Байесовской оценки сеть сервис-Прибыль Сеть транспорта Удовлетворение службы

РЕЗЮМЕ

Байесовской методологии сети используются для моделирования ключевых связей цепочки обслуживания прибыли в рамках транспортных услуг удовлетворение. Байесовской сети предлагают некоторые преимущества для осуществления управленческой сосредоточены модели по сравнению с другими статистическими методами, предназначенными в основном для оценки теоретических моделей. Эти преимущества (1) обеспечение использования причинное объяснение наблюдаемых переменных в одной многомерной модели, (2) анализа нелинейных отношений, содержащиеся в порядкового измерения, (3) размещение ветвящиеся структуры, возникающие при сборе данных, и (4) способность для проведения вероятностного вывода для прогнозирования и диагностики с выходной показатель, который может быть понят менеджеров и ученых. Пример данных с 1101 последние клиентам транспортные услуги используются для выбора и проверки байесовской сети и провести вероятностный вывод.

Предметные области: Bayesian сетей, сервис-Прибыль Сеть, а также удовлетворение транспортных услуг.

ВВЕДЕНИЕ

Сервис-Прибыль Сеть (SPC) представляет собой концептуальную основу, которая описывает процесс, обеспечивающей превосходное стоимость услуг (Хескетт, Sasser,

SPC обеспечивает основу для разработки концептуальной модели причинно-следственных связей, касающимся транспортного обслуживания удовлетворение. Механизм реализации должен обеспечить плавный перевод концептуальная модель в структуру действия переменных, которые могут использовать типичные данные опроса. Этот механизм должен иметь возможность разместить ветвления закономерности в данных, изображается в качестве решения точек в концептуальной модели, ана / е нелинейные отношения, и обеспечить прогнозирование и диагностика через разнообразие возможных условиях. Байесовской методологии сети эти возможности и выбрали в качестве механизма осуществления.

Данная статья является первой организацией для изучения вопросов, в литературе о применении моделей SPC. Далее, решение об избрании байесовской сети в качестве механизма осуществления обсуждается и основы дискретной байесовской сети представлены. Затем, концептуальная модель транспорта удовлетворение услуга предоставляется, исследование данных, используемых в реализации, а также приводятся байесовской сети используется для проведения вероятностного вывода. Статья заканчивается кратким резюме, которое рассматривается обобщение процесса, описанного в статье.

ВОПРОСЫ ОСУЩЕСТВЛЕНИЯ SPC

Там были только некоторые эмпирические исследования фирмы пытаются связать специальные драйверы удовлетворения соответствующих результатов бизнеса с использованием качественных услуг и удовлетворение программ, разрабатываемых в рамках КСП. Эти исследования, как правило, сосредоточены на статистических проверки выбранных ссылок SPC, выявили многочисленные препятствия. В одном из ранних расследования, Болтон и Дрю (1991) изучить основные компоненты SPC использованием многоступенчатой модели. Анализ данных опроса собраны из телефонных клиентов, они оценивают отношения между воспринимается производительность, опровергнуть, качество услуг, и стоимость конструкции. Сила этого моделированию является подтверждением конкретных услуг компонент оценки в качестве причины общего качества и стоимости. Обращая особое внимание на потенциальные выгоды от применения концепции SPC, они рекомендуют следующее:

... спецификации и ввод в действие модель должна осторожно с учетом конкретных условий службы. Эти усилия будут вознаграждены многие управленческие последствия, которые могут быть получены из результатов оценки (стр. 384).

Позже, Болтон и Дрю (1994, стр. 179) отмечают, что "... большинство компаний (пока еще) не в состоянии связать инженерно-операций атрибутов клиента восприятие услуг с помощью статистических моделей."

Миттал, Росс и Baidasare (1998) расследовать атрибут уровня производительности и его влияние на удовлетворенность и выкупа намерения, признав, что управленческие решения, самым непосредственным образом влияют определенные атрибуты. Они находят асимметричных отношений, в которых атрибут Негативные показатели уровня в большей степени влияет на удовлетворение, чем аналогичные величины положительных атрибут уровня производительности. Эти отношения оказываются нелинейными, с положительными результатами уступая убывающего плодородия почвы на удовлетворение. Кроме того, Андерсон и Миттал (2000), обзор эмпирических исследований ключевых связей SPC, описывают различные асимметричного и нелинейных функциональных форм. Они пришли к выводу, что модели удовлетворенности клиентов должны быть в состоянии захватить асимметричных и нелинейный характер производительности удовлетворение, удовлетворение, сохранение и удержание рентабельности связей. Кроме того, они решены практические вопросы о том, как представить информацию таким образом, "... что фронт-менеджеры могут легко понять и реализовать идеи" (стр. 111). Одним из успешных решений об основывается на подчеркивая порядковый характеристики данных ("сверху-2-окно" и "снизу-2-ящик" оценки), чтобы изобразить асимметричные отношения ..

Миттал и Камакура (2001) находят в исследовании удовлетворенности и выкупа и удовлетворение намерением и выкупа отношения поведение, что эти отношения (1), может варьироваться в зависимости от сегмента рынка, (2) оказываются нелинейными, и (3) подлежат существенный ответ смещения. Кроме того, функциональная форма отношений удовлетворенности намерении существенно отличается от функциональной формы отношений удовлетворенности поведения. Так как большинство коммерческих исследований мера первых, менеджеры могут принимать решения об управлении удовлетворение тем, что, вероятно, будут оптимальными с учетом истинного отношения удовлетворенности поведения.

Лавман (1998) фокусируется на отдельных отношений в изучении SPC шесть ключевых связей, одна пара в тот момент, используя данные из крупного банка. Он сообщает, корреляционного поддержки для каждого предположили связь, но и прямо отмечает, что проблемы причинности не могут быть решены таким образом. Кроме того, Лавман (1998, p. 30) предполагает, что "Будущие исследования будут использовать более изощренные методы, чтобы улучшить multiequation испытания модели обслуживания прибыль цепи и более различия между конкурирующими объяснения неоднозначные результаты".

