺陷B和C。
方法4：采用多元线性回归统计分析技术
随着市场调查分析技术的发展，统计工具在市场研究中应用得越来越多。利用多元回归分析技术，可以计算出满意度驱动要素对满意度的影响大小。这种影响大小可以解释为，在其它要素不变的情况下，某满意度驱动要素提升1分，满意度在现有的基础上可以提升多少分。
当满意度的驱动要素非常少，而且这些要素相互之间的相关性很弱时，这种方法不失为一种简单有效的方法。
然而，实际生活中，影响消费者对某种产品/服务满意度的要素通常非常多，而且这些要素越细化，对企业而言，在确定满意度提升措施时才更具有可操作性。随着影响要素的增加和细化，如果采用多元回归的方式，计算出来的影响要素一般会由于这些要素的相互作用和影响（统计学中叫做共线性），其数值变得无法解释现实情况。比如，在汽车4S店销售服务满意度的调查中，出现销售人员专业知识的掌握程度对消费者满意度的影响为-0.21这种无法解释的情况（系数为-0.21表示消费者对销售人员专业知识的评价提高1分，其满意度反而减少0.21分）。一般而言，多元回归适用于自变量少于6个的分析当中。
为了减少共线性的影响，可以尝试采用减少共线性影响的统计工具，比如岭回归。但是采用岭回归在消除共线性影响的同时，也削弱了数据分析的精度。此外，岭回归的结果无法进行统计检验，并且需要人为干预最终结果。因此在实践中用得不多。
多元回归的另外一个局限性是只能处理一个因变量，多个自变量之间的关系。而在现实生活中，满意度驱动要素之间通常也存在明显的相互影响，通过多元回归无法解决这一问题。
从科学的角度看，随着新的分析研究技术的涌现，回归统计分析技术已经不太适用于顾客满意度的研究领域。
方法5：采用多次多元线性回归技术
把变量划分为3级以上，以空调用户满意度示例如下：
第一级变量：满意度或者忠诚度；
第二级变量：售前售中服务、产品质量、售后服务等；
第三级变量（售后服务）：报修过程、上门人员服务规范、维修效果、增值服务等。
第四级变量（保修过程）：报修电话畅通、话务员服务态度、话务员专业知识、话务员维修时间安排合理等。
下一级变量作为自变量，上一级变量中对应的某个变量作为因变量进行回归。层层向上递推，得到每一级的回归系数，进而导出最下层变量对最上层变量的影响大小。
这个方法看似有理，把一个一个局部的内在联系单独分析，然后往上推导。实际上，这很容易陷入“瞎子摸象”的误区中。因为所有的满意度驱动要素对最终的满意度都存在或大或小的影响，这些要素之间也存在一定的相关关系，完全把一个个的局部独立分析，不从全局的角度统筹考虑、统一分析数据之间的关系，计算推导出的影响大小很容易“失真”。
此外，这种方法也无法处理一个自变量影响多个因变量的情况。
方法6：构建结构方程模型，用通用软件计算
结构方程模型是一种因果关系模型，通过要素间的因果关系/准因果关系来揭示现实生活中的相互关系。目前广泛地应用于许多市场研究分析当中，它也是目前国际上流行的顾客满意度研究分析手段。
一个有效实用的顾客满意度研究结构方程模型的构建，需要对顾客需求和感知进行深入研究，通过大量的前期工作，比如顾客焦点小组访谈、顾客需求分解、顾客预调查、行业专家拜访、购买消费现场观察等多种手段，才能构建起一个基础模型。然后通过消费者试调查，采集到一定的数据后，对数据进行多种统计处理、分析和检验，根据相应的结果对模型进行必要的调整，然后才能应用到实际的顾客满意度分析当中去。否则的话，随意构建的模型只能成为使得数字游戏显得高深莫测的工具。
