Repositorio Institucional de Documentos

APLICACIÓN DEL ÍNDICE EUROPEO DE SATISFACCIÓN DEL CLIENTE PROYECTO FINAL DE CARRERA CURSO ACADÉMICO 2009-2010 Autor: Begoña Gimeno Fernández Director: Luis Navarro Elola Titulación: Ingeniería Industrial Mención: Organización Industrial Fecha: Septiembre 2010 Centro Politécnico Superior Departamento de Economía y Dirección de Empresas Aplicación del Índice Europeo de Satisfacción del Cliente 2 APLICACION DEL INDICE EUROPEO DE SATISFACCION DEL CLIENTE RESUME Este proyecto ha sido desarrollado dentro del Departamento de Economía y Dirección de Empresas en el Área de Organización de Empresas de la Universidad de Zaragoza, dentro de un convenio de colaboración entre el Consejo Regulador de la Denominación de Origen del Somontano y el Área de Organización de Empresas. Pretende ser el trabajo final de una investigación y trabajo llevado a cabo durante más de un año en el Área, durante el cual 3 proyectos finales de carrera previos han sido desarrollados. Los objetivos de este proyecto han sido sintetizar la información que existe en artículos de investigación a cerca del Índice de Satisfacción del Consumidor (CSI) y los Modelos de Ecuaciones Estructurales (SEM), y en base a ello aplicar el modelo europeo a una investigación de mercado con los productos de la D.O. Somontano. Para esta aplicación es necesario realizar el análisis de unas encuestas de satisfacción de cliente, basadas en el modelo de ecuaciones estructurales ECSI (European Customer Satisfaction Index). Este modelo es útil porque no sólo permite determinar la satisfacción de un consumidor sobre un cierto producto o servicio, sino que también ayuda a conocer las relaciones existentes con otros factores relevantes que intervienen en el acto de consumo o de adquisición de un producto por parte del cliente. El fundamento de este índice se halla en los modelos de ecuaciones estructurales los cuales mediante indicadores permiten asignar un valor a las variables del índice que no pueden ser medidas directamente y a sus relaciones causales. El desarrollo del análisis se realiza utilizando dos herramientas informáticas principalmente, SPSS y EQS, con las que se realizan cuatro análisis diferentes. Los dos primeros análisis, de fiabilidad y factorial, se realizan con SPSS y el objetivo es depurar los datos de la encuesta en base a unos indicadores. Los dos análisis finales, confirmatorio y causal, se realizan con EQS y pretenden radiar la relación existente entre las diferentes variables implicadas y entre una variable y sus indicadores. Con los resultados obtenidos para las relaciones entre los parámetros del análisis, se extraen una serie de conclusiones, y se comentan las limitaciones presentes para la realización de este trabajo y futuras líneas de actuación en un futuro. Aplicación del Índice Europeo de Satisfacción del Cliente 3 Tabla de contenidos RESUMEN ................................................................................................................................................. 2 Tabla de contenidos ............................................................................................................................ 3 1- Introducción ..................................................................................................................................... 4 2- Antecedentes literarios .................................................................................................................. 7 3- Modelos de Ecuaciones Estructurales ......................................................................................... 8 3.1- Variables de un Modelo de Ecuaciones Estructurales .................................................................. 9 3.2- Elaboración del modelo ........................................................................................................................ 10 4- Índices de Satisfacción del Consumidor (CSI) ........................................................................... 14 4.1- Modelo ECSI .............................................................................................................................................. 15 4.1.1- Variables .................................................................................................................................................... 15 5- Software .......................................................................................................................................... 16 5.1- SPSS.............................................................................................................................................................. 16 5.2 EQS ................................................................................................................................................................ 