Совсем недавно, Камакура, Mittal, Де Роза, а Mazzon (2002) используют изощренные методы multiequation одновременно оценке SPC ссылки на стратегическом и оперативном уровнях. Их исследование использует два этапа анализа подхода первого разработки стратегического модели с помощью моделирования структурными уравнениями, то применяя данные охват анализа выполнения анализа эффективности на операционном уровне фирмы (филиалы банков). В этом всеобъемлющие усилия моделирования SPC, структурная модель уравнения (SEM) функции построить пять уравнений для описания и тестирования оперативной взаимосвязи между усилиями, отношения потребителей и бизнес-результатов. Среди предположить причинно-следственных связей кодируется построить уравнения одновременного положительного и отрицательного воздействия качества обслуживания, расходов и инвестиций на прибыльность, как предлагается в возвращении на качество основы, Ржавчина, Zahorik и Keiningham (1995). В результате модель, основанная на ранговые корреляции порядка, представляется в качестве приемлемого представления стратегических аспектов концепции SPC.

Камакура и др.. (2002) к выводу, что стратегической модели созданы структурные уравнения методологии моделирования могут обеспечить основу для топ-менеджмента. Этот стратегический план представлен в виде диаграммы путь измеряется с оперативной переменных и скрытых стратегических переменных. Диаграмма представляет все переменные в стандартизированной форме, и выражает прочность отношений в условных единицах отклонения. Мы полагаем, с управленческой точки зрения, что Существуют очевидные недостатки при принятии такого подхода. Хотя о том, что модель скрытого стратегических переменных факторов, вызывающих наблюдаемые оперативных переменных имеет значительную теоретическую привлекательность и обеспечивает элегантный представление процесса, нет пути к практической реализации. В частности, изображение оперативных переменных вызванных теоретических стратегической конструкции не действия, так как конструкции не могут быть непосредственно наблюдаемых или измерить.

В совокупности вышеуказанные исследования показывают, проблема заключается не ли предположить SPC взаимосвязь существует, но основное внимание следует уделять выбору механизма реализации, которая отвечает требованиям для получения управленческой соответствующую информацию на основе концептуальной модели. Как было отмечено выше, эти требования включают возможность разместить ветвления закономерности в данных, а также оценки нелинейных связей с типичными номинальные и порядковые измерения уровня (Болтон

Альтернативные методы ОСУЩЕСТВЛЕНИЯ

Хескетт и др.. (1997) рекомендуют причинно-следственных методик картографический сервис и Fishbone диаграмм для обобщения данных обследования. Служба обеспечивает отображение blueprinting службы процессов в формате блок-схемы, диаграммы и Fishbone обеспечить описательное изображение предполагается, причинно-следственные связи, которые подчеркивают наиболее важных причин. Хотя оба эти методы являются очень полезными для качественной точки зрения, им не хватает желательно количественные признаки, необходимые для прогнозирования и диагностики. Для решения этих проблем, большинство предыдущих исследователей обратились к регрессионного анализа и моделирования структурными уравнениями. Мы полагаем, что байесовский анализ сети является привлекательной альтернативой количественной методики моделирования.

Сравнение моделей регрессии, маркетингу поисковых систем, и байесовских сетей в качестве потенциальных механизмов реализации представлены в таблице 1. Сравнение фокусируется на построении моделей, статистические предположения, добра "подгонки" меры, выведенный возможности, и интерпретируемости. Типы переменных метод может вместить, ветвящиеся возможности, и оценка общего сложности сравнительных элементов в модели здания.

Статистические предположения и распределения функциональных форм. Goodnessof посадки компоненты доступных тестов значение и описательных индексов. Выведенный возможности включают прогнозирования и диагностики. Элементы интерпретируемости являются основными выход метрических и оценки теоретических и управленческих способностей объяснение.

Регрессионные модели предлагают удобное упрощение процесса дихотомических переменных в одной зависимой переменной и группой предсказателей. Атрибуты регрессионных моделей включают гибкостью для непрерывных и дискретных переменных и относительной низкой сложности. Кроме того, регрессионные модели требуют лишь минимального понимания процесса и несколько технических навыков, связанных с установки данных и интерпретации. После десятилетий классе повторений, наряду с доступными удобные вычислительные программы и помогать экранов (например, Excel), есть более глубокое ознакомление с толкованием R ^ 2 ^ SUP, использование фиктивных переменных, а также интерпретация коэффициентов регрессии. Эти характеристики делают методы регрессии очень полезна для краткосрочного прогнозирования. Основная слабость регрессионных моделей является неспособность объяснить независимым отношения переменной. Упрощенным dichotomization на зависимые и независимые переменные не дает четкого понимания процесса или полезную информацию для принятия решений.

Латентной переменной SEM в настоящее время очень популярный метод в решении наук. Метод требует уточнения модели измерений, где скрытых переменных распространенных причин наблюдаемых мер, а также построить уравнения, постулат причинно-следственных связей между скрытых переменных. Таким образом, модель потенциала задача является сложной, и SEM не могут вместить ветвления последовательности. Вычислительных программ выхода линейного параметризации регрессии предполагается многомерного нормально распределенных переменных (например, LISREL, акроним для линейных структурных связей). Хотя Есть рекомендации о том, как разместить нелинейных отношений (Шумакер

Значение испытаний и широкий ассортимент добро "подгонки индексы доступны для оценки SEM. В приложениях, исследователи, как правило, больший упор на описательную индексы подходят, чем значение тестирования, из-за сомнительной tenability нормальности предположения и чувствительности тестов для несовершеннолетних misspecifications модели. Три добро "подгонки индексов часто упоминаемых в литературе приведены в таблице 1. Индекс относительного количества выборочных ковариационных объясняется подразумеваемых ковариационной создан с помощью встроенного модель GFI, сокращение к добру "подгонки" индекса. CFI, акроним для сравнительного индекса нужным, дает сравнение установлены и модель не имеет отношения (независимость модели). Наконец, CK, единственный образец перекрестной проверки индекса, являются приблизительными ожидается подходит, если установлена модель применяется ко всем новым данным выборки.

Большая прочность SEM является способность обеспечить отличное теоретическое объяснение, используя скрытые переменные. Однако, поскольку скрытые переменные произвольной метрики, стандартизированных метрики, используемые в вычислительных программ для целей идентификации математических и удобство. Это требует анализа эффективности, которая предназначена для измерения относительного влияния прямых и косвенных причин быть выражен в единице стандартных отклонений. Это серьезный недостаток для управленческих толкования продукции. Связанных недостатком является, как применить статистические результаты, так как прогноз ограничивается скрытых переменных. Это ограничение связано с фундаментальной структуры причинная измеряемых переменных, то есть скрытые переменные причин измеренных величин. Таким образом, чтобы предсказать, измеряемой переменной надо присвоить значение скрытого общего дела. Однако, как отмечалось выше, метрика латентной переменной не определен и относительной метрикой отклонения устройство используется стандарт. Как и в случае обсуждения др. Камакура и др. (2002) исследование, мы можем оценить управленческие способности пояснительных SEM бедных.

