Palveluiden kehittäminen attribuuttien priorisoinnin avulla

Palveluiden kehittämisessä on keskeistä tunnistaa, mitkä palvelun ominaisuudet ovat asiakkaille tärkeimpiä. Attribuuttien priorisoinnin menetelmät auttavat palvelukehittäjiä kohdistamaan resurssinsa juuri niihin ominaisuuksiin, jotka tuottavat eniten arvoa asiakkaille ja erottavat palvelun kilpailijoista.

Kirjoittaja: Sami Heikkinen

Palvelun laadun parantaminen ja asiakastyytyväisyyden lisääminen edellyttävät ymmärrystä siitä, mitkä palvelun ominaisuudet ovat asiakkaiden näkökulmasta tärkeimpiä. Palveluiden kehittäjien haasteena on usein tunnistaa, mihin ominaisuuksiin tulisi panostaa eniten rajoitettujen resurssien puitteissa. Tähän haasteeseen on kehitetty useita erilaisia menetelmiä, joilla voidaan arvioida palveluattribuuttien tärkeysjärjestystä. LAB-ammattikorkeakoulun Kasvun ja kaupallistamisen tutkimusryhmälle tämä on yksi tärkeimmistä kehittämisen menetelmistä.

Perinteiset attribuuttien arviointimenetelmät

Yksinkertaisin lähestymistapa on pyytää asiakkaita arvioimaan kunkin palveluominaisuuden tärkeyttä asteikon avulla. Tämän menetelmän ongelmana kuitenkin on, että asiakkaat saattavat arvioida kaikki ominaisuudet erittäin tärkeiksi, jolloin priorisointi jää puutteelliseksi. Todellisuudessa osa ominaisuuksista on aina tärkeämpiä kuin toiset.

Toinen perinteinen menetelmä on attribuuttien parivertailu, jossa asiakkaat valitsevat kahdesta ominaisuudesta tärkeämmän. Tämä menetelmä voi kuitenkin muuttua hyvin työlääksi, jos vertailtavia ominaisuuksia on paljon. Esimerkiksi kymmenen ominaisuuden vertailu vaatisi jo 45 parivertailua, mikä tekee tutkimuksesta raskaan vastaajille.

Importance-Performance Analysis (IPA)

IPA on laajasti käytetty menetelmä, jossa mitataan sekä attribuuttien tärkeyttä että suorituskykyä. Tulokset esitetään tavallisesti nelikenttänä, jossa yhdellä akselilla on tärkeys ja toisella suorituskyky. Nelikentän eri osiot kertovat, mihin ominaisuuksiin tulisi panostaa eniten. (Mikulić & Prebežac 2008.) Perinteisen IPA:n rajoituksena on kuitenkin oletus siitä, että attribuutin suorituskyvyn ja asiakastyytyväisyyden välinen suhde on lineaarinen. Todellisuudessa tämä suhde on usein monimutkaisempi, mikä on johtanut kehittyneempien menetelmien syntymiseen.

Kanon malli

Noriaki Kanon kehittämä malli tunnistaa, että kaikki palvelun ominaisuudet eivät ole asiakkaiden silmissä samanarvoisia. Kano jakaa ominaisuudet viiteen kategoriaan: välttämättömiin (must-be), suorituskykyyn vaikuttaviin (performance), vetovoimatekijöihin (attractive), yhdentekeviin (indifferent) ja ei-toivottuihin (undesired) ominaisuuksiin. (Kano et al. 1984.)

Kanon mallin vahvuus on sen tunnistamat epäsymmetriat attribuuttien vaikutuksessa asiakastyytyväisyyteen. Esimerkiksi välttämättömät ominaisuudet eivät lisää asiakastyytyväisyyttä ollessaan kunnossa, mutta aiheuttavat tyytymättömyyttä puuttuessaan. Toisaalta vetovoimatekijät tuottavat korkeaa tyytyväisyyttä ollessaan läsnä, mutta eivät aiheuta tyytymättömyyttä puuttuessaan.

Kanon mallissa asiakkaiden näkökulmia mitataan kahdella kysymyksellä kutakin ominaisuutta kohden: miltä tuntuisi, jos ominaisuus olisi tuotteessa/palvelussa, ja miltä tuntuisi, jos se ei olisi. Vastausten perusteella attribuutit voidaan sijoittaa nelikenttään, joka auttaa organisaatiota määrittämään kehitystoimenpiteitä.

Kehittyneemmät analyysimenetelmät

Perinteisten menetelmien rajoitusten vuoksi on kehitetty uudempia lähestymistapoja, jotka huomioivat paremmin asiakkaiden subjektiiviset käsitykset ja palveluattribuuttien epälineaariset vaikutukset asiakastyytyväisyyteen.

Fuzzy Neural-Based IPA (FN-IPA) yhdistää sumean logiikan ja neuroverkot tarjoten hienostuneemman tavan ymmärtää epätarkkoja ja subjektiivisia asiakasarvioita palveluominaisuuksista (Deng & Pei 2009). Asymmetric Impact-Sentiment-Performance Analysis (AISPA) puolestaan hyödyntää automatisoitua mielipideanalyysiä verkkoarvioista tunnistaakseen attribuuttien epäsymmetrisiä vaikutuksia asiakastyytyväisyyteen (Hu et al. 2020).

Rajahyötyanalyysi (Marginal Utility Analysis, MUA) mallintaa attribuuttien hyötykäyriä tunnistaakseen ne ominaisuudet, joilla on suurin vaikutus asiakastyytyväisyyteen (Bacon 2012). Impact Range-Performance Analysis (IRPA) ja Impact-Asymmetry Analysis (IAA) puolestaan priorisoivat palveluattribuutteja analysoimalla vaikutusten vaihteluväliä ja epäsymmetriaa asiakastyytyväisyydessä (Mikulić & Prebežac 2008).