16 6- Método ........................................................................................................................................... 17 7- Modelos de análisis ...................................................................................................................... 18 7.1- Modelo A.................................................................................................................................................... 19 7.2- Modelo B .................................................................................................................................................... 20 8- Análisis fiabilidad .......................................................................................................................... 21 8.1- Resultados ................................................................................................................................................. 22 9- Análisis factorial ............................................................................................................................ 24 9.1- Resultados ................................................................................................................................................. 25 10- Análisis factorial confirmatorio .............................................................................................. 30 10.1- Análisis confirmatorio de fiabilidad ................................................................................................ 30 10.1.1- Resultados .............................................................................................................................................. 31 10.2- Análisis confirmatorio de dimensionalidad .................................................................................. 38 10.2.1- Resultados .............................................................................................................................................. 39 10.3- Análisis confirmatorio de validez ..................................................................................................... 39 10.3.1- Resultados .............................................................................................................................................. 40 11- Análisis causal............................................................................................................................ 41 11.1- Modelo A ................................................................................................................................................. 42 11.1.1- Resultados .............................................................................................................................................. 42 11.2- Modelo B ................................................................................................................................................. 44 11.2.1- Resultados .............................................................................................................................................. 44 12- Conclusiones .............................................................................................................................. 46 Bibliografía .............................................................................................................................................. 49 Aplicación del Índice Europeo de Satisfacción del Cliente 4 1- Introducción Problema a investigar En un mercado industrializado, la satisfacción del consumidor es un fuerte determinante de ventaja competitiva. Fornell (2006) reconoce la satisfacción el cliente como una parte importante de la estrategia empresarial y una directriz de la rentabilidad y valor del mercado a largo plazo. Las compañías y organizaciones se esfuerzan en mejorar la calidad del producto y servicio ofrecido con el objetivo de lograr que los consumidores se encuentren satisfechos y se mantengan leales. Según Johnson y Fornell (1991), se entiende la satisfacción como una evaluación global de la experiencia de los consumidores en la acción de adquisición y consumo. Un concepto secundario y complementario define la satisfacción en términos de evaluación del consumidor como una transacción especifica del producto o experiencia de servicio, Olsen y Johnson (2003). Objetivos Este proyecto pretende ser la síntesis y el trabajo final de una investigación y trabajo de campo llevado a cabo durante más de un año en el Área de Organización de Empresas de la Universidad de Zaragoza, durante este tiempo 3 proyectos finales de carrera han sido realizados: los dos primeros, “Índice Europeo de Satisfacción del Cliente aplicado a la Denominación de Origen del Somontano” de Víctor Ibañez Gil de Gómez (2009) y “Análisis de Ecuaciones Estructurales aplicado al Índice Europeo de Satisfacción del Cliente mediante el Método de Covarianzas, caso D.O. Somontano “ de Cristian Barrio Virto (2010),no logran realmente los objetivos que se marcan en su título ya que están trabajando con un tamaño de muestra que es menor que los recomendados para estos modelos y por lo tanto los resultados que aportan no son del todo significativos y/o fiables. Y el tercero, “Análisis de ecuaciones estructurales para el índice europeo de satisfacción del cliente con el método de mínimos cuadrados parciales aplicado al caso D.O. Somontano” de Juan Pedro Gracia Aibar (2010), como su título indica utilizará el método de mínimos cuadrados parciales, y en contra partida en este proyecto se prefiere utilizar los modelos de ecuaciones estructurales para los modelos ECSI. Lo que se pretende es determinar la satisfacción del consumidor aplicado a la Denominación de Origen del Somontano, así como evidenciar la relación entre satisfacción y otros factores relevantes en la adquisición de uno de sus productos por parte del cliente. Para llevar a cabo el estudio, se realiza un amplio estudio de la literatura a cerca de los Índices de Satisfacción del Cliente(CSI) y se determina el conjunto de variables que influyen en la satisfacción de este y cómo están relacionadas entre ellas para poder plantear el modelo de ECSI, European Customer Satisfaction Index, de comportamiento. A nivel nacional, el Índice de Satisfacción del Cliente es un indicador de adecuación de las empresas a la satisfacción de sus clientes. Además, el CSI puede utilizarse tanto en grandes como en pequeñas empresas para facilitar su comparación con competidores de la empresa o industria que se analice. En este estudio, aporta un complemento a los indicadores tradicionales económicos al proporcionar diagnósticos útiles sobre la organización y la evaluación de sus clientes sobre la calidad de productos y servicios ofrecidos. Aplicación del Índice Europeo de Satisfacción del Cliente 5 Denominación de Origen Somontano La Denominación de Origen del Somontano nació en 1984 y está conformada por treinta y cuatro empresas vinícolas, entre las que cabe destacar las bodegas de Viñas del Vero, Enate y Pirineos. Estas empresas han realizado una inversión de más de doscientos millones de euros para conformar la Denominación de Origen y transformar las quince variedades de uvas procedentes de cinco mil hectáreas de plantación 1 . Su ubicación se encuentra en Huesca, en el eje económico más pujante de la provincia que articula la comunicación entre Aragón y Cataluña y entre Navarra y el País Vasco, y a pesar de los pocos años de vida ha alcanzado una gran reputación entre los consumidores y en las más prestigiosas y especializadas guías vinícolas de España. Según uno de los últimos informes de la consultora Nielsen, Somontano ocupa el tercer lugar en el ránking de Denominación de Origen española para el consumidor de vino. Su éxito es gracias a que ofrecen un producto único y diferente que apuesta por la calidad de sus vinos y unos precios estables. Además, debido a la vinculación de sus vinos al territorio, es un reclamo de turismo al promocionar la riqueza natural, histórica y cultural de la región del Somontano. Los vinos de la Denominación de Origen de Somontano presentan unas cualidades muy particulares: son vinos afrutados, con una adecuada acidez y de buena graduación. Los vinos típicos de Somontano son vinos tintos aunque también destacan los vinos rosados suaves y de brillante color. En cuanto a los vinos blancos, estos son conocidos por su carácter afrutado, su frescor y aromas. Estructura de la investigación Este proyecto consta de dos partes principales para finalizar con las conclusiones. Como un breve resumen se puede destacar los siguientes contenidos: La primera parte contiene los aspectos más importantes y relevantes de la literatura con el fin de poder crear una base teórica que haga más sencilla la comprensión de los resultados, decisiones tomadas y las propias conclusiones. Para ello se abordan diferentes perspectivas literarias de la satisfacción de los consumidores así como la visión de distintos investigadores. Se explican los Modelos de Ecuaciones Estructurales (SEM) así como su fase de elaboración para poder extraer, tras un conocimiento de las variables implicadas en el ECSI, los modelos con los que se trabajará en este proyecto. También se da una reseña de las dos herramientas informáticas utilizadas principalmente para el análisis de los datos y extracción de resultados: SPSS, que es un programa estadístico informático muy usado para técnicas de investigación de mercados, y EQS, que es uno de los programas más populares para Modelos de Ecuaciones Estructurales. La segunda parte del proyecto comienza con una descripción de la metodología empleada en la elaboración del cuestionario que se utiliza para la recogida de datos y la forma con la que se llevó a cabo. Con los datos de la encuesta depurados, se procede a la obtención de los modelos ECSI; el primer modelo distingue