Методологии, которые могут одновременно представить причинно-следственная служба отображение в терминах действия переменных байесовской сети (Pearl, 1988). В теории, байесовской сети могут быть применены как дискретных и непрерывных величин. Тем не менее, большинство практических приложений ограничены дискретных переменных из-за проблем эффективной оценки смесью дискретных и непрерывных величин. Кроме того, большинство имеющихся вычислительных программ дело только с дискретными переменными. Однако данные предположения о дискретных байесовской сети отличный матч номинальные и порядковые измерения уровня обычно собираются на опросы потребителей. Кроме того, она может вместить данные, собранные в последовательности ветвления в одной модели и выразить нелинейных аспектов переменной отношения.

Байесовской сети могут использовать значение испытаний независимости, чтобы подтвердить или отвергнуть предположили структуры. В дополнение к значительным испытаний, оценки добра "подгонки", вероятность правильно указанной модели данной выборки, р (модель | данных), можно ознакомиться. Вероятностные возможности вывода позволяют прогнозов и диагностики, которые, по сообщениям вероятности метрики.

Теоретические объяснения передал в байесовской сети разумного приближения основных процессов, но не так сильны, как специалисты по. Управленческих объяснение сильным за счет использования действенных оперативных переменных. Вычислительная программа может предоставить интерактивные возможности запросов для диагностики и прогнозов, которые позволяют большую гибкость оценки сценария для нетехнических менеджера. В целом, мы считаем, дискретных байесовской сети превосходную технику и моделирования для исследования как стратегических, так и оперативные аспекты модели SPC.

СЕТИ дискретных Байесов

Байесовской сети качественную составляющую в виде графика, называется ДАГ (ориентированного ациклического графа), которая изображает предполагается структура причинно-следственных связей. Количественный компонент представляет собой набор условных распределений вероятности того, что обеспечить статистической интерпретации причинно-следственных связей представлены графические структуры. Условного распределения вероятностей, можно оценить субъективно экспертам в этой области и могут быть основаны на выборочных данных с использованием относительных показателей частотных соотношений.

Направленный ациклический граф, ДАГ, изображает причинно-следственные структуры узлов, представляющих переменные и стрелы транспортных узлах показывая предположить отношений. Графа характеризуется, как указано, поскольку двуглавый изображением стрелки noncausal ассоциации (например, X [Леф-стрелка вправо] Y) не допускаются, и как ациклические, поскольку обратной связи (например, X [стрелка вправо] Y [стрелка вправо] X ) не допускаются. Направленных ограничения в графе на основе общего принципа причины (Рейхенбах, 1956), что объединения государств население всегда возникают из базовой структуры причинно-следственной. Таким образом, графические структуры, лежащие в основе наблюдаемых связь между X и Y, если X предшествует Y, является X [стрелка вправо] Y или X [стрелку слева] C [стрелка вправо] Y, где С общее дело. Независимости отношения изображали из-за отсутствия подключения стрелку, X Ю.

Два подхода были использованы для оценки потенциальных байесовской сети: независимость, метод тестирования (Купер, 1997; Spirtes, Glymour,

Независимость тестирования

Независимость, метод тестирования принимает традиционной точки зрения частотным, где предполагается, что существует постоянная, а неизвестное байесовской сети, который должен быть оценен по выборочных данных. Причинно утверждения оцениваются пробные тесты независимости использованием максимального правдоподобия хи-квадрат статистики в предположении полиномиальной выборки. Логика independencetesting подход достоверность утверждения о том, что причины X Y означает вероятностной зависимости р (Y | X) Таким образом, отказ от нулевой гипотезы маргинального независимости X и Y, H ^ ^ к югу 0: р (Y | X) = P (Y) и P (X, Y) = P (X) р (У), предусматривается доказательства того, что р (Y | X) Утверждение, что связь между X и Y связано с распространенной причиной C, X [стрелку слева] C [стрелка вправо] Y, может быть оценена таким же образом. То есть, если гипотеза условной независимости, H ^ югу 0 ^: р (X, Y, C) = P (X | C) р (Y | C), будет отклонена, общие претензии причиной поддерживается.

Независимость тестирования двухступенчатая процедура осуществляется PC алгоритм тетрадного II (Scheines, Spirtes, Glymour,

Байесовский скоринга

Статистической точки зрения байесовского подхода, забив в том, что население байесовской сети случайная величина, обозначаемая BN. Статистическая задача объединить имеющиеся знания БН с образцами данных, чтобы оценить задней распределения вероятностей для BN. Включение предварительных знаний в БН анализ требует предварительного распределения вероятностей. Однако, до знаний БН очень часто минимальны или отсутствуют, и равномерной предварительное распределение вероятностей предполагается (Гейгер

Предварительного к задней вероятностный анализ существенно упрощается, когда предварительного и задней распределения имеют тот же вид, который называется как сопряженных (Бернардо

Hyperparameters играть роль при определении частоты распределения Дирихле в качестве единой предварительного распределения. Величина называется точностью до устанавливает значения до hyperparameters, и определяет величину равномерной предварительного вероятностей. Значение предварительного точности должны быть определены исследователем. Значение предварительного точность может быть концептуально рассматривать как эквивалент объема выборки, необходимых для представления опыта прошлых лет (Winkler, 1967). Малые значения за предыдущий точности, например, эквивалентный размер выборки 1, свидетельствует о низком уровне, имеющих значение для предварительного распределения со ссылкой на выборочных данных в оценке апостериорного распределения. Если размер выборки достаточно велик по сравнению с небольшой точностью до, то задняя распределение вероятностей, прежде всего, функция выборочной информации.

теорема Байеса используется для пересмотра Дирихле предварительного распределения Б.Н., обозначим через р (BN), с учетом выборки данных, обозначается данных, чтобы Дирихле задней распределения Б.Н., обозначим через р (BN | данные). Величина р (данные | BN) известен как вероятность того, что данным BN. Расчеты, необходимые для выполнения предварительного к задней анализ р (BN | данные) - р (BN, данные) / р (Данные) = р (BN) р (данные | BN) / р (данные). По его словам, задний вероятность Б.Н., р (BN | данных), равна произведению вероятностей предварительного Б. Н. раз вероятность того, что данным Б. Н., р (BN) р (данные | BN), деленное на вероятность данных, р (данные). Р (данных) не изменится, по поводу возможного BNS, и может рассматриваться как постоянное расширение чтобы убедиться, что задняя сумму вероятностей к единице. Таким образом, задняя распределения Б.Н., р (BN | данных), которая пропорциональна р (BN) р (по данным БН). Это свойство позволяет пропорциональности величины р (BN) р (Данные BN) следует рассматривать как относительное задней вероятность, что часто выражается в натуральный логарифм, ИЯФ (BN) Inp (Данные | BN). Тем не менее, в предположении равномерного предварительное распределение вероятностей, в р (BN) является постоянной, что позволяет количество р (данные | BN) для использования в качестве байесовской сети оценка ..

