看看"狩野分析"如何協助"服務優化"
在談服務優化以前，先想想甚麼是服務？
回想起以前的經濟學課本，服務 (service) 和 產品 (goods) 是兩個最常被拿來解釋彼此的相對概念；產品是有形的載體，而服務是一種無形的體驗。
那甚麼是"體驗"？ 試想一下，如果你想要吃飯，你會選擇下列哪一種方式？
(A) 到小吃店吃 (B) 自己下廚煮飯 (C) 去高級餐廳享用 (D) 其他
不過，重點不是選擇哪一種，而是影響你選擇的原因：同樣都是進行吃飯的活動，但不同情境下所帶來的"體驗"差異，影響了你的選擇。
優化後的服務是什麼樣子呢？
理解服務和體驗的概念後，你可能會問：怎樣才算是好的服務？以下簡單用韓國的案例 Kind Words Ringback tone_GS Caltex 來分享：
前情提要：客服人員時常接到情緒性或較為非理性的客訴，讓客服人員在工作時壓力山大，雙方在電話中易陷入負面循環，以致服務滿意度低。
解決方案：在電話接通消費者和客服之間的等待時間，播放一段由客服人員家人所錄製的語音，向消費者說明接下來將由我最親愛的家人為您服務，裡如從女兒的角度：「等一下我最親愛的媽咪會為您服務呦，請您稍等」。
專案效益：藉由簡單的第三方真人語音，提醒消費者客服人員也是人生父母養的，請以尊重的語氣與其溝通，帶來了很好的反應，也讓消費者在跟客服人員訴說需求時，由情緒激動轉為相對平靜。數據方面，客服人員壓力指數下降了54.2%，被尊重的感受指數也上升了25%。
上述案例就是善用服務接觸點，進而以創新的方式優化服務，讓服務提供者和服務接收者都有了更好的體驗。
如何快速判斷哪些服務需要優化？
簡單來說，找尋服務缺口可以從兩個維度去分析，服務有多重要？多滿意？
藉由問卷調查，詢問顧客兩種問題：
1) 您認為此服務的重要性從 0–10 分為？
2) 如果體驗過此服務，滿意度由 0–10 分為？
而後將所有訪問的樣本數分別就”重要度”和”滿意度”進行算數平均，將"重要度平均數"減去"滿意度平均數"，中間的差越大，代表存在的服務缺口越大；道理很簡單，白話解釋：服務重要度越高，滿意度越低，代表服務不夠好。
通常一家店有多種服務，假設 A, B, C, D, E, F 六種服務調查結果為：
A. ( 6 , 5 ) → 缺口 1
B. ( 5 , 3 ) → 缺口 2
C. ( 8 , 7 ) → 缺口 1
D. ( 3 , 8 ) → 缺口 -5
E. ( 6 , 6 ) → 缺口 0
F. ( 4 , 6 ) → 缺口 -2
(重要度,滿意度)
先簡單比較 A, C 兩種 ，當缺口一樣，哪一種要先優化？
比較重要的 C ，還是比較不被顧客所滿意的 A ？
那 A, B, C, D, E, F 六種情況，到底哪一種服務要先進行優化處理？是先看缺口大的、還是先看重要度高的、還是先看滿意度低的？
情況1) 比較順序為 缺口>重要度>滿意度
推演出：B > C > A > E > F > D 這樣的優先順序
情況2) 比較順序為 重要度>缺口>滿意度
推演出：C > A > E > B > F > D 這樣的優先順序
情況3) 比較順序為 滿意度>缺口>重要度
推演出：B > A > E > F > C > B 這樣的優先順序
......太多組合了，到底先看什麼？實務上來說，缺口只是一個簡單的初步分析，反而是「成本」才是我們需要多加考慮的；如果在不考慮成本的前提下，重要度高的通常會優先考量，也就是那個服務本身是否為變現的關鍵。
藉由重要度減滿意度找尋服務缺口，其實是相對簡化的做法，若要更嚴謹，建議用相依樣本T檢定，去檢視兩者之間的差異：
我們將重要度設想為體驗前的預期，滿意度設想為體驗後的感受，因此兩者可視為相依樣本 (or 使用缺口和一整排的0進行數列相依T檢定；通常即使平均數有差異不代表兩個數列有顯著差異，因此T檢定結果若有顯著差異，即代表此樣本對於服務有顯著影響力，而正負數的T代表了影響力的方向)。
當樣本數越來越多，這樣簡化的方式勢必無法推演出合理的排序，更別說是下一步的優化依據，因此我們也可以試試另一個進階版的工具：狩野分析。
所以…狩野分析到底怎樣協助服務優化？
狩野分析是日本管理大師提出來的，用科學化的統計方法進行產品品質的主、客觀分析。
先不說"狩野"，其實"分析"大多依循相似的原則從資料變成資訊：
→ Data Collection 樣本數據收集
→ Data Processing 資料處理與分類
→ Model Based Analysis "某某"模型運算
→ Data Interpretation 資訊判讀解釋
→ Category Prioritizing 依不同維度進行品類間排序 (如重要性、可行性等)
→ Priority Adjustment 最優先的項目進行優化/創新
狩野分析有一個很重要的前提：品質管制 → 品質管理 → 魅力品質創造；這些順序分別是指：先在品質上要先達到基本要求，接著進而滿足客戶需求，而後才滿足潛在需求。
Data Collection