由于一个有效结构方程模型构建的复杂程度很高，所以目前采用结构方程模型进行满意度分析的机构和研究公司不是很多。在结构方程模型构建的过程中，需要进行前期的定性研究和定量预调查，并通过探索性因子分析、验证性因子分析等方法确定结构方程模型是否能够真的反映现实状况。验证性因子分析的相应统计检验指标需要达到标准，否则随便采用本方法，就像一栋大楼建立在浮沙上，可能外观漂亮，但是却不能住人。
即使采用了结构方程模型构建了变量之间的关系，但是具体对数据进行处理时，一般都是采用通用软件进行处理，比如用SAS，Liserel，Amos等。这些软件都可以较好地处理一般的结构方程模型，但是对数据有一个基本的要求，那就是调查数据应该基本符合正态分布。但是，对满意度数据而言，由于满意度调查的数据本身是有偏的（这是因为，满意度的调查对象是已经购买了某种产品/服务的用户，既然他们选择了这种产品/服务，对所选择的产品/服务在某些方面肯定是比较满意的，因此数据呈现明显的右偏特征），甚至是双峰分布的（比如在10分制的调查中，在7分和9分出现了2个峰值），通过通用软件内嵌的算法计算得到的结果偏差较大。只有通过专门的用户满意度分析软件（采用偏最小二乘法PLS算法）来完成，才能精确确定满意度驱动要素和满意度之间的影响大小。否则的话，即使模型构建得很好，数据采集没有偏差，最终的结果也可能误导企业决策。
方法7：构建结构方程模型构，用专用PLS软件计算
偏最小二乘法（PLS）算法可以有效计算原始数据右偏的数据关系，因而成为分析满意度数据的最适合工具。目前，美国用户满意指数（ACSI）、瑞典用户满意指数、欧洲用户满意指数、中国用户满意指数（CCSI）等国家级用户满意度研究都是采用结构方程模型构建关系，通过偏最小二乘法（PLS算法）进行计算分析。
小结
目前，在满意度研究领域，能够熟练构建用户满意度分析结构方程模型，采用专门的PLS算法计算软件分析数据，并且同时具有丰富的行业和企业满意度分析经验的市场研究机构，还是凤毛麟角。整个满意度研究领域正处于一个规范化的进程当中。由于顾客满意度研究对企业的重大指导作用，科学高效的研究方法和手段将成为满意度研究机构的核心竞争力，其研究成果将为提高整个社会的整体满意水平，指导企业更加合理地配置资源提供科学决策依据。
一、顾客满意度测评现状
最近几年来，顾客满意度这一概念在中国传播得如火如荼。顾客满意度评价排名成为众多企业对外宣传和公关的手段。经常出现的一种情况是：在某一行业内，某一个品牌或者某几个品牌被某个机构或者某家公司评定为该行业内的顾客满意最佳品牌，其竞争对手则通过另外的机构或者公司，把自己评定为行业内的最佳。顾客满意度分值和排名，成了品牌拥有者的一件华丽外衣，可以通过赞助、委托调查等方式获取到。于是乎，我们通常见到的是：XX品牌的顾客满意率99％，或者YY品牌的顾客满意度分值95分等等。这些品牌的满意率或者满意度真的有那么高吗？
国内权威的顾客满意度研究机构——清华大学中国企业研究中心在最近几年公布的中国用户满意度指数中，不同行业中的主要品牌，其用户满意度分值在70－85分之间居多。和某些品牌宣传的高分值差别很大。为什么会出现这种差别呢，主要的原因如下：
1、采用的方法论和分析计算手段不一样；
2、采用的调查手段和控制措施不同，造成了误差；
3、中国有句俗话：“拿人钱财，替人消灾”。如果委托方提供了经费或者赞助，那么受委托方可能就难以客观地评价。
4、清华大学中国企业研究中心主导的中国用户满意指数（CCSI）研究是由完全独立的第三方进行调查，在全国50个城市通过固定电话完全随机抽样调查完成。其公正性和代表性得到国家相关主管部门的认可和消费者的信任。