Байесовской сети оценка отражает вероятность данных производится по причинной процесса, как это указано в данном Б.Н., и трактуется как способность, что Б. Н. предсказать данных. Байесовской сети оценка всегда будет отрицательным, поскольку он является логарифмом вероятности, таким образом, наименьшее отрицательное оценка в группе BNS указывает на наиболее вероятных BN.

Сочетание Независимости Тестирование и байесовских методов скоринга

Хотя философских взглядов, лежащих в основе независимости, тестирования и байесовских методов забил очень разные, имело целью объединить два подхода в разработке байесовских сетей. Моделирование исследования показывают, что PC алгоритм, с очень большими выборками, будет восстановить все причинно-следственные связи по данным наблюдений данной достоверных статистических тестирования и некоторых философских предположений, общие для всех причинных методов моделирования (Купер, 1999). Однако, с типичными размерами образца, независимость тестирования может указывать слишком мало связей из-за ошибки типа II, или слишком много связей из-за ошибки типа я (Scheines и др.., 1994). Spirtes и Мик (1995) принял гибридный подход, используя независимости тестирование для создания базовых байесовской сети, а затем сравнили сети альтернатив байесовской оценки. Scheines (1999) принял также комбинированный подход в использовании независимости тестирование для создания структуры сети, а затем использовали предварительного к задней анализа для оценки условного распределения вероятностей.

Мы примем гибридный подход, предусматривающий использование независимости тестирование, чтобы подтвердить или отвергнуть предположить причинно-следственных связей в кандидата байесовских сетей, и байесовской оценки для выбора наиболее подходящей сети. Условного распределения вероятностей, связанные с выбранным байесовской сети будут оцениваться по предварительному к задней анализа.

Вероятностного вывода

Байесовской сети могут вести вероятностный вывод, что предполагает вмешательство аналогичные физические манипуляции в классическом эксперименте (Коуэлл и др.., 1999; Перл, 2000; Jensen, 2001). Процесс запускается вмешательства на выбранные переменные данные, обозначается множество [] доказательств, которая фиксирует стоимость каждой переменной доказательств достоверности, то есть р (набор [доказательства]) = 1. В литературе байесовской сети, вмешательство часто называют экземпляра свидетельства переменных. Вероятностные распределения выбранного набора nonevidence переменных, известный как запрос, затем пересмотрены. Эти postintervention вероятности р (запрос | установить [доказательства]), обеспечить количественную оценку влияния вмешательства.

Вмешательство может создать вперед сети вывод от причины к следствию, выбрав целый ряд других причин в качестве доказательства, установите [доказательства = (причины)]), и выбрать набор эффектов, как в запросе. Форвард вывода даст прогнозы в виде р (запрос = (эффекты) | установить [доказательства = () причины]). Диагностика может быть получен назад сеть вывода от следствия к причине с выступления по набор эффектов в качестве доказательства, установите [доказательства = (эффекты)]), и выбрать набор причин, а запрос на выход р (запрос = ( причины) | установить [доказательства = (эффекты)]).

Вычислительных программ

Дружественный Байесовский скоринга, что программное обеспечение не требует программирования, специальной подготовки, или манипуляции с данными легко доступны (например, <a target="_blank" href="http://www.Bayesware.com" rel="nofollow"> WWW . Bayesware.com </> есть демонстрационная программа называется Discoverer). Байесовский скоринга программ обычно принимают предположение Дирихле предварительного и задней распределения вероятностей для предварительного к задней анализа. Большинство программ, предположим, что до знаний не хватает, и равномерное распределение Дирихле предварительного БН устанавливается путем указания предварительное значение точности. До точности равна 1 часто значение по умолчанию для предварительного точности, что дает минимальный вес предварительного знания со ссылкой на выборочных данных. Программное обеспечение, такое как Discoverer предоставляет на экране отображается образца частот, условное распределение вероятностей, переменных и сети оценки, мастера для пакетного прогнозирования, перекрестной проверки и сопоставления сети, а также интерактивные инструменты для вероятностный вывод (Ramoni

SPC модель переноса УДОВЛЕТВОРЕНИЕ СЕРВИС

Модель переноса удовлетворение услуг, как показано на рисунке 1, на основе сервис ресурсов, уровень удовлетворенности клиентов и лояльности клиентов структуры, полученные от концепции SPC (Хескетт и др.., 1997, глава 8).

Служба входа на рисунке 1 являются атрибутами своевременность, вежливость, а также ущерба уровне, а также требовать подачи решения. Удовлетворение потребностей клиентов компоненты в модели атрибут удовлетворение, оценка результатов, а также клиентов ожидания. переменных лояльности клиентов являются сохранение и одобрения. Рисунок 1 построен в модульном с трех пересекающихся процессов, которые описываются ниже.

Атрибут Уровень удовлетворенности

В сфере коммерческого транспорта, "надежность" (определяется как последовательность прибытия и сроки поставки) и "реагировать на запрос" (определяется как скорость и точность предоставления информации в ответ на запрос) являются двумя наиболее важными факторами при оценке транспорта партнеров (LaLonde

Ущерба иск удовлетворенности подпроцесса предусматривает очевидным ветвления компонента. То есть, если клиент не имеет повреждений, то нет иска. Кроме того, клиент может понести ущерб, но решили не подавать иск. Конечная удовлетворение потребителя с повреждением уровне, или не использовать потребительских претензий (услуги восстановление) процесс, считается водитель воспринимается производительности.

