Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen
El Índice Europeo de Satisfacción del Consumidor (ECSI) es un indicador económico que mide la
satisfacción del cliente. Es una adaptación del Barómetro Sueco de Satisfacción del Cliente y es
compatible con el Índice de Satisfacción del Cliente estadounidense. En este artículo se presenta en
detalle el modelo ECSI. Se describe el método PLS utilizado para estimar los parámetros del modelo.
Por último, se presenta un ejemplo.
I. El modelo ECSI
El Índice Europeo de Satisfacción del Consumidor (ECSI) es un indicador económico que
mide la satisfacción del cliente. Es una adaptación del Barómetro Sueco de Satisfacción del
Cliente (Fornell, 1992) y es compatible con el Índice de Satisfacción del Cliente
estadounidense. Se ha creado un modelo específico para el ECSI. En este modelo se
introducen siete variables latentes interrelacionadas. Se basa en teorías y enfoques bien
establecidos sobre el comportamiento de los clientes y debe poder aplicarse a distintos
sectores.
2. Dos variables latentes opcionales que pueden ser añadidas por los comités
nacionales: imagen y quejas - mostradas en cursiva e impactos en líneas
punteadas.
Image
n
Lealtad
Expectativa
s de los
clientes
Satisfacció .
Valor
percibid n del cliente
o
Calidad Quejas
percibid
a
Figura 1: Modelo de causalidad que describe las causas y consecuencias de la satisfacción del
cliente
Las expectativas del cliente se refieren a las expectativas previas que el cliente tiene de
dicho producto. Dichas expectativas son el resultado de la promoción activa de la empresa
o el producto, así como de rumores y experiencias previas del producto o proveedor.
Quejas es otra variable opcional y está relacionada con la intensidad de las quejas de los
clientes y la forma en que la empresa gestiona estas quejas. Está vinculada (probablemente
con una flecha bidireccional) al ISC y a la Lealtad.
En la tabla 1 se presentan las variables manifiestas Vjh que describen las variables latentes ξj para
el sector de la telefonía móvil.
2
Cuadro 1 : Instrumento de medida para el sector de la telefonía móvil
Todos los ítems tienen una escala del 1 al 10. La escala 1 expresa un punto de vista muy negativo
sobre el producto y la escala 10 una opinión muy positiva.
3
Estas variables manifiestas Vjh se normalizan del siguiente modo:
La normalización de la variable latente elegida por Wold (1985) - ξj tiene una desviación
típica igual a uno - es arbitraria. Fornell (1992) ha propuesto otra normalización, pero tanto
la variable latente de Wold como la de Fornell son colineales. En otras palabras, la variable
latente de Fornell puede deducirse de la variable latente de Wold mediante una relación
lineal.
El modelo de causalidad descrito en la figura 1 conduce a ecuaciones lineales que relacionan las
variables latentes (modelización de ecuaciones estructurales):
(2) ξ j = β j0 + ∑β ji ξi + ζ j
i
II. Estimación por mínimos cuadrados parciales (PLS) del modelo ECSI
4
Para estimar los parámetros del modelo ECSI se utiliza el PLS Path Modelling de Herman Wold
(Wold, 1985, Lohmöller, 1989, Fornell & Cha, 1994, Tenenhaus, 1999). En este documento
recordamos los distintos pasos del algoritmo PLS y describimos las opciones específicas elegidas
para la estimación
5
del modelo ECSI. El cálculo se realiza con el programa LVPLS 1.8 de J.B. Lohmöller
(1987).
En primer lugar, en el modelo ECSI, el PLS se aplica a las variables manifiestas brutas xjh .
No están normalizadas.
(3) Yj α [∑ w jh (x jh - x jh )]
(4) Yj = ∑ w~ jh (x jh - x jh )
(5) Zjα ∑ e ji Yi
i : ξi está conectado a ξ j
donde eji es el signo de la correlación entre Yj e Yi . Dos variables latentes están conectadas
si existe un vínculo entre las dos variables: una flecha va de una variable a la otra en el
diagrama de flechas que describe el modelo de causalidad.
El algoritmo PLS consiste en comenzar con una elección arbitraria de pesos wjh , por
ejemplo wj1 se fija en 1 y todos los demás wjh en 0. A continuación se iteran los pasos 3, 5 y
6 hasta la convergencia (no garantizada, pero prácticamente siempre encontrada en la
práctica).
