Phƣơng pháp IGA là một công cụ đơn giản đƣợc dùng để xác định các cơ hội cải tiến trong lĩnh vực dịch vụ. Đây là phƣơng pháp đã vƣợt qua đƣợc các hạn chế từ phƣơng pháp phổ biến hiện nay là IPA (Importance – Performance Analysis) khi có xét đến các thuộc tính hấp dẫn và cơ bản.
IGA là phƣơng pháp phân tích theo quadrant. Nhƣng khác với IPA, IGA so sánh sự không thỏa mãn mong đợi của khách hàng (expected customer dissatisfaction)
39
nếu thuộc tính có mức độ thể hiện thấp với sự tác động mong đợi lên sự thỏa mãn của khách hàng nếu thuộc tính đƣợc cải thiện hay xem xét.
Về cơ bản, với mỗi thuộc tính khách hàng sẽ thể hiện mức độ hài lòng – không hài lòng mong đợi với hai câu hỏi giả thuyết: một câu hỏi có cấu trúc/ có thuộc tính (ESFQ), nơi thuộc tính có mức độ thể hiện cao; và một câu hỏi không cấu trúc/ không có thuộc tính (ESDQ), nơi thuộc tính có mức độ thể hiện thấp. Để giảm khả năng của hiệu ứng lan tỏa và các câu trả lời có tính đối xứng, các câu hỏi theo cấu trúc và không theo cấu trúc sẽ đƣợc sắp xếp theo thứ tự ngẫu nhiên. Phần thứ hai của bảng khảo sát là các câu hỏi nhằm ghi nhận sự hài lòng với mức độ thể hiện của các thuộc tính hiện tại.
Các câu trả lời đƣợc mã hóa theo một thang đo từ -4 (cực kỳ không hài lòng) đến +4 (cực kỳ hài lòng). Thang đo 9 điểm đƣợc chọn để có nhiều mức độ đánh giá hơn trong các câu trả lời, tuy nhiên chúng ta cũng có thể sử dụng thang 7 điểm. Mức độ hài lòng mong đợi trung bình với câu hỏi có cấu trúc (AESFQ), mức độ
không hài lòng mong đợi trung bình với câu hỏi không cấu trúc (AESDQ) và mức độ hài lòng trung bình hiện tại (ACS) cho từng thuộc tính đƣợc tính toán nhƣ sau:
Với n: là số bảng trả lời hợp lệ
Sự khác biệt cải tiến (IG) cho mỗi thuộc tính đƣợc tính bằng cách:
Sự khác biệt cải tiến (IG) của mỗi thuộc tính đƣợc chuẩn hóa theo công thức sau. Kết quả sẽ đƣợc đặt lên trục X của ma trận:
40
Mức độ không hài lòng trung bình với câu hỏi không cấu trúc đƣợc chuẩn hóa theo công thức sau. Kết quả sẽ đƣợc đăt lên trục Y của ma trận.
Phƣơng pháp IGA tính toán chỉ dựa trên nghiên cứu chất lƣợng của tổ chức nên quá trình chuẩn hóa các con số đƣợc tiến hành nhằm xác định các đại lƣợng theo thống kê cho IGk
và AESDQk. Sau đó, các thuộc tính này đƣợc phân tích theo vị trí của nó trên ma trận. Lý do đằng sau IGA là khi trả lời câu hỏi có cấu trúc, các khách hàng thƣờng liên tƣởng đến tình huống lý tƣởng hay nhƣ ý muốn do đó họ đánh theo mức độ hài lòng của mình. Sự khác biệt cải tiến bao gồm việc chúng ta sẽ nhận đƣợc mức hài lòng nhƣ thế nào khi một thuộc tính đƣợc cải thiện đến mức nhƣ khách hàng mong đợi. Theo đó, khách hàng cũng liên tƣởng đến tình huống tệ hơn và đánh giá mức độ không hài lòng của mình khi trả lời các câu hỏi không cấu trúc.
Các thuộc tính có mức IG cao và mức AESDQ cao thuộc ô I của ma trận và là thuộc tính quan trọng cần đƣợc cải thiện. Các thuộc tính rơi vào khu vực này có thể là do chúng có mức độ thể hiện ở hiện tại thấp, cũng có thể là do nếu đƣợc cải thiện sẽ làm mức độ hài lòng của khách hàng tăng cao nhanh chóng. Dù vì lý do gì, chúng cũng nên đƣợc tập trung cải thiện.
Các thuộc tính với mức IG thấp và mức AESDQ cao thuộc vào ô II của ma trận. Các thuộc tính này không cần phải đƣợc cải thiện, nhƣng công ty cần giữ chúng ở mức độ hợp lý, không làm mức độ thể hiện giảm xuống vì nếu nhƣ vậy thì khách hàng sẽ vô cùng thất vọng. Khi các thuộc tính cơ bản, thể hiện hay thích thú khi rơi vào ô này công ty nên giữ mức thể hiện tƣơng xứng, ổn định hay cao hơn một chút.