Удовлетворение, производительности и Ожидание

Атрибут уровень удовлетворения считаются прямыми причинами воспринимается производительность и эффективность прямой причиной опровергнуть ожидания (Болтон

Производительность, ожидания, и верность "

Лояльность клиентов, представленных в части путем удержания и одобрения (Лавман, 1998), рассматривается как функция повторять поведение покупки и уст в уста намерения (Rust и др.., 1995; Оливия, Оливер,

МЕТОД

Данные

Крупных торговых фирм эксплуатацию транспортных обследований для сбора данных от клиентов, порядковый меры стоимости услуг, удовлетворенность клиентов, а переменные лояльности клиентов. Транспорт фирмы менеджеров, консультантов и исследователей университета сотрудничали на вопрос и формулировки ответа масштабе. Менеджеры утверждали, что Весы имеют порядковые характеристики данных, которые соответствуют весы ответ использовались в предыдущих исследованиях собственная. Вопросник был предварительное тестирование с небольшой выборке (n = 20), изменениями и доработан. Анкеты были разосланы 5520 случайно выбранных клиентов, которые завершили переезд в предыдущем месяце.

Почты из почтовой рассылки методологии дали ответ размере 26%. Учитывая возможность смещения неполучение, телефонные интервью были проведены с небольшой выборке (n = 72) из nonrespondents в первоначальном обследовании. Поскольку никаких доказательств значительного смещения неполучение был обнаружен, анализ провел с использованием ответов Мейлбек анкету. Подмножество 1101 случаев исчерпывающие ответы доступна для моделирования работы. Данные случайным образом разделены на 1000 респондентов по выборке анализа и 101 респондентов за опорные образца, которые будут использоваться в внешнего подтверждения выбранного байесовской сети.

Переменная измерения

Обслуживание входных переменных, показано на рисунке 1, включить время прибытия чтобы забрать товар, помеченный прибытия и время доставки товаров, помечены поставки. Прибытие переменная имеет четыре категории ответов (по времени, 2 часа опоздал, и более дней с опозданием). Воспринимаемый уровень вежливости сотрудников, помеченный Вежливость, состоит из трех категорий (низкий, средний, высокий). Удовлетворенности клиентов переменных Удовлетворение Своевременность информации Удовлетворение есть три категории (низкий, средний, высокий).

Размер ущерба опытных, помечены ущерб уровня, имеет четыре категории ответов (нет, небольшие, умеренные, основных). Указаний на то подается иск, кодируется в переменной претензии Удовлетворение, которое 5 категории (без повреждений, никаких претензий, низкий, средний, высокий). Первые две категории удовлетворение претензии составляют события без ущерба опытом и решение не подавать иск. Последнее три категории оценки для удовлетворения претензии опыт. Переменной ущерб удовлетворение, помеченный ущерб удовлетворенности, имеет пять категорий (без повреждений, никаких претензий, низкий, средний, высокий).

Кодирование ущерб уровня и переменные претензии Удовлетворение разрешения моделирования точек принятия решений показано на рисунке 1 в соответствии с ветвящихся последовательностей, занятых в анкете. То есть, комбинация ответов об ущербе, уровня и удовлетворение претензий определить ответ категории ущерба качества. При отсутствии повреждений сообщил, закодированных ответ множество (Ущерб Level - нет, претензии Сатисфакция = нет повреждений, повреждений Сатисфакция = без ущерба). Если ущерб, но не сообщил претензии, закодированных ответ множество (Ущерб уровень = легкой или средней или крупной, удовлетворение претензий = нет претензии, ущерб Satisfaction - низкий или средний или высокий). Когда ущерб сообщили в претензии, закодированных ответ множество (Ущерб Level - легкой или средней или крупной, удовлетворение претензий = низким или средним или высоким, ущерб удовлетворенности = низкий или средний или высокий).

Мера воспринимается на общую производительность, помечены как выполнить, состоит из трех категорий (низкий, средний, высокий). Опровергнуть ожидаемых результатов деятельности, отнесенных к категории опровергнуть целом, имеет три категории (см. ниже, равного и выше). Лояльность клиентов переменных Рис 1 многократно намерение совершить покупку, помеченный Сохранение, с 2 категории (нет, да), и вероятность того, рекомендации, обозначенные Одобрение, с 3 категории (нет, может быть, вероятно).

Альтернативные байесовских сетей

Концептуальной модели, показанные на рис 1 переводится в байесовской сети. Причинной последствия рамках SPC применительно к данной работе является символом как сервис входы [стрелка вправо] удовлетворенности клиентов [стрелка вправо] лояльности клиентов. Эта структура SPC расширяется атрибуты [стрелка вправо] удовлетворения [стрелка вправо] производительность [стрелка вправо] опровергнуть [стрелка вправо лояльности], что, когда специализированные на вопросник переменных становится структурой, определенной на рисунке 2. Структуры на рис 2, качественную составляющую байесовской сети помечены BN1.

Структура BN1 предполагает атрибут удовлетворения являются независимыми, и производительность только косвенной причиной переменных лояльности клиентов. Эти предположения могут быть оценены путем сравнения BN1 альтернативных вариантов BN2 и BN3. Сеть BN2 предполагает, что атрибут удовлетворения не являются независимыми, как изображается на рисунке 2. В частности, информация удовлетворение предположить причину своевременности и ущерб удовлетворение. Структура BN2 создается путем добавления связей Информация Удовлетворение [стрелка вправо] Сатисфакция Своевременность информации Удовлетворение [стрелка вправо] Ущерб удовлетворение в структуре BN1. Сеть BN3 позволяет оценить BN1 предположение, что производительность и лояльность переменные независимы данной опровергнуть ожидания. BN3 структура создается путем добавления исполнение [стрелка вправо] Сохранение и эффективность [стрелка вправо] одобрение BN1 структуры. Среди сетей, которые будут оценены, BN1 является наиболее скупыми и BN3 является самой сложной.

РЕЗУЛЬТАТЫ

Модель оценки

Независимость тестирования применяется к BN3, при условии ограничения независимости структуры. Тестирование проводится с вероятностью ошибки типа я установлен на уровне Это довольно строгие номинальный уровень значимости будет принято после 18 Есть связи в BN3 связь, и каждый требует проверки маргинальных или условной независимости. Несколько тестирования раздует общая вероятность ошибки типа я, но установка номинального уровня значения 0,001 приведет примерно общего типа я ошибка скорости . Результаты тестирования показывают, отказ от самостоятельности каждого из предполагаемых отношений, и, таким образом поддерживая друг связь в BN3. Поскольку сети BN1 и BN2 являются подмножествами BN3, связей во всех сетях поддерживаются. Вероятность ошибки типа II, Таким образом, общая мощность тестирования, отвергнуть гипотезу о независимости, когда он должен быть отклонен, вычисляется по электроэнергетике ^ общей = 1 - Тем не менее, известно, что в один тест гипотезы нулевой уменьшением

Поскольку Эта проблема приближения коэффициента ошибок в традиционных рамках гипотезы нулевой является основной мотивацией для применения байесовского подхода забил ..