6
Cálculo específico de las variables latentes para el modelo ECSI
En el modelo ECSI, siguiendo a Fornell (1992), cada variable latente se obtiene como media
ponderada de sus variables manifiestas:
∑ w~ jh x jh
ξˆ h
(7)
∑ w~
j
= jh h
En esta operación se supone que todos los pesos normalizados ( w ~ jh / ∑ w~ jh ) son positivos.
Si
h
algunas de estas ponderaciones normalizadas son negativas, la variable correspondiente xjh
debe eliminarse del modelo, ya que esta variable no describe correctamente su variable
latente.
Estos constructos tienen más significado práctico que las variables latentes estandarizadas, ya
que están en las mismas unidades que las variables manifiestas escaladas de 0 a 100. La
relación lineal entre la variable latente de Wold Yj y la variable latente de Fornell ξ ˆ j se
desprende claramente de
ecuaciones (4) y (7):
ξˆ = 1
(8) ~ (Yj + mˆ j )
j
∑ jh
h
w
= ∑ w~ jh (x jh - x jh ) .
w~
Los pesos aparecen en la salida del programa en la columna Peso de la tabla Modelo
exterior y
jh
8
la media estimada mˆ j = ∑ w~ jh x en la columna Media de la tabla Modo interno. Por ejemplo
jh
la variable latente normalizada CSI_std se calcula según la fórmula siguiente:
∑ w~ jh x jh
ξˆ = h
∑ w~
j
jh h
Se trata de una media ponderada de las variables manifiestas C_sat1 a C_sat3 escalada de 0
a 100. Las medias y desviaciones típicas de las distintas variables latentes figuran en el
En la tabla 3, comprobamos que cada variable manifiesta está más correlacionada con su
propia variable latente que con las demás variables latentes. Para facilitar la lectura de esta
tabla, no se muestran las correlaciones inferiores a 0,5. Puede observar que la variable
manifiesta Lealtad2 no describe correctamente su variable latente (de hecho cor(Lealtad2,
Lealtad) = 0,272). Esta variable debería eliminarse del modelo. De hecho, es difícil dar una
respuesta significativa a este ítem.
10
Las variables imagen, valor percibido y calidad tienen un impacto significativo en la
satisfacción del cliente. Sin embargo, la variable que más influye en la satisfacción del cliente
es la calidad percibida (.544). La imagen y el valor percibido tienen un impacto menor (
0,200 y 0,153). No es sorprendente que las cualidades reales del proveedor de telefonía móvil
sean mucho más importantes para el cliente que algunas características abstractas de
marketing. Las Expectativas del Cliente no tienen un impacto directo en la Satisfacción del
Cliente. La fidelidad es un factor muy importante en el sector de la telefonía móvil. Depende
principalmente de la satisfacción del cliente (,466) y, en menor medida, de la imagen (,212).
Es interesante observar que las reclamaciones dependen de la satisfacción del cliente, pero no
tienen un impacto directo en la fidelidad. Por supuesto, debemos tener cuidado con la
interpretación de los coeficientes no significativos, ya que pueden deberse a un problema de
multicolinealidad. Esto sugiere utilizar la regresión PLS (Martens & Næs, 1989, Tenenhaus,
1998) en lugar de la regresión múltiple.
Image R2=.432
.212 (.002)
.493 n
R2=.243 (.000)
.153 Lealtad
Expectativa (.006)
s de los .037
clientes (.406) .466
.066 (.000)
(.314)
11
Cuadro 3 : Correlaciones entre las variables manifiestas y las variables latentes
CONCLUSIÓN
En su artículo del 92, Fornell describió con gran detalle los fundamentos de marketing del
Barómetro Sueco de Satisfacción del Cliente, pero sólo tocó los aspectos estadísticos del
problema. El objetivo de este trabajo era describir con gran precisión toda la metodología
estadística de Fornell. Hemos mostrado cómo utilizar el programa LVPLS 1.8 de Lohmöller
para estimar el modelo ECSI. Se ha comprobado en un estudio piloto que el programa de
Fornell (el programa no está disponible, pero tuvimos acceso a los resultados del estudio
piloto) y el programa de Lohmöller dan exactamente los mismos resultados.
