顾客满意度的核心问题是测评模型的构建，它将直接决定测评结果的准确性和是否能指导企业的满意度改进提升。近年来在满意度研究实践中普遍采用结构方程模型（Structural Equation Model，SEM），但是在具体测量模型的选择上鲜有人考虑，绝大部分的研究人员都当然的选择了反映型的测量模型（Reflective Measurement Model，RM）。他们或是因为软件工具的限制，或根本不知道还有另一种构成型模型（Formative Measurement Model，FM）的存在，从而在本应采用构成型模型的SEM中选择了反映型模型，导致不准确的测量结果，严重的还会误导企业的决策。

结构方程模型

顾客满意度（或称用户满意度、客户满意度）是一种主观质量标准，测量的是用户对产品或服务的主观评价。比如去商场购物，顾客感受的可能是便利性、商品的可选择性、服务质量等，这些主观感受往往是抽象的，不能直接观测到，需要通过一些可观测的项目或指标来测量，比如便利性可以通过交通方便、停车方便、营业时间合适等指标来测量，服务质量可以通过咨询服务、导购服务、结算服务等方面来测量，这就形成了结构方程模型。

在结构方程模型中，不可直接观测的变量称为结构变量或潜变量（Latent Variable，LV），例如上面提到的便利性、商品可选择性、服务质量等；用于测量这些结构变量的具体测量指标称为观测变量或显变量（Measurable Variable，MV），例如上面提到的停车方便、导购服务等。

结构方程模型是一种因果关系模型，它不像传统的统计方法一样一次只能处理一个因变量和它的几个自变量之间的关系，它可以同时计算多个因变量之间的关系。它的出现可以说是统计研究领域的一次革命，在管理科学、经济学、营销学、社会学、化学、医学等领域得到了广泛的应用，是目前国际上普遍采用的领先的满意度分析方法。

顾客满意度测评模型是根据消费者行为和顾客满意理论研究成果建立的结构方程模型，由于模型中的变量选择和变量之间的关系界定直接影响到顾客满意度测评的准确性、测评工作的效率以及测评结果与分析结果的实际应用价值，因此测评模型是满意度测评和分析中的核心基础问题。

在结构方程模型中的变量有两种关系，一种是结构变量之间的关系，叫做内部关系，一种是观测变量与结构变量之间的关系，叫做外部关系。相应的，处理内部关系的模型叫做结构模型，处理外部关系的模型叫做测量模型，结构模型和测量模型共同构成结构方程模型。

图1是某IT产品的满意度测评模型示例，其中有品牌形象、使用体验、售后服务、感知价值、满意度、忠诚度六个结构变量，前四个变量影响满意度，是满意度的原因结构变量，满意度为忠诚度的原因结构变量。每个结构变量通过若干观测变量进行测量，以方框表示。图中红色箭头表示的是结构变量之间的内部关系，蓝色箭头表示每个观测变量与所属的结构变量的外部关系。

图1 结构方程模型示例

构成型与反映型模型

构成型和反映型模型均指SEM的测量模型，即观测变量与结构变量的外部关系，有时也将构成型模型称为观测变量与其所属结构变量是构成型关系，将反映型模型称为反映型关系。

构成型关系中结构变量是由观测变量引起的，各观测变量共同构成和表示为该结构变量，观测变量决定了结构变量的概念和性质，结构变量相当于各观测变量的组合，不能脱离观测变量而独立存在；而反映型关系正相反，观测变量是由结构变量引起的，是相应结构变量效果的表现或反映，结构变量是各个观测变量的公共因子。

一般来讲，构成型模型中结构变量表现为观测变量与随机变量的线性组合，用公式表示为：，其中为结构变量，为该结构变量的观测变量，共k个，为观测变量的系数（或称权重，其含义为该观测变量对结构变量的影响大小），为误差项。反映型模型中结构变量表现为观测变量的公共因子，用公式表示为：，其中为载荷系数，为误差项。

在反映型关系中，结构变量的变化会导致所有观测变量发生变化，各观测变量在本质上是相同的，观测变量数量的变化并不会导致结构变量定义的变化。例如图1中的满意度和忠诚度就是反映型关系。由于各观测变量都是结构变量的反映，他们之前可能存在较强的相关性或共线性。

在构成型关系中，观测变量的选取直接决定了结构变量的概念，其数量的变化直接影响结构变量的范畴，每个观测变量表示的是结构变量的某一个方面，观测变量之间尽量独立或有较小的相关性。在图1的模型中，四个原因结构变量均采用构成型关系。

在同一个结构方程模型中，有些结构变量与其观测变量是构成型关系，另一些可以是反映型关系，两者并存，这种模型有时称为混合型模型。在理论研究中，也可以存在这样的结构变量，它既包含构成型的观测变量，也包含反映型的观测变量，这种模型容易造成指标体系的混乱，应用价值不大，因此一般不在市场研究的实践中采用。