Байесовской оценки три сетей, до точности равна 1, для -9173,2 BN1, -9427,7 для BN2 и -9204,8 для BN3. Байесовской оценки распадаются на аддитивные оценки переменной для каждой сетевой структуры, поэтому предположение о атрибут удовлетворение независимости между атрибутами в BN1 могут быть оценены по сравнению с удовлетворением предположить зависимость в BN3. Одним из факторов, Байеса (Касс

Аналогичным образом, оценка за ущерб, удовлетворение BN1 является -688,2 и -833,3 BN2 это. Вероятность повреждения независимость против удовлетворения зависимость удовлетворенности Информация ехр [-688,2 - (-833,3)] = 1,0 Таким образом, независимость переменных атрибут удовлетворение BN1 поддерживается ..

Субструктуры исполнения в качестве причины лояльности переменных, хранении и одобрение, в сравнении с BN1 BN3 также могут быть оценены факторы Байеса. Оценки для хранения и индоссамента -185,3 -417,4 и в BN1, - 191,0 -443,1 и в BN3. Шансы исполнения быть только косвенной причиной Сохранение сравнению время как прямые и косвенные причины удержания ехр [-185,3 - (-191,0)] = 298,8 к 1 в пользу косвенной причиной структуры. Шансы исполнения быть только косвенной причиной Сохранение сравнению время как прямые и косвенные причины Одобрение ехр [-417,4 - (-443,1)] = 1,5 Таким образом, независимость каждой переменной лояльность и эффективность данного опровергнуть изображали в BN1 поддерживается.

Хотя приведенный выше анализ показывает, BN1 является наиболее вероятным сети Байеса факторы могут быть вычислены для сравнения BN1 против BN2 и BN1 против BN3 полной структуры. Р Байеса фактор (данные | BN1) / р (Данные BN2) является ехр [-9173,4 - (-9427,9)] = 3,4 Р Байеса фактор (данные | BN1) / р (данные | BN3) является ехр [-9173,4 - (-9204,8)] = 4,3 Таким образом, BN1 не только более экономный, чем BN2 и BN3, гораздо более вероятным. BN1 выбран в качестве байесовской сети для удовлетворения транспортных услуг модели на рис 1. Условного распределения вероятностей соответствии со структурой BN1, на рисунке 2, оцениваются multinomialDirichlet анализ сопряженных с точностью до 1. Условного распределения вероятностей BN1 не показаны из-за их размера.

Сеть проверки

Внутренние и внешние исследования, проверки проводятся в соответствии с принятым байесовской сети, BN1. Перекрестной проверки процедуры, используемые для оценки внутренней согласованности принятых байесовской сети (камень, 1977). Процедура выбора 100 случаях в качестве ответа и использует множество остальных 900 случаях предсказать реакцию. Процедура повторяется 10 раз, причем каждый случай включения в ответ набор в течение перекрестной проверки. Внутренние результаты проверки для удовлетворенности и лояльности клиентов переменных приведены в таблице 2. Кодирования данных ветвления необходимо, чтобы удовлетворение ущерба и удовлетворение претензий быть объединены для проверки.

Общий интеллектуальный точность 7 удовлетворенности клиентов и лояльности переменных 79%. Точность составляет от 69% информации Удовлетворение до 95% к удержанию.

Прогноз ответ переменных 101 случаев в опорные образец представляет собой меру внешнего действия. Общая точность опорные образца составляет 86%. Точность составляет от 80% за ущерб, причиненный Удовлетворение до 93% производительности. Результаты внешней проверки, также приведены в таблице 2.

Вероятностного вывода

Запрос возможности байесовской сети могут быть использованы для решения управленческих запросы, которые имеют прямые последствия для действий. Мы демонстрируем запроса возможности вероятностного вывода (1), предсказать вероятность переменных лояльности определенном уровне удовлетворенности клиентов, (2) вычислить вероятность диагностических услуг для переменных ввода определенном уровне эффективности работы и требовать удовлетворения, и (3) расследование как влияет на услуги восстановления удовлетворение в связи с ущербом.

Прогнозирование лояльности клиентов

Таблица 3 показывает предсказания распределения вероятностей переменных лояльности клиентов, хранении и одобрение, так как запрос в результате вмешательства на удовлетворение переменных, своевременность удовлетворение, информационные удовлетворение, а ущерб удовлетворение, так как доказательства.

В первых трех столбцах показывают выступления на своевременность удовлетворения множества [Удовлетворение Своевременность = высокая], множество [Своевременность Сатисфакция = средняя], а также множество [Своевременность Сатисфакция = низкая]. В результате postintervention вероятности Сохранение и одобрение, перечислены в нижней части запроса Таблица 3. С Своевременность, информации и ущерб удовлетворения взаимно независимы косвенных причин переменных лояльности клиентов, их распределения изменить только с вмешательством. Таким образом, вероятность распределения информации об уровне удовлетворенности и удовлетворенности ущерб не изменениями в своевременности мер. 4 колонны, 5 и 6 показывают, postintervention вероятности лояльности величин, заданных экземпляр уровень удовлетворенности информации. Столбцы 7, 8, 9 и 10 обеспечивают предсказал лояльности распределения вероятностей данного мероприятия об ущербе качества.

Каждая из переменных атрибут удовлетворением оказывает существенное влияние на переменные лояльности клиентов. Высокий уровень удовлетворенности информации дает крупнейших вероятности положительного удержания (0,79) и, вероятно, одобрения (0,66). Информация Удовлетворение также наблюдается наибольшее разнообразие в предсказал лояльности ответы на ряд мероприятий. В этом смысле информация удовлетворение в большей степени влияет на лояльность клиентов, чем своевременность и ущерба качества. В последнем столбце таблицы 3, вмешательство 11, свидетельствует о вероятности предсказать переменных лояльности клиентов, когда каждый удовлетворение переменная установлена в самом благоприятном уровне, установите [Своевременность удовлетворение высоким =], множество [Информация удовлетворение высоким =] и множество [Ущерб Удовлетворение = нет]. В результате вероятность положительного для сохранения и, вероятно, индоссамента 0,92 и 0,80. Эти прогнозы, на максимальных уровнях удовлетворенности, намного превосходит текущий образец оценки 0,66 положительных сохранения и 0,53 для вероятность одобрения. Таким образом, улучшение в удовлетворении переменных принесет очень позитивные результаты в лояльности клиентов.