REFERENCIAS
FORNELL C. (1992): "Un barómetro nacional de satisfacción del cliente: La experiencia sueca",
Journal of Marketing, Vol. 56, 6-21.
FORNELL C. & CHA J. (1994): "Partial Least Squares", en Advanced Methods of Marketing
Research, R.P. Bagozzi (Ed.), Basil Blackwell, Cambridge, MA., pp. 52-78.
LOHMÖLLER J.-B. (1987): LVPLS Program Manual, Version 1.8, Zentralarchiv für Empirische
Sozialforschung, Colonia.
LOHMÖLLER J.-B. (1989): Latent Variables Path Modeling with Partial Least Squares, Physica-
Verlag, Heildelberg.
MARTENS H. & NÆS T. (1989): Multivariate Calibration. John Wiley & Sons, Nueva York.
TENENHAUS M. (1998): La Régression PLS. Éditions Technip, París
TENENHAUS M. (1999): "L'approche PLS", Revue de Statistique Appliquée, vol. 47, n°2, pp. 5-40.
WOLD H. (1985): "Partial Least Squares", en Encyclopedia of Statistical Sciences, vol. 6, Kotz, S &
Johnson, N.L. (Eds), John Wiley & Sons, Nueva York, pp. 581-591.
12
ANEXO 1
El código del programa Lohmöller LVPLS 1.8
LVPX
Estudio Telefonía móvil
7 250 132562 100 5 4 0
5 3 7 2 3 1 3
0 0 0 0 0 0 0
0 0 0 0 0 0 0
IMAG1 IMAG2 IMAG3 IMAG4 IMAG5 CUEX1 CUEX2 CUEX3 PERQ1
PERQ2 PERQ3 PERQ4 PERQ5 PERQ6 PERQ7 PERV1 PERV2 CUSA1
CUSA2 CUSA3 CUSCO CUSL1 CUSL2 CUSL3
0 111 (2A4,7F2.0)
IMAGEN 0 0 0 0 0 0 0
CUS_EXP 1 0 0 0 0 0 0
PER_QUAL 0 1 0 0 0 0 0
PER_VAL 0 1 1 0 0 0 0
ECSI 1 1 1 1 0 0 0
CUS_COMP 0 0 0 0 1 0 0
CUS_LOY 1 0 0 0 1 1 0
0 0 (2A4,23F7.0,F6.0)
100293 66.67 44.44 44.44 44.44 33.33 66.67 66.67 55.56 66.67
55.56 33.33 66.67 55.56 44.44 44.44 11.11 22.22 55.56 33.33 66.67
66.67 55.56 44.44 55.56
100382 100.00 8 8 . 89 100.00 100.00 8 8 .89 100.00 100.00 88.89 100.00
88.89 100.00 100.00 88.89 100.00 100.00 100.00 100.00 100.00 100.00 77.78
100.00 100.00 11.11 100.0
100386 77.78 66.67 55.56 33.33 66.67 66.67 66.67 66.67 66.67
77.78 44.44 66.67 77.78 6 6 . 67 66.67 66.67 66.67 77.78 66.67 66.67
55.56 55.56 11.11 66.67
.
.
.
302284 66.67 77.78 44.44 77.78 77.78 77.78 77.78 66.67 77.78
66.67 55.56 77.78 88.89 66.67 88.89 77.78 77.78 77.78 66.67 77.78
77.78 66.67 100.00 77.78
302291 77.78 77.78 55.56 77.78 66.67 66.67 55.56 66.67 66.67
55.56 55.56 77.78 66.67 55.56 66.67 44.44 44.44 77.78 44.44 66.67
11.11 66.67 66.67 66.67
300589 7 7 . 78 100.00 77.78 88.89 88.89 100.00 77.78 44.44 88.89
100.00 100.00 77.78 77.78 77.78 88.89 44.44 88.89 66.67 77.78
77.78 88.89 100.00 22.22 100.00
STOP
Comentarios
Las líneas 3 a 6 de este programa describen las opciones específicas seleccionadas. Se explican en
la salida del programa (anexo 2).