la calidad de producto de la calidad de servicio, mientras que el segundo concibe ambas calidades como una sola variable. Con los modelos elaborados, se pasará a realizar un análisis empírico de los resultados. Análisis de fiabilidad, Aplicación del Índice Europeo de Satisfacción del Cliente 6 factorial, exploratorio y confirmatorio, y de causalidad son realizados; el objetivo de los dos primeros análisis es depurar los datos de los indicadores para que al realizar el análisis del modelo ECSI se trabaje con unos datos que no provoquen distorsiones. Respecto al estudio de la causalidad, la función de los modelos de ecuaciones estructurales no es corroborar las relaciones causales entre las distintas variables, sino facilitar su análisis y toma de decisiones. En todos los análisis se sigue una estructura similar: se realiza una descripción del análisis y de sus aspectos clave, y paso a paso se van presentando los diferentes resultados que aportan estos modelos al estudiarlos con las herramientas informáticas SPSS y EQS, así como las decisiones que se toman tras cada análisis. El proyecto finaliza destacando las conclusiones que se alcanzan tras el estudio empírico. También se comentan algunas limitaciones de la investigación, así como las recomendaciones para solventarlas y que podrían servir de punto de partida en futuras investigaciones. Proyectos anteriores Hay que mencionar que este proyecto comparte similitudes con proyectos anteriores que se han realizado en el Área y lo que pretende es ampliar estos estudios al realizar el análisis Índice Europeo de Satisfacción del Cliente y comprobar si cambian los resultados en función de un aplicar distintos técnicas de análisis. El primer proyecto en el que nos fijamos es el de Víctor Ibañez Gil de Gómez (2009), “Índice Europeo de Satisfacción del Cliente aplicado a la Denominación de Origen del Somontano”: este proyecto presenta un tamaño muestral pequeño, 123, mientras que la mayoría de los autores recomiendan al menos 200 encuestas. Este tamaño impide la realización de ciertas pruebas, entre ellas el análisis confirmatorio de dimensionalidad, y hace que se reduzca la significatividad de los resultados que se obtienen. El siguiente proyecto del que tomamos atención es el de Cristian Barrio Virto (2010), “Análisis de Ecuaciones Estructurales aplicado al Índice Europeo de Satisfacción del Cliente mediante el Método de Covarianzas, caso D.O. Somontano “: este proyecto presenta el mismo problema que el anterior, el tamaño muestral, 171, no aporta resultados realmente significativos. Finalmente, la primera parte de los análisis realizados son similares a los de Juan Pedro Gracia Aibar (2010), ya que se utiliza la misma base de datos, en su proyecto titulado “Análisis de ecuaciones estructurales para el índice europeo de satisfacción del cliente con el método de mínimos cuadrados parciales aplicado al caso D.O. Somontano”. Si bien como se puede comprobar si comparásemos ambos proyectos, los resultados difieren desde el principio ya que tras un primer análisis se decidió eliminar uno de los constructos que daba problemas para la variable de calidad de producto, mientras que en el proyecto mencionado se mantuvo codificándolo en sentido opuesto. La segunda parte del análisis es distinto ya que en su proyecto se realiza un análisis de Mínimos Cuadrados Parciales (PLS) utilizando el programa Smart-PLS, y en este proyecto se sigue la metodología de las Ecuaciones Estructurales (SEM)utilizando el programa EQS para realizar análisis confirmatorios y de causalidad; la diferencia primordial entre PLS y SEM es que el primero permite relacionar las variables manifiestas con las variables latentes de forma distinta y además utilizan distintas técnicas para estimar los parámetros desconocidos. Así lo que se busca principalmente es ampliar las líneas de investigación aplicadas a la D.O. Somontano y realizar un buen último análisis del ECSI con el método de los Modelos Ecuaciones Estructurales que completen los objetivos que no alcanzan los proyectos Aplicación del Índice Europeo de Satisfacción del Cliente 7 anteriores: el proyecto de Víctor y Cristian que eran supuestos de realizarlo no consiguen el objetivo debido a que el tamaño de la muestra que utilizan no es significativo y además el primero no termina de completar el análisis factorial confirmatorio ni el análisis causal. Además en este proyecto se analizarán dos modelos ECSI: el modelo A que distinguirá calidad de servicio y calidad de producto y el modelo B que mantiene estas calidades bajo una sola variable de calidad; esto tiene el objetivo de determinar si para este caso es mejor separar estas dos variables o no. El proyecto de Juan Pedro sirve para comparar las diferencias que se obtienen al aplicar un método de estimación distinto de variables latentes a modelos ECSI con la misma muestra; aunque esta comprobación no es muy efectiva si se tiene en cuenta que desde el primer momento se toman decisiones distintas con los datos de la variable calidad de producto. 