顾客满意度测评是一项专业性较强的工作，需要一整套规范化的流程和方法，来保证满意度测评结果的科学性和准确性。
指标体系的建立是满意度测评的基础，满意度调查指标需要包含对顾客满意度影响大，消费者感觉重要的要素。指标体系的完备性和科学性是保证满意度调查结果能够有效指导企业经营活动的必要条件。
满意度指标不能仅从管理者的角度确定，一定要基于顾客的感知和关注点来确定，通过一些研究方法和流程保证指标体系的完备性。一般包括定性研究和定量研究两部分。定性研究可以采取顾客深度访谈或焦点小组座谈会的方式，选取实际购买产品/接受服务的顾客，了解他们在信息获取、购买过程、使用体验、售后服务等过程中的感受，挖掘影响其满意度的关键因素，同时结合二手资料的收集，形成指标体系备选集合；通过定量的顾客访谈，请他们评价定性研究确定的这些指标对其满意度的影响程度，并列举未提及的其他指标，从而得到经过筛选的满意度指标体系集合。最终与行业专家、企业管理人员商议确定适合的满意度指标体系。
根据建立的满意度指标体系，按照不同数据采集方式的特点，设计易于被访者理解的满意度调查问卷。
顾客满意度的数据分析计算方法很多，例如简单评估法、重要性评分法（顾客权重法）、专家权重法、相关分析、回归分析等。但是这些方法都存在各种问题。
重要性评分法和专家权重法都属于权重法。专家权重法的结果取决于对专家的挑选和专家的能力，随意性较大；顾客往往倾向于认为所有指标都很重要，重要性评分法难以分出不同指标的差异。由于权重在计算顾客满意度时起着关键作用，权重的变化不仅会改变满意度测量的结果，还会影响满意度同其它变量之间关系的分析结果。更重要的是，重要性并不能等同于变量对满意度的影响大小，重要的因素影响未必大，反之亦然。乘坐飞机时的“安全性”就是一个很好的例子，安全性当然非常重要，没有它一切都无从谈起，但它是个必要条件，在实际的民航客舱服务满意度测评中，往往是我们认为比较小的因素大大影响甚至决定了乘客的满意度，比如机上餐食可选择性、座椅舒适性、座椅空间大小合适等等。因此，由消费者或专家来确定权重都会影响满意度测量的准确性和客观性。
在相关分析中，两个变量地位平等，没有因变量与自变量之分，因此相关系数不能反映单指标与总体满意度指标的因果关系；回归分析方法只能提供变量间的直接效应而不能显示可能存在的间接效应。
如前面所述，顾客满意度测评的一个重要目的是指导企业改进和提升满意度，那么我们就不仅要知道顾客对影响满意度的各个指标的评价怎么样，更重要的是还要知道每个指标对顾客最终的满意度影响有多大，只有这样企业才能集中优势资源，重点改进那些顾客评价低同时对顾客满意度影响又比较大的指标。必须找到一种科学的分析计算技术，可以准确得到各指标对满意度的影响大小。
结构方程模型（Structural Equation Model，SEM）就是这样一种技术，它是一种建立、估计和检验因果关系模型的方法。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）；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）。结构方程模型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。
图1 不同满意度分析方法比较
下图是某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2 结构方程模型示例
即使采用结构方程模型分析满意度，这还不够。因为在具体的算法中，由于满意度调查数据本身的特点，为了提高分析精确度，还需要有更高的要求。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或者服务的用户，既然他们选择了这种产品或者服务，对所选择的产品/服务在某些方面肯定是比较满意的），而且影响满意度的各种要素之间或多或少存在共线性，采用一般算法和通用软件来计算偏差较大，需要通过专门的顾客满意度分析软件（运用特殊高级算法，解决数据有偏和共线性的问题）来完成。否则的话，即使模型构建得好，数据采集没有偏差，最终的结果也会误导企业决策。而PLS（Partial Least Square，部分最小二乘法、偏最小二乘法）算法很好的解决了上述问题。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回归建模、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相关性时更为适用。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。
采用PLS算法的结构方程模型分析技术在满意度测评中得到了广泛的应用,美国国家顾客满意度指数、瑞典国家满意度指数、欧盟国家满意度指数都是采用这种模型和算法。由清华大学中国企业研究中心开发的中国顾客满意度指数（China Customer Satisfaction Index，CCSI）采用的同样也是结构方程模型和PLS算法，且中国顾客满意指数测评方法已获得国家科技部的鉴定，这是目前唯一获得国家科技部鉴定的满意度分析方法，并在实际中的得到应用和推广。2004年12月《顾客满意指数测评标准》（由清华大学中国企业研究中心和北京迪纳市场研究院制定）已公布实施。迪纳市场研究院在此成果的基础上开发了专门的软件系统——DINA满意度分析软件。
另外必须指出的是，在一般的顾客满意指数测评模型中，其结构方程模型都是反映型模型（即观测变量与结构变量的关系为反映型关系），绝大部分的研究人员在项目中也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。理论和实证研究已经证明，只有构成型模型的计算结果才适用于满意度的改进提升，这是因为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。目前一些比较成熟的结构方程模型软件包，例如LISREL、AMOS、EQS等，仅支持反映型的结构方程模型。而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。
满意度调查实施的质量主要通过科学的抽样方案、合理的样本量、适合的数据采集方式来保证。
除了针对少量重要的大客户可以采用普查之外，一般客户的满意度调查都是抽样调查，科学的抽样是保证调查结果全面反映实际满意度状况的重要条件，抽样方案应保证被访者有较强的代表性。从原则上来说，抽样应以随机为原则，样本的结构特征应与实际顾客的结构特征相符，否则就要通过统计加权的方法进行处理。此外，还应考虑满意度测评的范围和目的。
样本量的多少与统计误差直接相关。一般来说如果有足够的客户基数（至少在1万个客户以上），就可以认为误差的大小与客户总数基本无关。根据以往的项目经验，当抽样样本量为250个时，在90%的置信度下满意度的误差可以控制在2分以内（以百分制计量），当样本量为500时，误差一般不超过1.5分，样本量为800时误差在1分以内。因此，顾客满意度调查的样本量至少应在250以上，一般建议为500个，若希望得到更精确的结果则应在800以上。
一般来说，调查方式有电话访谈、人员访谈（面访）、电子访谈（网络在线调查、电子邮件）、邮寄问卷等，应根据实际情况选择适合的调查方式。面访的成本较高，拒访率根据具体访问对象和方式的差异而不同；邮寄问卷的回收率和回收周期比较难以保证。电话访谈是一种成熟的调查方式，尤其是目前计算机辅助电话访谈（CATI）已经普及，而且有严格的质量控制体系可以保证其质量，是相比之下性价比最优的数据采集方式，但近年来拒访率有不断上升的趋势。在线调查和电子邮件调查可以根据具体情况选择采用。
| 
