Denken Sie daran, wie es war, als Sie das letzte Mal geflogen sind. Wie zufrieden waren Sie? Den meisten fallen vermutlich einige Dinge ein, die ihre Flugreise positiv oder negativ beeinflusst und letztendlich ihre Zufriedenheit bestimmt haben..

Für Fluggesellschaften ist die Kundenzufriedenheit eine äußerst wichtige Kennzahl. Zu wissen, dass die Kunden zufrieden sind, ist gut – zu wissen, warum sie zufrieden sind, ist allerdings noch besser. Solche Einblicke können einer Fluggesellschaft dabei helfen zu verstehen, wo aus Sicht der Kunden ihre Stärken liegen und wo sie sich noch verbessern kann. Betrachten wir dies hier etwas genauer.

Bei einer Studie zur Kundenzufriedenheit wurden Passagiere gebeten, ihre allgemeine Zufriedenheit sowie andere Aspekte ihrer Flugreise zu bewerten, z. B. die Bequemlichkeit der Sitze, die Benutzerfreundlichkeit des Online-Buchungsvorgangs, die Beinfreiheit oder Verspätungen bei Ankunft und Abflug. Dabei stellte sich heraus, dass 54 % der Passagiere mit ihrem Flug zufrieden waren, d. h. eine Mehrheit der Kunden ihre Erfahrung insgesamt positiv bewertete.

Warum sind Kunden zufrieden?

Dass die meisten Kunden zufrieden waren, ist schon einmal gut zu wissen. Die nächsten logischen Fragen sind: Warum sind die Kunden zufrieden, und was unterscheidet einen zufriedenen Kunden von einem neutralen/unzufriedenen Kunden? Diese Umfrage enthält eine Vielzahl von Prädiktoren (> 20), mit denen viele Datensätze (über 100.000 Zeilen) untersucht werden können. Über das Menü „Prädiktive Analysen“ in der aktuellen Version der Minitab Statistical Software können wir mit CART^® schnell die wichtigsten Faktoren für die Kundenzufriedenheit ermitteln.

Möchten Sie mehr über die aktuelle Version von Minitab erfahren?

CART^®(Klassifikations- und Regressionsbäume) ist ein Algorithmus für Entscheidungsbäume, mit dem wichtige Muster und Beziehungen in Datenvariablen gesucht werden können. Bei Fragen oder Problemstellungen mit einer binomialen oder multinomialen kategorialen Antwortvariablen verwenden Sie die CART-Klassifikation, während für alle Fälle mit einer stetigen Antwortvariablen und vielen kategorialen oder stetigen Prädiktoren die CART-Regression eingesetzt werden sollte.

In dieser Umfrage werden die Kunden in zwei Gruppen kategorisiert (zufrieden und neutral/unzufrieden), daher arbeiten wir mit der CART-Klassifikation. CART beruht auf dem Prinzip, dass die Prädiktorvariablen in verschiedene Bereiche aufgeteilt werden, sodass die abhängige Variable bzw. Zielvariable, in diesem Fall die Kundenzufriedenheit, genauer prognostiziert werden kann. In der Minitab Statistical Software werden automatisch der am besten geeignete Entscheidungsbaum ausgewählt und Modellstatistiken bereitgestellt. So können Sie beurteilen, ob das Modell geeignet ist.

Beim Analysieren dieser Daten ist das Standardmodell relativ groß – was kein Problem ist. Nehmen wir hier jedoch an, dass Sie nur die wichtigsten Faktoren für die Zufriedenheit genauer betrachten möchten. In diesem Fall können Sie in einem Diagramm der relativen Variablenwichtigkeit erkennen, welche Prädiktoren im Baum die wichtigsten Variablen sind.

Unten sehen Sie, dass die Bordunterhaltung und der Sitzkomfort beim Prognostizieren der Zufriedenheit die wichtigsten Variablen sind. Danach folgen die Benutzerfreundlichkeit der Online-Buchung und der Online-Support, die ebenfalls als sehr wichtig eingestuft werden.

Flexibilität zum Anpassen eines alternativen Modells

CART-Bäume können oft sehr groß sein. Einen kleinen Baum mit ähnlichen Informationen anzuzeigen, kann hilfreich sein, insbesondere wenn Sie die Ergebnisse anderen präsentieren möchten. Daher umfasst die aktuelle Version der Minitab Statistical Software eine interaktive Modellansicht, mit der alternative Modelle in einem Fenster angezeigt, untersucht und verglichen werden können.

Unten wurde ein deutlich kleinerer Baum ausgewählt, sodass wichtige Variablen und Zweige leichter erkennbar sind.

Mit Baumdiagrammen Details verstehen

Wenn wir diesen Entscheidungsbaum genauer betrachten, erkennen wir, dass ca. 81 % der Kunden die Bordunterhaltung mit mehr als 3,5 und ihre Erfahrung daher mit „Zufrieden“ bewerteten.

Dank der rot-blauen Indikatorleiste, die Sie hier und an jedem Knoten im Baum sehen, können Sie diese Ergebnisse mit einem Blick erfassen. Dabei steht blau für zufriedene und rot für neutrale/unzufriedene Kunden. Hier lässt sich außerdem feststellen, dass die Kunden, die die Bordunterhaltung mit weniger als 3,5 bewerteten, eher zufrieden waren, wenn der Sitzkomfort hoch war. Bei einem geringen Sitzkomfort war die Zufriedenheit dagegen erheblich geringer. Dies können Sie nachvollziehen, wenn Sie dem Pfad auf der linken Seite des Baums folgen.

CART-Bäume sind besonders hilfreich, wenn Sie wissen möchten, welche Variablen wichtig sind. Die einzelnen Variablen können aber auch leicht weiter untersucht werden, indem Sie die Teilungswerte im Modell betrachten. Wenn Fluggesellschaften den oben gezeigten Baum analysieren, dürfte es sie nicht überraschen, dass die Kunden sich gute Bordunterhaltung und einen bequemen Sitz wünschen. Doch auch der Umstand, dass selbst bei einem weniger guten Unterhaltungsprogramm die Kundenzufriedenheit durch einen bequemen Sitz gesichert werden kann, ist eine wertvolle Erkenntnis.

CART ist ein äußerst hilfreiches Werkzeug für Ihre Analysen, da nur wenige Annahmen benötigt werden und die Berechnungen schnell durchgeführt werden können. Wenn Ihnen Daten vorliegen, die Sie noch nicht analysiert haben, weil prädiktive Analysen und maschinelles Lernen abschreckend auf Sie wirken, probieren Sie CART aus. In der neuen Version der Minitab Statistiksoftware ist dies noch einfacher.

Haben Sie Interesse an weiteren Tipps und Tricks
zur Verwendung von CART^® in Minitab?

Registrieren Sie sich für unser Webinar in englischer Sprache >