Диагностика Сервис входного

Диагностического процесса вывода доходов назад от удовлетворенности клиентов (воздействия) для обслуживания входов (причины), и доклады р (запрос = (услуг входов) | установить [доказательства = (удовлетворенности клиентов)]). Эти вероятности, оцениваются по прибытии, доставка, Вежливость, и ущерб, наносимый данного мероприятия по исполнениям и претензии качества. Таблица 4 показывает postintervention вероятностей для обслуживания ресурсов, р (запрос = () служба входа | установить [Производительность], множество [претензии Удовлетворение]).

Первые три строки таблицы 4 дисплей postintervention вероятностей для обслуживания входов данного экземпляра доказательств никаких повреждений, различный уровень исполнения. Предоставлено переменной экспонатов наибольшее изменение за этот комплекс мер, р (Предоставлено = высокий набор [Удовлетворение претензий = без ущерба] установить [Performance = высокая]) = 0,81 р (Предоставлено = низкое | установить [Удовлетворение претензий = нет ущерба] установить [Performance = высокая]) = 0,48, что свидетельствует о вежливости сотрудников имеет большее влияние, чем прибытия и сроков поставок. Postintervention вероятности величины для Прибытие = от времени, доставка = вовремя, и любезно = высокая очень похожи на заданном уровне производительности по сравнению с не претендует, высокий, средний и низкий уровень удовлетворенности претензии. Как и в случае не должны вмешиваться в ущерб переменной Предоставлено экспонатов наибольшее разнообразие.

Вероятностей для несовершеннолетних уровень ущерба показать картину снижения величины между уровнями удовлетворение претензии на определенном уровне производительности. Таким образом, р (Damage - незначительные | установить [претензии Удовлетворение], множество [Performance = высокая]) являются 0,84, 0,68, 0,57 и 0,33 для не претендует, высокий, средний и низкий уровень удовлетворения претензии . Вмешательства, которые фиксируют производительности до среднего уровня, р (Damage = незначительные | установить [претензии Удовлетворение], множество [Performance = средняя]) являются 0,79, 0,59, 0,51 и 0,26 для не претендует, высокая, средняя, и низкий уровень удовлетворения претензии. При производительности установлен на низком уровне, р (Damage = незначительные | установить [претензии Удовлетворение], множество [Performance = низкая]) являются 0,75, 0,54, 0,46 и 0,21. Модели в каждой из вышеупомянутых наборов ущерб вероятности резко уменьшаются монотонно мероприятий из множества [Удовлетворение претензий никаких претензий =], чтобы установить [Удовлетворение претензий = низкая]. Эти расчеты показывают, что ущерб является очень влиятельным причиной исполнения и требовать сатисфакции.

Служба спасения: Ущерб иск взаимодействия

Влиянии на комбинированных повреждений (незначительные, умеренные, или основные) и удовлетворение претензий (никаких претензий, высокая, средняя или низкая) обеспечить пролить некоторый свет на усилия, услуги восстановления. Рисунок 3 показывает postintervention вероятности высокая удовлетворенность ущерб данной различной степени ущерба и удовлетворение претензий, р (ущерб удовлетворение высоким = | установить ущерб [], установите [претензии Удовлетворение]).

Если ущерб незначительный, различия в ущерб удовлетворенности по уровням претензии диапазоне удовлетворение от р (ущерб удовлетворение высоким = | установить [Damage = несовершеннолетнего, претензии Satisfaction - низкая]) = 0,24 р (ущерб удовлетворение высоким = | установить ущерб [ = несовершеннолетнего, удовлетворение претензий = высокая]) = 0,74. Вероятность высокая удовлетворенность ущерб больше данного незначительные повреждения высокий уровень удовлетворения претензии (0,74), чем без каких-либо претензий (0,54).

Postintervention вероятности высокая удовлетворенность ущерба, за ущерб, умеренный, по уровням претензии диапазоне удовлетворение от р (ущерб удовлетворение высоким = | установить [Damage = умеренный, претензии Satisfaction - низкая]) = 0,01 р (ущерб удовлетворение высоким = | Множество [Damage = умеренный, претензии удовлетворение высоким =]) = 0,28. Вероятность высокая удовлетворенность ущерба, с учетом умеренного повреждения с высокой удовлетворенности претензии, в два раза, что не имеет претензий (0,28 против. 14). Если ущерб является основным, то вероятность высокая удовлетворенность ущерба равна нулю на всех уровнях иск удовлетворению. Таким образом, ущерб удовлетворенности колеблется в нелинейным образом через взаимодействие ущерба уровне и удовлетворение претензий, как ожидалось.

РЕЗЮМЕ

Хотя наши усилия моделирования специализируется на транспортные услуги удовлетворение, мы утверждаем, аналогичные усилия будут производить оперативное осуществление концептуальной модели в любом секторе услуг. Наш подход к моделированию заключается в расширении модулей создана концептуальная причинно-следственных связей в форме оперативных байесовской структуру сети. Мы выбрали SPC в качестве концептуальной основы причинной поскольку она широко известна и имеет большой срок действия лица. Кроме того, SPC имеет некоторые эмпирические проверки "Аль Камакура и др. (2002) исследования обсуждались ранее.

Общий рецепт SPC службы входы [стрелка вправо] удовлетворенности клиентов [стрелка вправо] лояльности распространяется на общие причинно-следственных связей изображением атрибутов [] вправо атрибут удовлетворения [стрелка вправо] общей стрелку эффективность [справа] опровергнуть ожидания [стрелка вправо ] результаты лояльности. Обобщенная структура специализируется на концептуальных транспортных услуг удовлетворение образцу, приведенному на рисунке 1. Последним шагом в развитии оперативной структуры для представления каждого из компонентов, на рисунке 1 с переменными, которые послужной список успешной реализации в сборе данных. 2 приведена в результате байесовской структуру сети. Мы не видим больших барьеров на пути обобщения подхода к полному структуры SPC работника отношений [стрелка вправо] услуги входы [стрелка вправо] удовлетворенности клиентов [стрелка вправо] лояльности клиентов [стрелка вправо] прибыли для любой сферы услуг.

Мы сильны сторонники байесовской методологии сети в качестве механизма осуществления причинных моделирования. Сильные и слабые стороны метода рассмотрены выше, в некоторых деталях, и сравнения представлены еще две широко известные альтернативы. Если действительный входов имеются данные, на основе данных обследований сбора или внутреннего учета, процедур, описанных в этой статье, должны обеспечить существенный вклад в управление службы. [В редакцию: февраль 2003. Принято редколлегией: апрель 2004.]