根据直觉，消费者往往对很多产品的满意率能够达到99％或者满意度分值达到95分以上表示质疑。如果真的有这么高的满意率或满意度分值，这些企业在其目标市场应该占有绝对优势，而事实并非如此。实际上，正是由于消费者各种不满意因素的存在，才推动了市场的多样化发展以及竞争的多元化。
二、测评顾客满意度的作用
管理中有句名言：“NO MEASUREMENT, NO MANAGEMENT.” 就是说“没有测量，就没有管理”。顾客满意度测评就是对现有顾客的购买、使用某产品/服务全过程的满意程度进行测量。作为企业，顾客满意度排名诚然重要，因为通过客观的评测和排名，可以了解自身品牌在行业中的地位。这种地位是通过顾客的视角和感知得到的，顾客是通过这种感知来决定自己是否重复购买该品牌产品，或者交叉购买该品牌的其它产品，或者向亲戚朋友推荐购买该品牌产品。满意而导致的上述忠诚行为，可以对企业的绩效产生直接的影响。
除了了解满意度现状以外，顾客满意度调查的另外一个重要目的是指导企业提升顾客满意度。要达到这一目的，仅知道顾客满意度的高低和排序还不够，还需要知道影响顾客满意度的驱动要素有哪些，企业在这些要素上的表现如何，这些要素对目标顾客的满意度影响有多大。回答了上述问题，才可能有的放矢地指导企业提升顾客满意度。要回答这些问题，就需要通过严格的调查研究和统计分析手段才能达到。
三、常见的顾客满意度测评方法
由于顾客满意度概念的热销，许多市场调查公司、咨询公司都声称能够进行顾客满意度测评。基于不同的目的、自身技术力量的限制以及委托方预算的高低，开展顾客满意度测评的方法形形色色，非常多。整体归纳起来，可以大概划分为以下几种：
方法1：简单易行型
本方法直截了当地问：“你对XX品牌的产品/服务总体上满意吗？”受访者可以进行选项或者打分。
这种方式效率高，容易回答，可以询问受访者对多个品牌的满意度评价，从而了解到消费者对竞争品牌的总体评价。但是，由于这样一个问题太过简单，受访者的回复在很多情况下由于没有时间仔细考虑被调查产品的方方面面，其选择通常趋向于中庸的选项。这就好像，当您和朋友聚餐后，回家父母问你饭吃得怎样。回答通常是“还可以”、“还行”、“不错”等。事实上，被问者并没有仔细去考虑饭菜质量、服务质量、价格等各种要素，而且可能选择肯定回答的主要原因在于聚会时和朋友聊得不错，或者遇见了初恋女友，心情不错的缘故。
方法2：双重评价型
这种方式需要调查设计者找到一些影响满意度的驱动要素，然后让受访者对被调查品牌在该驱动要素上的表现打分，同时还要对该驱动要素对其重要程度进行打分。
问题比如：“请问XX品牌洗衣粉的溶解性能怎么样，可以打几分？”；“洗衣粉的溶解性能对您而言重要吗，请选择”。
之所以这样设计，目的是不仅仅了解顾客对某品牌产品/服务的满意度高低，而且了解对相应的满意度驱动要素的评价高低。除此之外，了解消费者对这些驱动要素的看重度（自述重要性），即对哪些要素更加重视，哪些不那么重视。了解了这些要素以后，在确定满意度提升措施的时候，可以重点提升那些消费者评价低，而重要性高的要素。
这种方法考虑到满意度驱动要素，是一种进步。但是也存在几个缺陷：
A．根据我们的经验，通过这种方式让受访者对满意度驱动要素选择其重要程度，受访者对大部分要素都选择了非常重要或者重要。这种方式难以区分开消费者对不同要素的真实看重程度。
