NPS verhogen? Betrokkenheid versterken? Focus en sturing!
De zin en onzin van een driver analyse
Om maar gelijk met de deur in huis te vallen, natuurlijk is het inzetten van een driver analyse als middel om bijvoorbeeld de Net Promotor Score (NPS) of de betrokkenheid van medewerkers bij een organisatie te versterken zinvol. In het populaire vakgebied van Marketing Intelligence wordt ook zeker het belang van het inzicht krijgen in de ‘drivers’ van de NPS en dus in de ‘knoppen’ waar aan gedraaid moet worden erkend. Maar wanneer zet je welke driver analyse in? En hoe vermijd je valkuilen? Vragen naar belang?
In ieder geval, vraag niet naar belang. Met deze techniek wordt direct naar het belang van bijvoorbeeld een onderdeel van het dienstverleningsproces of het arbeidsklimaat gevraagd. Vervolgens wordt het onderdeel dat als belangrijkste wordt genoemd als meest impactvolle driver neergezet. Dit is een onzinnige ‘driver analyse’ omdat bij het vragen naar belang vaak alles als belangrijk wordt gepercipieerd, maar bovenal de prijs van een dienst of het salaris. Het geeft echter geen of een vertekend inzicht. Daarnaast wordt de vragenlijst ook nog eens onnodig langer. Het belangrijkste argument om niet rechtstreek te vragen naar belang komt echter uit de psychologisch hoek, waaruit blijkt dat latente behoeften het verschil maken. Dit wordt ondersteund door wetenschappelijk onderzoek van o.a. A. Dijksterhuis, hoogleraar psychologie aan de Radboud Universiteit van Nijmegen, die heeft aangetoond dat de capaciteit van ons onbewuste ongeveer 200.000 keer zo groot is als die van het bewustzijn en daarmee ons gedrag, denken en gevoel aansturen (Bron: Het slimme onbewuste – Denken met gevoel, A. Dijksterhuis).
Er zijn intelligente multivariate analysetechnieken beschikbaar waarmee de onderliggende drivers van (intentioneel) gedrag als bijvoorbeeld een NPS blootgelegd worden, rekening houdend met onbewuste en indirecte effecten. Er zijn drie multivariate analysetechnieken die regelmatig worden ingezet als driver analyse, namelijk:
1) een correlatie analyse;
2) een meervoudige regressieanalyse;
3) een LISREL analyse, hetgeen de afkorting is van ‘LInear Structural RELations.
De LISREL analyse geeft het best mogelijke inzicht, terwijl de correlatiematrix het minst zuivere inzicht van deze 3 analysetechnieken geeft.
De correlatie analyse
Een correlatie analyse geeft de statistische samenhang (correlatie) tussen twee gegevens weer, bijvoorbeeld tussen X1 en S of tussen X2 en S. X1 is bijvoorbeeld het algemeen oordeel over de klantgerichtheid van het contactcenter en X2 staat voor het oordeel over de kwaliteit van de online communicatie en X3 is het oordeel over de snelheid van dienstverlening. S geeft in dit voorbeeld de totale tevredenheid over de dienstverlening weer. Dit is een sterk versimpeld voorbeeld, meestal heb je wel een meervoud aan gegevens waarvoor je dit kunt doen.
De sterkte van deze samenhang wordt uitgedrukt in een correlatiecoëfficiënt. Correlatie is geen bewijs van causaliteit (oorzaak – gevolg), al kan het daar wel een aanwijzing voor zijn. Het grootste punt van kritiek op deze analyse is echter dat een correlatie analyse geen rekening houdt met de complexiteit van de werkelijkheid. Het kan hierdoor een vertekend inzicht geven doordat telkens alleen 1 op 1 relaties worden geanalyseerd. Als je heel veel gegevens hebt, zie je niet alleen door de bomen het bos niet meer, maar kun je behoorlijk op het verkeerde been worden gezet door schijnverbanden. Dat komt regelmatig voor. Je ziet dan niet hoe x1 en x2 en x3 met elkaar samenhangen en op elkaar inwerken. Een correlatie analyse geeft hooguit een eerste indruk van mogelijke verbanden maar niet meer dan dat.
Om beter zicht te krijgen op de complexe werkelijkheid is het beter om een regressie analyse of LISREL analyse te gebruiken.
De regressie analyse
Een regressie analyse geeft aan hoe groot de invloed is van één of meerdere (‘onafhankelijke’) gegevens (X1, X2 en/of X3) op een te verklaren (‘afhankelijke’) gegeven (S). Dit ziet er visueel als volgt uit:
De grootte van de invloed (impact) wordt uitgedrukt door middel van een beta (ß). Deze analyse geeft inzicht in een oorzaak gevolg relatie. Daarnaast houdt deze analyse beter rekening met complexiteit van de werkelijkheid. Dat komt omdat dit vaak wordt gecombineerd met factor- en schaalanalyses (kijken of groepen van gegevens bij elkaar horen en samen een dimensie of schaal vormen). De regressie is al een grote stap voorwaarts in het kunnen ‘verklaren’ van de werkelijkheid en helpt al goed om die beter te analyseren. De daaruit resulterende scherpte in de rol van drivers neemt sterk toe vergeleken met de relatief eenvoudige correlatie analyse. Waar regressie echter geen rekening mee houdt, zijn de zogenaamde interactie en indirecte effecten.
De techniek die ook rekening houdt met dit verschijnsel en dus een nog scherper beeld geeft van de werkelijke drivers is LISREL.
De LISREL analyse
De LISREL analyse houdt ook rekening met interactie (indirecte) effecten. Dit is nodig wanneer we niet alleen zijn geïnteresseerd in de impact van de onderdelen (X1, X2 en/of X3) van een dienstverleningsproces op de tevredenheid (S), maar ook op de NPS. Dit ziet er visueel als volgt uit:
Met behulp van een LISREL analyse wordt het meest zuivere beeld en inzicht verkregen van de impact van de onderdelen van het dienstverleningsproces op de NPS. Het indirecte effect op NPS in dit voorbeeld is de impact van X1 via S op NPS. Ook wordt vastgesteld hoe sterk de relatie is tussen de onderdelen van het dienstverleningsproces en de NPS. Daarmee komt de juiste en bruikbare strategische informatie boven tafel. Zo wordt namelijk duidelijk welke onderdelen er werkelijk toe doen en hoe er dus prioriteiten gesteld moeten worden bij het nemen van verbetermaatregelen. Daarmee krijg je een veel scherpere focus en een veel effectievere sturing op strategisch niveau!
Meer weten over driveranalyse? Neem dan gerust contact met me op.
Max Cramwinckel
Algemeen directeur
E-mail: m.cramwinckel@renmmatrix.nl