狩野分析收集數據的方式是問卷調查，至少需要30個有效資料 (統計上有更嚴謹的規範)，才能進行有意義的分析。而設計問卷的方式很特別，先挑選要進行比較與優化的服務，分別調查顧客對於提供(正向)與不提供(反向)某項服務的感受：
Data Processing
資料處理時，將特別極端不合理或有缺漏不完整的樣本篩掉，然後進行方才所得到的問卷結果資料轉換，利用下列表格對照分類：
假設有一筆樣本對於某服務的回答是：有此功能時覺得 "喜歡的"；無此功能時覺得 "無所謂"，那對應出來的類型就是"R"。將同一個服務下的每一筆樣本進行對照，假設得到以下階段性數據：
從上面可以得知，xx功能(服務)的特性，以I類型為主要型，因此分析此服務分類為I型，用這樣的方式把所有的服務類型辨別出來。各類型解釋如下：
A：Attractive；魅力型需求
當此要素充足時顧客會感到滿意，不具備時顧客也可以接受，不會造成不滿
O：One-Dimensional；期望型需求
此種要素充足時顧客會覺得滿意，但不充足時會不滿；為傳統品質觀點
M：Must-be；基本型需求
此要素充足時，顧客視為理所當然，不會因此感到滿意，但不充足時會不滿
I：Indifferent；無差異需求
此種要素不論是否充足，燈不會影響到顧客滿意程度，也就是說對服務品質與客戶滿意度間不敏感
R：Reserve；反向型需求
此種品質充足時反而會引起顧客不滿，不充足時才會滿意
Q：Questionable；疑問型需求
此為有疑問之結果，一般情況下不會出現，除非問題問法不合理、受測者沒理解問題、或在填寫答案時寫錯等等
Model Based Analysis
下一步進行模型計算，其實是個敏感度分析，其中，SI 代表滿意的影響力；DSI 代表不滿意的影響力。
公式如下：
SI =（A+O) / (A+O+M+I)
DSI = (O+M) / (A+O+M+I) × -1
沿用剛才的數據套入上面的公式：
SI = 40 / 90 = 0.44
DSI = 20 / 90 x -1 ＝ -0.22
每一個"服務"都可以得到他們各自的 SI 和 DSI 數。而正常來說 SI 會落在 0 到 1 之間，DSI 會落在 0 到 -1 之間，當 SI 和 DSI 的絕對值越大，代表其對改變服務的影響力越大。
我們把所有服務的 SI 和 DSI 做算術平均，能得到一個平均 SI 和平均 DSI 。
Data Interpretation
剛剛算了一堆數據，現在討論如何解釋數據。先看單一的xx服務，我們以(0.5,0.5)之座標點到圓心距離為半徑畫一個1/4圓。你可以發現XX功能落在灰色扇形內部，代表具備低的滿意度敏感性，而若是服務落在外面，則代表此服務具備高的滿意度敏感性。
若把所有服務放在一起看，將方才計算的服務 SI 和 DSI 平均畫在下圖兩軸上，並標示各項服務於座標圖上，得到的圖形中能清楚看見各種服務分布於四種類型中 (示意圖)：
Category Prioritizing
而後我們能夠根據每種類型的比較，得到要優化的順序： M > O > A > I，原則為先處理不充足會不滿的 M；再看不充足會不滿，跟充足會滿意的O；然後看不充足沒差，但充足會開心的 A ；最後看基本上不太需要費心的 I 。
Priority Adjustment
針對排序較為優先的幾個項目或服務，我們需要思考如何"優化/創新服務"，在此可以簡單利用情境分解來幫助思考。先從消費者的角度出發，去思考整個服務的前、中、後，會經歷哪些環節，然後將完整的服務拆解成：人物、物品、情境、活動、互動；"腦力激盪"在達到同樣的目的 (活動) 之前提下，有什麼新的互動方式可以滿足潛在需求 (此新的互動方式可能帶來物境、情境、或活動減少等轉變) 。
活動是完成服務所需的動作，互動則是完成活動的方式，簡單舉例：
● 完整的服務描述：行動不便的爺爺想要到家附近的飲料店購買一杯飲料
● 人物 → 行動不便的爺爺
● 物品 → 飲料
● 情境 → 家附近的飲料店
● 活動 → 購買行為、取貨行為
● 互動 → 到店跟店員面對面溝通、當面取貨
由上面可以看出，這位行動不便的爺爺有一項明顯的潛在特徵：行動不便，針對他的特性，或許店家能提供電話/網路訂購 (新互動：取代到店購買) ，並且提供外送服務 (新互動：取代當面取貨)，於是新的服務模式產生。
而上述的方法其實跟黃金圈理論 (Why → How → What) 有異曲同工之妙。先從的內心價值(想喝飲料 Why)去理解為何人類作出這樣的行為，而這項行為是通過某種活動+互動進行的服務流程(到店+購買 How)，隨後得到服務附帶之結果(買到飲料 What)。
總而言之...
狩野分析的能將顧客的體驗進行分類 (但不代表服務的優劣)，所分類的類型代表不同型態的體驗，研究員就分類後的服務，排序出"優化的先後順序"。狩野分析只是個開端，優先順序排出來後，如何優化/創新服務才是重頭戲!
以上的內容感謝 I am Nor Chen / Poseidon Service Design老師精彩的分享！小妹只是將其內容抽換延伸為自己的理解，幫助對用戶研究有興趣的朋友們一起學習，有任何建議還請多多指教，謝謝大家看到這裡 :)