B．我们的目的是要找到驱动要素对满意度的影响大小。用驱动要素对受访者的重要性替代这一概念，这种“概念替换”经常会误导企业的资源配置。比如说，对飞行乘客而言，飞机的安全性无可置疑是他们认为最重要的要素。但是，该要素其实是航空公司的一个必备要素，达到一定的水平后，进一步增加其表现，并不能明显增加飞行乘客的满意度。根据我们的经验以及国外调查的结果，飞行中的餐饮质量、两排座椅间的距离大小、常旅客计划的吸引力等要素，是乘坐航班满意度的重要影响要素。这些方面的改进，能够明显提升飞行乘客的满意度。
C．这种方式需要受访者对每个驱动要素的表现和重要性分别进行评估，必定会占用受访者较多的时间和精力，从而增加了调查成功的难度。
本方法目前在企业自身实施的满意度调查中应用得比较广泛，因为其应用基本不需要太多的统计分析技术，实施简单。
方法3：双重评价改进型
这种调查方式是在上一种方式的基础上改进而得到的。具体方法是：假定全部要素的重要性合计为100，受访者在对每个调查要素给予重要性权重的时候，最终需要使得权重和为100。这种方法可以部分弥补上面提到的A类缺陷，但是当驱动要素的数量较多，比如多于6个时，受访者就非常难以准确地分配好权重。而实际生活中，某产品/服务的满意度驱动要素常常在10个以上。
本方法无法解决上一方法中的缺陷B和C。
方法4：采用多元线性回归统计分析技术
随着市场调查分析技术的发展，统计工具在市场研究中应用得越来越多。利用多元回归分析技术，可以计算出满意度驱动要素对满意度的影响大小。这种影响大小可以解释为，在其它要素不变的情况下，某满意度驱动要素提升1分，满意度在现有的基础上可以提升多少分。
当满意度的驱动要素非常少，而且这些要素相互之间的相关性很弱时，这种方法不失为一种简单有效的方法。
然而，实际生活中，影响消费者对某种产品/服务满意度的要素通常非常多，而且这些要素越细化，对企业而言，在确定满意度提升措施时才更具有可操作性。随着影响要素的增加和细化，如果采用多元回归的方式，计算出来的影响要素一般会由于这些要素的相互作用和影响（统计学中叫做共线性），其数值变得无法解释现实情况。比如，在汽车4S店销售服务满意度的调查中，出现销售人员专业知识的掌握程度对消费者满意度的影响为-0.21这种无法解释的情况（系数为-0.21表示消费者对销售人员专业知识的评价提高1分，其满意度反而减少0.21分）。一般而言，多元回归适用于自变量少于6个的分析当中。
为了减少共线性的影响，可以尝试采用减少共线性影响的统计工具，比如岭回归。但是采用岭回归在消除共线性影响的同时，也削弱了数据分析的精度。此外，岭回归的结果无法进行统计检验，并且需要人为干预最终结果。因此在实践中用得不多。
多元回归的另外一个局限性是只能处理一个因变量，多个自变量之间的关系。而在现实生活中，满意度驱动要素之间通常也存在明显的相互影响，通过多元回归无法解决这一问题。
从科学的角度看，随着新的分析研究技术的涌现，回归统计分析技术已经不太适用于顾客满意度的研究领域。
方法5：采用多次多元线性回归技术
把变量划分为3级以上，以空调用户满意度示例如下：
第一级变量：满意度或者忠诚度；
第二级变量：售前售中服务、产品质量、售后服务等；
第三级变量（售后服务）：报修过程、上门人员服务规范、维修效果、增值服务等。
第四级变量（保修过程）：报修电话畅通、话务员服务态度、话务员专业知识、话务员维修时间安排合理等。
下一级变量作为自变量，上一级变量中对应的某个变量作为因变量进行回归。层层向上递推，得到每一级的回归系数，进而导出最下层变量对最上层变量的影响大小。
