Pensez à la dernière fois que vous avez pris l'avion : comment s'est déroulée cette expérience ? La plupart des personnes peuvent probablement penser à certains éléments ayant affecté leurs précédents vols (tant positivement que négativement) et influencé leur satisfaction.
En matière de transport aérien, la satisfaction des passagers est un indicateur clé pour les compagnies aériennes. Le fait de savoir qu'ils sont satisfaits est une bonne chose, mais c'est encore mieux de savoir pourquoi ils le sont. Le point de vue des clients peut réellement aider les compagnies aériennes à comprendre leurs points forts et leurs pistes d'amélioration. Examinons cela de plus près.
Une étude de satisfaction client a invité des passagers à évaluer leur satisfaction générale, ainsi que d'autres éléments concernant leur vol (par exemple le confort du siège, la facilité de réservation en ligne, l'espace pour les jambes, et les retards au départ et à l'arrivée en minutes). Cette enquête a révélé que 54 % des passagers étaient satisfaits de leur vol : cela nous montre que dans l'ensemble, les clients sont contents de leur expérience.
Comprendre les raisons de satisfaction
Il est bon de savoir que la plupart des clients sont satisfaits de leur expérience de vol. Les questions logiques qui en découlent sont les suivantes : pour quelles raisons sont-ils satisfaits ? Qu'est-ce qui distingue un client satisfait d'un client neutre/insatisfait ?
L'enquête nous a fourni de nombreux prédicteurs (>20) à étudier et beaucoup de données (plus de 100 000 lignes). Grâce au menu d'analyse prédictive de la nouvelle version du logiciel d'analyse de données Minitab, nous pouvons utiliser les arbres de régression et de classification CART® afin d'identifier rapidement les principaux facteurs de la satisfaction client.
Découvrez les nouvelles fonctionnalités du logiciel >
CART®, ou les arbres de régression et de classification, est un algorithme d'arbre de régression utilisé pour trouver des modèles et des relations importantes dans des variables de données. Si la question ou le défi auquel vous êtes confronté a une réponse catégorique binomiale ou multinomiale, utilisez la classification CART ; s'il a une réponse continue avec de nombreux prédicteurs catégoriques ou continus, ayez plutôt recours à la régression CART.
Dans le cadre de cette enquête, puisque nous classons les clients en deux groupes selon qu'ils sont satisfaits ou neutres/insatisfaits, nous utiliserons la classification CART. L'idée principale de CART consiste à diviser les variables de prédiction en différentes régions afin que la variable dépendante (également appelée la variable cible, c'est-à-dire dans ce cas, la satisfaction) puisse être prédite avec plus de précision. Le logiciel d'analyse de données Minitab vous fournira automatiquement le meilleur arbre de décision et des statistiques de modèles, afin que vous puissiez comprendre si le modèle est utile ou non.
Lors de l'analyse de ces données, le modèle par défaut est assez large, ce qui est très bien. Supposons que vous souhaitiez simplement vous concentrer sur les principaux facteurs de satisfaction et les comprendre : dans ce cas, le graphique d'importance relative des variables peut vous indiquer quels sont les prédicteurs les plus importants pour l'arbre.
Comme vous pouvez le constater ci-dessous, le divertissement à bord et le confort du siège sont les variables les plus importantes pour prédire la satisfaction, suivies par la facilité de réservation en ligne et l'assistance en ligne.
Un modèle d'analyse flexible et interactif
Les arbres CART sont souvent assez conséquents, il peut être utile d'en afficher un plus petit contenant des informations similaires, en particulier si nous prévoyons de communiquer nos conclusions à d'autres personnes. La nouvelle version du logiciel d'analyse Minitab comprend une vue interactive des modèles qui vous permet d'explorer, de visualiser et d'examiner d'autres modèles dans une fenêtre unique et pratique.
Comme vous pouvez le voir ci-dessous, un arbre plus petit a été sélectionné, ce qui permet de visualiser les variables clés et les divisions.
Des diagrammes en arbre pour vous aider à mieux comprendre les détails
En examinant l'arbre plus attentivement, nous pouvons voir que lorsque les divertissements à bord des avions sont évalués à plus de 3,5, environ 81 % des clients se déclarent satisfaits de leur expérience.
La barre d'indication rouge et bleue (affichée ci-dessus et dans chaque nœud de l'arbre) permet de visualiser facilement ces résultats, le bleu correspondant à la satisfaction, et le rouge au neutre/à l'insatisfaction. Cela vous permet également de constater que lorsque les clients ont attribué une note inférieure à 3,5 aux divertissements à bord, ils ont tendance à être plus satisfaits si le confort du siège est élevé, mais ils le sont beaucoup moins s'il ne l'est pas (visible sur le côté gauche de l'arbre).
Les arbres CART sont très utiles lorsque vous voulez comprendre les variables importantes, tout en permettant également à quelqu'un d'autre de les explorer facilement en visualisant les valeurs divisées dans le modèle. En utilisant l'arbre ci-dessus, les compagnies aériennes seront probablement peu surprises d'apprendre que les clients veulent un bon divertissement à bord et un siège confortable. Cependant, il est très intéressant d'apprendre qu'un siège confortable peut compenser un divertissement à bord médiocre.
CART est un outil analytique utile, car il nécessite peu d'hypothèses et peut être lancé assez rapidement. Si vous disposez de données que vous n'avez pas étudiées parce que l'analyse prédictive et le Machine Learning vous semblent trop intimidants, essayez CART : c'est encore plus facile maintenant avec la nouvelle version du logiciel d'analyse de données Minitab.
Pour en savoir plus sur les nouveaux outils graphiques et statistiques, visionnez le webinaire à la demande >