Các thuộc tính với mức IG cao và mức AESDQ thấp rơi vào ô VI của ma trận, đƣợc xem nhƣ là các thuộc tính hấp dẫn. Đây là những thuộc tính không mang lại
41
nhiều sự không hài lòng cho khách hàng nếu vắng mặt nhƣng lại có thể mang lại sự hài lòng vƣợt trội nếu xuất hiện hay đƣợc cải thiện hơn. Do mức độ thể hiện có thấp cũng không mang lại sự không hài lòng đối với khách hàng, nên các thuộc tính trong ô này có thể đƣợc cải thiện hay không.
Mặc dù các thuộc tính hấp dẫn có xu hƣớng rơi vào ô thứ IV của ma trận IGA, nhƣng chúng cũng có thể rơi vào ô thứ II phụ thuộc vào mức độ thể hiện hiện tại lẫn việc khách hàng có sẵn sàng sử dụng chúng hay không.
Khi một công ty gia tăng gia tăng mức độ thể hiện và khách hàng bắt đầu quen với các thuộc tính hấp dẫn đó thì IG sẽ giảm và AESDQ (khách hàng không muốn đánh mất lợi ích của mình), vì thế các thuộc tính này sẽ dịch chuyển từ ô IV sang ô II.
Lúc này có thể lý luận rằng thuộc tính này không còn là thuộc tính hấp dẫn nữa. Sự chuyển dời này xảy ra trƣớc tiên ở công ty, đối với thị trƣờng thì có thể nó vẫn là thuộc tính hấp dẫn.
Các cải tiến tiến đến sự hấp dẫn mà khách hàng có thể định lƣợng và mong muốn những lợi ích tiềm năng nên rơi vào ô IV của ma trân IGA. Có thể lý luận rằng nếu một thuộc tính là sự cải thiện hay một thuộc tính vẫn chƣa đƣợc xuất hiện thì khách hàng không thể trả lời về sự hài lòng hiện tại của họ đƣợc. Với vấn đề này, Gérson Tontini và Jaime Dagostin Picolo cho rằng đây là
giống nhƣ trƣờng hợp các thuộc tính bàng quang, mức hài lòng hiện tại sẽ dao động xung quanh vị trí trung lập. Nếu khách hàng đòi hỏi một sự cải thiện hơn nữa thì sẽ có xu hƣớng đánh giá mức hài lòng cao hơn trong các câu hỏi có cấu trúc (AESDQ), dẫn đến mức IG cao hơn. Mặt khác, do khách hàng không thích ứng với những lợi ích đó, họ sẽ có xu hƣớng đánh giá mức hài lòng cao hơn trong các câu hỏi có cấu trúc (AESDQ) thấp hơn.
42
Các thuộc tính có mức IG thấp và mức AESDQ thấp sẽ rơi vào ô III của ma trận IGA, ô của các thuộc tính bàng quang. Nếu các thuộc tính này có đƣợc cải thiện đi chăng nữa thì vẫn không mang lại mức tăng đáng kể trong sự hài lòng của khách hàng, và nếu có bỏ qua chúng thì cũng sẽ không mang lại sự không hài lòng. Nếu một thuộc tính đƣợc cải thiện hoàn toàn mà khách hàng có thể không đánh giá cao các lợi ích của nó - dẫn đến mức IG và AESDQ đều thấp – thì thuộc tính đó sẽ rơi vào ô III của ma trận. Trong trƣờng hợp này, sự tác động vào các cải thiện chỉ có thể đƣợc ghi nhận sau khi khách hàng đã trải nghiệm qua các lợi ích đƣợc mang lại.
Hình 3.5 Ma trận IGA
Nguồn: Managing Service Quality Vol. 20 No. 6, 2010 pp. 565-584
Đƣờng biên giữa các quyết định cải tiến khác nhau đƣợc phân bởi các đƣờng chia các phần của ma trận. Thông thƣờng đƣờng phân chia bắt đầu từ 0 – giá trị chuẩn của mức IG trung bình và mức AESDQ trung bình của tất cả các thuộc tính. Tuy nhiên, chúng ta có
Sự không hài lòng với câu hỏi không cấu trúc (AES DQ) Cao Thấp Ô II Giữ mức độ thể hiện nhƣ hiện tại Ô I Thuộc tính quan trọng: Cải thiện Ô III
Biến trung lập – có giá trị nếu có nhu cầu
Ô IV
Thuộc tính hấp dẫn: có giá trị cho việc cải
thiện
Thấp Cao
43
thể linh động đƣờng biên này nhằm làm rõ các thuộc tính. Tất cả phụ thuộc vào sự đánh giá cuối cùng là những gì nên làm cho mỗi thuộc tính khi quyết định cải tiến.
Cần nhấn mạnh lại là IGA không phải là phƣơng pháp nhằm tìm ra sự khác nhau với phƣơng pháp phân loại thuộc tính của Kano. IGA là phƣơng pháp có thể chỉ ra trực tiếp các nỗ lực cải tiến bên cạnh sự phân loại của mô hình Kano.