这个方法看似有理，把一个一个局部的内在联系单独分析，然后往上推导。实际上，这很容易陷入“瞎子摸象”的误区中。因为所有的满意度驱动要素对最终的满意度都存在或大或小的影响，这些要素之间也存在一定的相关关系，完全把一个个的局部独立分析，不从全局的角度统筹考虑、统一分析数据之间的关系，计算推导出的影响大小很容易“失真”。
此外，这种方法也无法处理一个自变量影响多个因变量的情况。
方法6：构建结构方程模型，用通用软件计算
结构方程模型是一种因果关系模型，通过要素间的因果关系/准因果关系来揭示现实生活中的相互关系。目前广泛地应用于许多市场研究分析当中，它也是目前国际上流行的顾客满意度研究分析手段。
一个有效实用的顾客满意度研究结构方程模型的构建，需要对顾客需求和感知进行深入研究，通过大量的前期工作，比如顾客焦点小组访谈、顾客需求分解、顾客预调查、行业专家拜访、购买消费现场观察等多种手段，才能构建起一个基础模型。然后通过消费者试调查，采集到一定的数据后，对数据进行多种统计处理、分析和检验，根据相应的结果对模型进行必要的调整，然后才能应用到实际的顾客满意度分析当中去。否则的话，随意构建的模型只能成为使得数字游戏显得高深莫测的工具。
由于一个有效结构方程模型构建的复杂程度很高，所以目前采用结构方程模型进行满意度分析的机构和研究公司不是很多。在结构方程模型构建的过程中，需要进行前期的定性研究和定量预调查，并通过探索性因子分析、验证性因子分析等方法确定结构方程模型是否能够真的反映现实状况。验证性因子分析的相应统计检验指标需要达到标准，否则随便采用本方法，就像一栋大楼建立在浮沙上，可能外观漂亮，但是却不能住人。
即使采用了结构方程模型构建了变量之间的关系，但是具体对数据进行处理时，一般都是采用通用软件进行处理，比如用SAS，Liserel，Amos等。这些软件都可以较好地处理一般的结构方程模型，但是对数据有一个基本的要求，那就是调查数据应该基本符合正态分布。但是，对满意度数据而言，由于满意度调查的数据本身是有偏的（这是因为，满意度的调查对象是已经购买了某种产品/服务的用户，既然他们选择了这种产品/服务，对所选择的产品/服务在某些方面肯定是比较满意的，因此数据呈现明显的右偏特征），甚至是双峰分布的（比如在10分制的调查中，在7分和9分出现了2个峰值），通过通用软件内嵌的算法计算得到的结果偏差较大。只有通过专门的用户满意度分析软件（采用偏最小二乘法PLS算法）来完成，才能精确确定满意度驱动要素和满意度之间的影响大小。否则的话，即使模型构建得很好，数据采集没有偏差，最终的结果也可能误导企业决策。
方法7：构建结构方程模型构，用专用PLS软件计算
偏最小二乘法（PLS）算法可以有效计算原始数据右偏的数据关系，因而成为分析满意度数据的最适合工具。目前，美国用户满意指数（ACSI）、瑞典用户满意指数、欧洲用户满意指数、中国用户满意指数（CCSI）等国家级用户满意度研究都是采用结构方程模型构建关系，通过偏最小二乘法（PLS算法）进行计算分析。
小结
目前，在满意度研究领域，能够熟练构建用户满意度分析结构方程模型，采用专门的PLS算法计算软件分析数据，并且同时具有丰富的行业和企业满意度分析经验的市场研究机构，还是凤毛麟角。整个满意度研究领域正处于一个规范化的进程当中。由于顾客满意度研究对企业的重大指导作用，科学高效的研究方法和手段将成为满意度研究机构的核心竞争力，其研究成果将为提高整个社会的整体满意水平，指导企业更加合理地配置资源提供科学决策依据。