MaxDiff (tai best-worst scaling) on menetelmä, jossa vastaajia pyydetään valitsemaan ominaisuuksien joukosta parhain ja huonoin vaihtoehto. Ominaisuuksia esitetään eri yhdistelminä useaan otteeseen, ja tuloksena saadaan tarkka tärkeysjärjestys ominaisuuksille. Tämä menetelmä on tehokas erityisesti silloin, kun halutaan välttää arviointiasteikkoihin liittyvät vastaustaipumukset. (Louviere & Woodworth 1983.)

Menetelmien käytännön sovellukset

Attribuuttien priorisoinnin menetelmiä on sovellettu menestyksekkäästi monilla eri toimialoilla. Esimerkiksi julkisessa liikenteessä Hu ja Salim (2023) yhdistivät Kanon mallin, IPA:n ja Failure Mode and Effects Analysis (FMEA) -menetelmän bussipalveluiden laaturiskien arvioimiseksi. Septiani et al. (2020) puolestaan käyttivät IPA:a ja Potential Gain in Customer Value (PGCV) -menetelmää elektronisten maksujärjestelmien kehittämiseksi.

Terveydenhuollossa Susianti et al. (2023) korostivat konkreettisten ominaisuuksien, kuten puhtauden ja infrastruktuurin, priorisoinnin tärkeyttä palvelun laadun parantamisessa. Näiden tutkimusten tulokset osoittavat, että systemaattinen lähestymistapa attribuuttien tärkeyden arviointiin on arvokas kehittämistyökalu monilla sektoreilla.

Yhteenveto

Attribuuttien priorisointi on keskeinen osa palveluiden kehittämistä. Perinteiset menetelmät kuten suora tärkeyden arviointi tai parivertailu ovat edelleen käyttökelpoisia, mutta kehittyneemmät menetelmät kuten IPA, Kanon malli ja MUA tarjoavat syvällisemmän ymmärryksen asiakkaiden tarpeista ja odotuksista. Organisaatioiden tulisi valita menetelmä, joka sopii parhaiten niiden tarpeisiin ja resursseihin. Oikean menetelmän avulla voidaan kohdistaa kehitystoimenpiteet juuri niihin palvelun osa-alueisiin, jotka tuottavat eniten arvoa asiakkaille, mikä puolestaan johtaa parempaan asiakastyytyväisyyteen ja kilpailuetuun markkinoilla.

Lähteet

Bacon, D. 2012. Understanding priorities for service attribute improvement. Journal of Service Research. 15 (2), 199-214.Viitattu 17.3.2025. Saatavissa https://doi.org/10.1177/1094670511435539

Deng, W. & Pei, W. 2009. Fuzzy neural based importance-performance analysis for determining critical service attributes. Expert Systems with Applications. 36 (2), 3774-3784. Viitattu 17.3.2025. Saatavissa https://doi.org/10.1016/j.eswa.2008.02.063

Hu, F., Li, H., Liu, Y. & Teichert, T. 2020. Optimizing service offerings using asymmetric impact-sentiment-performance analysis. International Journal of Hospitality Management. Vol. 89. Viitattu 17.3.2025. Saatavissa https://doi.org/10.1016/j.ijhm.2020.102557

Hu, K. & Salim, V. 2023. Combining Kano’s Model, IPA, and FMEA to Evaluate Service Quality Risk for Bus Service: Case of Bangkok Bus Service. Applied Sciences. 13 (10), 5960. Viitattu 17.3.2025. Saatavissa https://doi.org/10.3390/app13105960

Kano, N., Seraku, N., Takahashi, F. & Tsuji, S. 1984. Attractive quality and must-be quality. Journal of the Japanese Society for Quality Control. 14 (2), 39-48.

Louviere, J. & Woodworth, G. 1983. Design and analysis of simulated consumer choice or allocation experiments: An approach based on aggregate data. Journal of Marketing Research. 20 (4), 350-367.

Mikulić, J. & Prebežac, D. 2008. Prioritizing improvement of service attributes using impact range‐performance analysis and impact‐asymmetry analysis. Managing Service Quality. Vol. 18, 559-576. Viitattu 17.3.2025. Saatavissa https://doi.org/10.1108/09604520810920068

Septiani, E., Pujiyanto, E. & Hisjam, M. 2020. A design to improve the quality of OVO electronic money payment services in Tokopedia using IPA and PGCV. Jurnal Teknik Industri. 21 (2), 153-162. Viitattu 17.3.2025. Saatavissa https://doi.org/10.22219/jtiumm.vol21.no2.153-162

Susianti, N., Rachmawati, T., Andayasari, L., Subhan, A. & Yulianto, A. 2023. Priority attribute enhancement quality individual health efforts (IHE) according to the service quality model at public health centers (PHC) in the sarolangun regency, jambi province. Viitattu 17.3.2025. Saatavissa https://doi.org/10.46254/an13.20230507

Kirjoittaja

Sami Heikkinen, FM, KTM, opettaa palveluiden kehittämistä LAB-ammattikorkeakoulussa ja haluaa tunnistaa aina tärkeimmät palveluattribuutit ennen kehitystyöhön ryhtymistä.

Artikkelikuva: https://www.pexels.com/fi-fi/kuva/laatikot-aanestys-merkki-valinta-8850706/ (Pexels Licence)