Las líneas 7 a 9 dan los nombres de las variables manifiestas y su orden en el archivo
de datos. La línea 10 da el formato de lectura de las ecuaciones estructurales.
Las líneas 11 a 17 presentan el modelo de ecuaciones estructurales. Cuando el modelo es
recursivo (sin bucle) la matriz es diagonal inferior. Éste es el caso.
La línea 18 indica el formato de lectura de los datos.
Las líneas siguientes contienen los datos (identificación del cliente y variables manifiestas xjh
(escaladas entre 0 y 100)).
13
ANEXO 2
Los resultados
JBL 1.8
====================================
-- P L S X --
==================================== COMMENTS
Número de bloquesNBLOCS = 7
Número de casosNCASES = 250
Número de dimensionesNDIM = 1
Cantidad de salidaOUT = 3256
Esquema de ponderación interna IWGHT = 2 Esquema de centroides
Número de iteracionesNITER = 100
Precisión de la estimaciónEPS = 5
Datos analizados MetricMETRIC = 4 Las variables manifiestas no son
estandarizado
====================================
BlockN-MV Desinflar modo LV Modelo
14
Estudio Telefonía móvil
Dimensión nº 1
la iteración
Coeficientes de trayectoria
================================================================================
IMAGEN CUS_EXP PER_QUAL PER_VAL ECSI CUS_COMP CUS_LOY
IMAGEN 1.000
CUS_EXP .493 1.000
PER_QUAL .731 .545 1.000
PER_VAL -.508 -.360 -.576 1.000
ECSI .671 .481 .791 -.604 1.000
CUS_COMP .469 .250 .537 -.348 .540 1.000
CUS_LOY -.548 -.366 -.524 .517 -.635 -.401 1.000
================================================================================
Modelo interior
======================================================================
Bloque Media Ubicación Mult.RSq AvResVar AvCommun AvRedund
15
Modelo exterior
======================================================================
Variable Peso Cargando Ubicación ResidVar Comunitar Redundan
io
IMAGEN hacia el
exterior
IMAG1 .0145 13.5115 2.2992 172.8140 .5137 .0000
IMAG2 .0126 10.5838 19.3434 238.0597 .3200 .0000
IMAG3 .0136 15.5489 -18.4351 317.1061 .4326 .0000
IMAG4 .0176 16.1672 -12.3277 155.7097 .6267 .0000
IMAG5 .0144 12.0500 13.2760 152.9918 .4869 .0000
CUS_EXP hacia el
exterior
CUEX1 .0231 12.3473 9.8955 170.9680 .4714 .1146
CUEX2 .0224 12.8096 6.9954 231.1035 .4152 .1009
CUEX3 .0253 16.9216 -15.2583 257.4248 .5266 .1280
PER_QUAL hacia el
exterior
PERQ1 .0098 12.2630 12.8720 98.1148 .6052 .1798
PERQ2 .0085 13.6473 -2.7407 253.6826 .4234 .1258
PERQ3 .0118 16.1807 -10.3771 146.3491 .6414 .1906
PERQ4 .0094 13.9255 3.8455 141.5140 .5781 .1718
PERQ5 .0084 11.8000 14.4994 120.4663 .5361 .1593
PERQ6 .0095 13.8490 2.6912 134.8588 .5871 .1745
PERQ7 .0129 16.4124 -12.7914 148.6248 .6444 .1915
PER_VAL hacia el
exterior
PERV1 -.0239 -22.5804 -10.3504 76.3317 .8698 .2914
PERV2 -.0247 -18.6053 10.0025 71.2857 .8292 .2779
ECSI hacia el
exterior
CUSA1 .0158 9.7212 32.4203 92.6286 .5050 .3392
CUSA2 .0231 17.0633 -11.2935 92.0410 .7598 .5104
CUSA3 .0264 17.1403 -9.5627 81.5605 .7827 .5258
CUS_COMP hacia el
exterior
CUSCO .0397 25.2193 .0000 .0000 1.0000 .2916
CUS_LOY
hacia el
exterior
CUSL1 -.0185 -25.2005 -10.5839 234.0672 .7307 .3155
CUSL2 -.0061 -8.6089 16.2050 917.0478 .0748 .0323
CUSL3 -.0225 -21.3694 4.3239 148.5356 .7546 .3258
======================================================================
16