2- Antecedentes literarios La satisfacción de los clientes se ha convertido es un reto empresarial que ha atraído una considerable investigación. La literatura a cerca de la satisfacción del consumidor está dominada por dos perspectivas teóricas: “The Service Profit Chain” o “La Cadena de Servicios y Beneficios” (Heskett y otros, 1994) y SERVQUAL (Parasuranam, Zeithmal y Berry, 1995). La cadena de servicios y beneficios se enfoca en una relación entre la satisfacción del personal, calidad de servicio y satisfacción del consumidor para conseguir rentabilidad. El conductor principal de calidad de servicio es la satisfacción del consumidor, la cual crea la lealtad del consumidor y por tanto crecimiento y beneficio, es decir, el éxito de negocio (Liedtka 1997). En cambio, Silvestro y Cross (2000) plantean dudas a esta relación: el balance de evidencia sugiere que la satisfacción del empleado es un conductor clave de la calidad de servicio. Y Anderson y Mittal (2000) cuestionaron si es adecuada la simple relación lineal propuesta en este modelo. El modelo SERVQUAL reconoce la satisfacción del personal y calidad de servicio como conductores de satisfacción del cliente. Distingue entre dos tipos de calidad de servicio: funcional, hacer las cosas bien, que gusten, y técnica, hacer las cosas correctamente, que funcionen. La calidad de servicio funcional sería el conductor crítico. Newman (2001) discute la prioridad ofrecida a la calidad de servicio funcional y sugiere que una prestación eficaz de los factores dominantes es una condición pre-necesaria para calidad de servicio global. Según este autor, SERVQUAL es relativamente poco claro al medir la calidad del servicio y no brinda una determinación de las prioridades del consumidor frente a los diferentes atributos del servicio. Armistead, Pritchard y Machin (1999) predicen un alineamiento entre procesos y servicio de entrega como factores críticos para la satisfacción del consumidor. En general, los antecedentes de la satisfacción del consumidor son: calidad del producto o servicio percibido, expectaciones del consumidor y valor percibido. Llevando todas estas al objetivo de mantener la lealtad del consumidor. Y a pesar de las diferencias, es difícil entender lealtad sin satisfacción: Oliver (1999)argumenta que mientras que la satisfacción es temporal y se produce después de que el producto haya cumplido unas expectaciones de consumo, la Aplicación del Índice Europeo de Satisfacción del Cliente 8 lealtad no sólo es mantenida por la utilidad del producto y la intención del consumidor de readquirir un producto de la misma compañía, sino que también influyen fuerzas sociales y personales; es un estado de preferencia desarrollado en un proceso de varias dimensiones: cognición, afecto, intención y acción. No hay investigaciones que sugieran que realmente la lealtad del consumidor sea conducida por incentivos financieros. Por el contrario, la literatura existente sí que indica que la lealtad del consumidor esté conducida por una multitud de factores interconectados; satisfacción, quejas y lealtad del consumidor están relacionadas: un alto nivel de satisfacción del consumidor reduce las quejas y esto resulta en aumento de su lealtad. La calidad percibida también influye en el nivel de satisfacción del consumidor. Heskel y otros (1997) notan la unión entre el consumidor y empleado y argumenta que satisfacción del empleado, lealtad y compromiso influencian la percepción del consumidor sobre el valor del producto o servicio, la cual influye en la satisfacción y lealtad del consumidor. Por lo tanto, un sólido entendimiento de estos factores debe predecir estrategias de “intervención” destinadas a frenar la deserción de clientes. 3- Modelos de Ecuaciones Estructurales La herramienta más apropiada para estimar los efectos considerados en los índices de satisfacción, caracterizados por una estructura básica específica, es el enfoque propuesto en los Modelos de Ecuaciones Estructurales (SEM). El análisis factorial, el análisis Path o de senderos y la regresión múltiple son casos particulares del SEM, con la ventaja de que este elimina la limitación de analizar una única relación al mismo tiempo. De acuerdo con Ullman los Modelos de Ecuaciones Estructurales permiten “el análisis de un conjunto de relaciones entre una o más variables independientes, sean estas continuas o discretas, y una o más variables dependientes, continuas o discretas”. Las variables medidas, también llamadas variables observadas, son variables que pueden ser observadas y medidas directamente. Las variables latentes, también llamadas variables observadas, son variables que no pueden ser observadas directamente, y tienen que ser deducidas a partir sus efectos en las variables observadas. Al tratarse de una