构成型模型适用于满意度的改进提升

那么在满意度测评的实践中应该如何选择测量模型的关系类型呢？

一般来说，如果满意度测评的目的仅仅是为了得到满意度的定量得分结果，而不关心各项指标对最终满意度的影响大小，不考虑满意度的改进提升的话，采用哪种测量模型是无所谓的。

通过大量的实证研究，我们发现无论是构成型还是反映型关系，对模型内部关系的参数估计结果都是相同的或差异很小的，也就是说两种测量模型得到的结构变量之间的相互影响大小是一致的。

两种关系的主要差异在于对观测变量与结构变量之间参数的估计上。如前所述，反映型关系得到的观测变量系数是载荷系数，体现的更多是该观测变量与所属结构变量的相关性；而构成型关系计算得到的观测变量系数是各个观测变量对所属结构变量的权重或影响系数。

我们知道，满意度测评一般不会仅仅满足于得到满意度分值，而更重要的是如何改进和提升满意度，要实现这样的目标，就要将用户的最终满意度层层剥茧，满意度分解为结构变量，结构变量分解为观测变量，成为有层次的指标体系，每个下级的指标都应该是上级指标的原因，最下层的指标要非常具体，可以指导企业采取适当的管理措施来改进。这样就要求测评指标的设计要尽量具体，同时指标之间尽量不要有重叠，每个指标体现的是一个具体方面的感知和评价，这样才能有针对性的找到具体的管理措施和手段，将改进客户体验的任务下发到具体的责任部门甚至责任人的头上。这样，每个观测变量都应该是其所属结构变量的影响因素，而非效果的反映，观测变量的系数应该是对结构变量的影响权重。显然，只有构成型的测量模型才可以达到这个目的。

由于反映型和构成型模型具有不同的统计计算公式和实际管理意义，在构建满意度测评模型时就要考虑采用哪种模型，据此设计满意度指标体系，再进行问卷的设计和执行调查。如果在建模时不考虑测评目的及两类模型的统计差异，最终会导致测评结果的较大偏差。

下面以一个实际的例子说明两种模型计算结果的差异。

表1中的五个观测变量为某餐饮企业满意度测评模型的一部分，其所属的结构变量为食品外卖服务。系数(FM)列是采用构成型关系计算得到的系数，系数(RM)是采用反映型关系计算的系数。除了品种丰富指标外，两种方法得到的系数存在较大差异，特别是价格合理和人员服务两个指标的影响系数。

表1 构成型与反映型关系结果对比

从指标本身的设计看，这几个观测变量表示的是食品外卖服务的不同方面，共同构成了食品外卖结构变量，适合于采用构成型模型。构成型模型的计算结果显示对顾客外卖服务满意度影响最大的是人员服务，价格合理的得分最低，但其影响很小，也就是说，顾客虽然对价格不满意，但这并非影响其对整体服务是否满意的关键因素，人员服务和品种丰富才是他们最关心的。从这几个指标的得分和影响大小综合考虑，品种丰富的评价相对较低而影响较大，应该优先改进这项指标。而如果按照反映型关系的计算结果，优先改进的应该是价格，这就会严重误导决策者。

在这个示例中我们看到，采用反映型关系计算得到的几个观测变量的系数差别很小，这正是由于前面所说的反映型关系的内在逻辑造成的，这也正是在结构方程模型应用中对测量模型关系缺乏正确认识导致的通病。

采用PLS算法进行构成型模型的计算

结构方程模型是一种复杂的统计分析技术，需要借助一定的软件工具实现模型的参数估计和数据分析，目前已经有一些比较成熟的软件包，例如LISREL、AMOS、EQS等。

但遗憾的是，这些软件包一般只支持反映型的测量模型。这些软件依据的是协方差矩阵分析，采用极大似然估计、广义最小二乘法等方法，这些方法有严格的假定条件，对数据的分布有严格的要求，一般要求变量服从正态分布，而满意度数据不满足这样的统计假设，往往是非正态的右偏分布，有时出现双峰甚至三峰。在这方面偏最小二乘法（Partial Least Squares，PLS）具有明显的优势。

PLS是一种新型的多元数据分析方法，集多个因变量对多个自变量的路径建模、典型相关分析以及主成分分析为一体，在一次计算之后，可以同时实现预测建模、两组变量间的相关分析以及对多变量系统的综合简化。PLS分析的主要目的是建立多个因变量与多个自变量之间的回归模型，特别是在自变量集合或在因变量集合中存在严重的多重共线性时更为适用。PLS算法对数据的分布没有要求，与其他方法相比，计算结果更为可靠和稳定。目前主要发达国家的国家满意指数以及中国的国家满意指数均采用此方法。

更为重要的是，PLS既支持反映型模型，又支持构成型模型，在模型构建时可以根据需要灵活设定结构方程模型中的外部关系类型。一般我们建议在国家或行业的满意度指数测评、仅用于获得满意度得分结果的测评时采用反映型关系，企业一般的满意度测评应以构成型关系为主（满意度和忠诚度采用反映型关系），从而有效的指导企业改进和提升满意度。