Ссылки

Андерсон, Е. В. (1994). Межкатегорийные изменения удовлетворенности клиентов и удержания персонала. Маркетинг Письма, 72 (Winter), 19-30.

Андерсон, Е. В.,

Андерсон, Е. В.,

Бернардо, J. М.,

Болтон, Р. Н. (1998). Динамическая модель продолжительность отношений клиента с непрерывным услуг: роль удовлетворения. Маркетинг науки, 17 (1), 45-65.

Болтон, Р. Н.,

Болтон, Р. Н.,

Черчилль, Г. А.,

Купер, Г. F. (1997). Простой на основе ограничений алгоритма для эффективного наблюдения добычи баз данных для причинно-следственных связей. Journal, горно данных и знаний "Дискавери", 1, 203-224.

Купер, Г. F. (1999). Обзор представленности и открытие причинно-следственные связи, используя байесовский сетей. В C. Glymour

Купер, Г. F.,

Коуэлл Р., Давид, А. П., Laurit / Е. Н. С. Л.,

Dr

Гейгер, Д.,

Холстед, D. (1993). Ожидание удовлетворенности отношения вновь: эмпирической проверки и направления для будущих исследований. Труды конференции 1992 AMA зимних преподавателей. Чикаго: Американской ассоциации маркетинга, 371-372.

Heckerman Д., Гейгер, Д.,

Хескетт, J. L., Sasser, В. Е.,

Jensen, F. (2001). Введение в байесовских сетях. London: UCL Press.

Камакура, W., Миттал, В. де Роза, F.,

Касс Р.,

LaLonde, Б. J.,

Лавман, Г. В. (1998). Сотрудник удовлетворенности, лояльности клиентов, и финансовые показатели: эмпирическое исследование цепочки услуг прибыль в розничном бизнесе. Журнал службы исследований, 7 (1), 18-31.

Миттал, В. Росс, В. Т., младший,

Миттал, В.,

Оливия, Т. А., Оливер, Р. Л.,

Оливер, Р. Л. (1981). Измерение и оценка удовлетворенности процессов в розничной настройки. Журнал розничной торговли, 57 (3), 25-48.

Перл, J. (1988). Вероятностные рассуждения в интеллектуальных системах. Сан - Матео, штат Калифорния: Морган Кауфманн.

Перл, J. (2000). Причинности: модели, рассуждений и выводов. Нью-Йорк: Cambridge University Press.

Ramoni, М.,

Райхенбах, H. (1956). Направление времени. Беркли, Калифорния: Калифорнийский университет Press.

Ржавчина, Р. Т., Zahorik, А. J.,

Scheines, R. (1999). Оценка причинной влияния: тетрада II выбора модели и байесовского оценивания параметров. В C. Glymour

Scheines Р., Spirtes П., Glymour, C.,

Шумакер, Р. Е.,

Смит, А. К., Болтон, Р. Н.,

Soteriou, А. C.,

Spirtes П., Glymour, C.,

Spirtes П.,

Spreng, Р. А., Маккензи, С. Б.,

Spreng, Р. А.,

Камень, М. (1977). Асимптотика за и против перекрестной проверки. Biometrika, 64, 29-35.

Цзэ, Д. К.,

Уинклер, Р. (1967). Оценка предварительного распределения в байесовский анализ. Американской статистической ассоциации журнал, 62, 776-800.

Yi, Ю. (1990). Критический анализ удовлетворенности потребителей. В Zeithaml В. (ред.), "Обзор маркетинговых 1990. Чикаго: Американской ассоциации маркетинга.

Рональд Д. Андерсон

Келли школа бизнеса, Университет штата Индиана, Индианаполис, В 46202-5151, адрес электронной почты: <a href="mailto:randers@iupui.edu"> randers@iupui.edu </ A>

Роберт Д. Маки

Колледж управления бизнесом, Батлер университет, Indianapolis, IN 46208-3443, адрес электронной почты: <a href="mailto:rmackoy@butler.edu"> rmackoy@butler.edu </ A>

Винсент B. Томпсон

Индиана Бизнес Научно-исследовательский центр, Университет Индианы, Блумингтон, 47405-1703, адрес электронной почты: <a href="mailto:vbthomps@indiana.edu"> vbthomps@indiana.edu </ A>

Гилберт Харрелл

Eli Broad Высшей школы менеджмента Мичиганского государственного университета, Восточно Lansing, MI 48824-1122, адрес электронной почты: <a href="mailto:harrell@msu.edu"> harrell@msu.edu </ A>

[Кинжал] корреспондент автора.

Рональд Д. Андерсон-Американскими Соединенными жизни профессор делового администрирования на Келли школы бизнеса. До этого назначения он занимал кресло Краннерт в области делового администрирования в университете Батлера. Его публикации появились в журнале Consumer Research, Европейский журнал по исследованию операций, журнал маркетинговые исследования, журнал Розничная торговля, журнал службы исследований, журнал Академии маркетинга науки, многомерный поведенческие исследования, организационные методы исследования, Структурные уравнения моделирования Транспорт журнал, журнал бизнес Логистика, Международный журнал по физической дистрибуции, логистики и транспорта по рассмотрению и другие. Его исследовательские интересы лежат в области применения байесовских сетей и структурных моделей уравнения.

Роберт Д. Мака является адъюнкт-профессор маркетинга в Университете Батлера. Его исследования появилась в журнале "Розничная торговля, журнал Услуги маркетинга, журнал Академии маркетинга науки, журнал макромаркетинг и журнал социальной психологии, а также в многочисленных профессиональных конференциях. Его научные интересы сосредоточены на удовлетворение потребителей и потребителей процессов мысли, траста в компьютерных средств окружающей среды и туризма.

Винсент B. Томпсон экономического аналитика по Индиана бизнеса Научный центр Келли школы университета штата Индиана бизнеса. Его научные интересы находятся в причинной моделирования, имитационного моделирования и применения искусственного интеллекта в бизнесе. Он является членом Американского общества транспорта

Гилберт Харрелл D., профессор маркетинга в Eli Broad Высшей школы менеджмента Мичиганского государственного университета. Его научные публикации появились в журнале "Маркетинг, журнал маркетинговых исследований, журнал Consumer Research, журнал Розничная торговля, журнал Академии маркетинга науки, журнал по делам потребителей, журнал индустриальной Маркетинг Менеджмент" и многих других журналах. В настоящее время его исследований и консалтинга упор делается на маркетинг отношений, стратегического планирования и устойчивого конкурентного преимущества.