técnica confirmatoria en lugar de exploratoria, se usan para ver si un cierto modelo es válido más que para comprobar si ese modelo es conveniente, aunque normalmente los análisis de estos modelos conlleven cierta parte exploratoria. Así, permiten identificar las variables latentes de los modelos propuestos y sus relaciones causales, para posteriormente en función de los resultados obtener conclusiones. Aplicación del Índice Europeo de Satisfacción del Cliente 9 3.1- Variables de un Modelo de Ecuaciones Estructurales Variables latentes Las variables latentes son el objeto de interés en el análisis mediante Modelos de Ecuaciones Estructurales. Conceptos abstractos tales como la satisfacción del cliente o la fidelidad únicamente pueden ser observados indirectamente a través de sus efectos en los indicadores o variables observadas. Las variables latentes se representan gráficamente por un círculo; las variables latentes independientes, denominadas variables exógenas, son señaladas únicamente por flechas bidireccionales, mientras que las variables latentes dependientes, denominadas variables endógenas, son señaladas cada una al menos por una flecha unidireccional. Variables observadas Las variables latentes se analizan mediante su expresión en diversas variables que pueden ser medidas. De esta forma, la satisfacción de los clientes que no puede ser medida directamente, puede ser observada indirectamente a través de su efecto en variables que sí pueden ser medidas tales como, por ejemplo, la respuesta a la pregunta " Compare la satisfacción obtenida con el producto adquirido, respecto a otro producto similar de la competencia, en una escala de 1 a 5”. Estas variables se representan gráficamente por rectángulos. La estimación de los parámetros del modelo requiere, preferiblemente, al menos tres variables observadas por cada variable endógena. Los indicadores de variables latentes exógenas se denotan mediante X, mientras que los indicadores de variables latentes endógenas se denotan por Y. En la Figura 1 se puede ver una representación gráfica de las variables anteriormente mencionadas, y en la Figura 2 una representación general básica de un Modelo de Ecuaciones Estructurales. Observadas Latentes Independientes X Exógenas ξ Dependientes Y Endógenas η Figura 1. Descripción gráfica de las variables de un SEM Aplicación del Índice Europeo de Satisfacción del Cliente 16 - fidelidad: es el último de los factores en los modelos y es considerada una medida aproximada del poder de rentabilidad de la organización ya que genera índices tales como la intención de recompra, la tolerancia de variación en el precio y la intención para recomendar el producto o servicio a otros (Reichheld y Sasser, 1990). El aumento de la lealtad del cliente asegura los ingresos futuros y minimiza la posibilidad de abandono, si disminuye la calidad. Además, la palabra de boca en boca de fieles clientes satisfechos embellece reputación general de la empresa y reduce el costo de atraer nuevos clientes (Anderson y Fornell, 2000). Se espera que una mejor imagen y mayor satisfacción al cliente debería aumentar la fidelidad del cliente. 5- Software Como ya se ha mencionado anteriormente, dos herramientas informáticas son usadas para la depuración de datos y extracción de conclusiones. A continuación se muestra una breve descripción de estos programas con el objetivo de que el lector se familiarice con ellos. 5.1- SPSS SPSS, Statistical Package for the Social Sciences, es un programa estadístico informático muy usado para técnicas de investigación de mercados. Entre sus principales competidores se encuentran SAS, Matlab, Statistica y software de Lenguaje R. Fue creado por Norman H. Nie, C. Hadlai (Tex) Hull y Dale H. Bent en 1968 para uso en grandes computadores. En 1984 nace la primera versión para computadores personales. Y desde el 28 de Junio de 2009 pertenece a IBM, que desembolsó 1.200 millones de dólares para su adquisición. El programa proporciona ventaja competitiva a las empresas sobre otras del mercado gracias a la predicción y a los estudios de datos que se pueden hacer anidando pasado, presente y futuro. Estratégicamente, el análisis predictivo proporciona una base cuantitativa con la que identificar rápidamente, evaluar objetivamente y perseguir oportunidades de mercado. Es decir, los análisis que se extraen permiten dirigir, optimizar y automatizar tomas de decisiones. El análisis predictivo con SPPS ya ha sido aplicado en grandes compañías y ha sido una fuente de éxitos; ejemplos de éxito los encontramos en FBTO Y BES. FBTO ha reducido en un 35% los costes de venta directa por correo y ha aumentado las tasas de conversión en un 40%. El Banco Espirito Santo (BES) identifica mediante SPSS los comportamientos clave de aquellos clientes que pueden pensar en dejar el banco 2 . En este proyecto se trabaja con la versión SPSS Inc Statistics 17.0. 5.2 EQS EQS, diseñado por el profesor Peter Benler, es uno de los programa pioneros en el análisis de Covarianzas y también es uno de los programas más populares para Modelos de Ecuaciones Estructurales (SEM). Su éxito radica principalmente en la simplicidad del planteamiento de los modelos según ecuaciones factoriales y estructurales, lo que hace que sea preferido entre los usuarios si se compara con productos similares tales como LISREL 3 . Aplicación del Índice Europeo de Satisfacción del Cliente 17 A pesar de su simplicidad, permite realizar numerosas aplicaciones para los modelos de ecuaciones estructurales: regresión múltiple, regresión multivariante, análisis factorial confirmatorio, análisis de caminos, y múltiples comparaciones entre muestras. En este proyecto se trabaja con la versión EQS 6.1 para Windows. 6- Método Este proyecto ha sido escrito usando información procedente de diversos artículos de investigación a cerca del modelo ECSI con el objetivo de crear una base teórica a partir de la cuál poder desarrollar un modelo que permita la aplicación y desarrollo del índice en futuras investigaciones. La investigación no se ha ceñido sólo a un marco teórico, sino que se ha trabajado en colaboración con la Denominación de Origen del Somontano. Las encuestas, que son la materia prima en este tipo de investigaciones, fueron realizadas por el Consejo Regulador del Somontano en diferentes tiendas, bodegas y restaurantes del área del Somontano entre los clientes de los productos. Las encuestas se realizaron de manera estructurada, y en su contenido se presentan preguntas a cerca de los siete constructos de un modelo de satisfacción estructural (expectativas, imagen, valor, calidad percibida, satisfacción, fidelidad, reclamaciones). Siguiendo la teoría y recomendaciones de muchos autores, cada variable latente tiene al menos tres indicadores: con un único indicador, el error de medida no podría ser estimado, y con solo dos indicadores por cada variable latente, es posible que el modelo no esté identificado, o que no converja. Además, aunque para el ECSI no es relevante, al principio se realizan unas cuestiones a cerca de los hábitos de compra de los productos. La estructura seguida asegura que todas las encuestas son realizadas exactamente con las mismas preguntas y en el mismo orden, así las preguntas son siempre respondidas dentro del mismo contexto y se evita que se hagan preguntas cuyas respuestas dependen de cuestiones previas (Anexo I). Una vez cumplimentadas las encuestas, fueron entregadas por el Consejo Regulador al Área de Organización de la Universidad de Zaragoza y tras una depuración de estas, se consideraron válidas 235. Todas las preguntas referentes al modelo ECSI se respondían siguiendo una escala de valores en la que 1 representaba muy poco, 2-poco, 3-algo, 4-bastante y 5-mucho (Anexo II). Los resultados de las entrevistas han sido comparados con el equivalente teórico y un análisis de similitudes y diferencias ha sido realizado. Tras estos análisis se decidió eliminar la variable reclamaciones ya que según la literatura, las reclamaciones deben ser introducidas en el modelo sólo si se presenta un número alto de estas, y en nuestra encuesta no ocurría esa situación. Aplicación del Índice Europeo de Satisfacción del Cliente 18 Para los posteriores análisis que se llevarán a cabo con SPSS y EQS, se utilizarán las siguientes abreviaciones para las diferentes variables: - Expectativas: preguntas de la 4 a la 7 (en los análisis se denominan: EXP1 a EXP4). - Imagen: preguntas de la 9 a la 12 (en los análisis se denominan: IMA1 a IMA4). No se utilizó la primera pregunta, pregunta 8,a cerca del diseño de la botella, ya que más que una pregunta que determine si tiene imagen, se entendió que serviría como una pregunta a estudiar individualmente por separado: para saber si hay personas que determinan su compra por el diseño de su botella. La contestación no tenía correlación con el resto y se quitó como estudio del modelo causal estructural. - Valor del servicio: Preguntas de la 13 a la 15 (en los análisis denominadas VAL 1 a VAL3). - Calidad del Producto: Preguntas de la 16 a la 19 (en los análisis denominadas QPE1 a QPE4). - Calidad del Servicio: Preguntas de la 20 a la 22(en los análisis denominadas QSE1 a QSE3). - Satisfacción: Preguntas de la 23 a la 26 (en los análisis denominadas SAS1 a SAS4). - Fidelidad: Preguntas de la 27 a la 30(en los análisis denominadas FID1 a FID4). 7- Modelos de análisis Con las variables descritas anteriormente, se pasa a construir el modelo estructural para nuestro estudio que responderá a la siguiente ecuación: η = β ∙ η + Ґ ∙ ξ + ζ Donde η es vector de variables latentes endógenas; β matriz de coeficientes que expresa la influencia de las variables endógenas η sobre las otras variables endógenas; matriz de coeficientes que expresa la influencia de las variables exógenas de sobre las variables endógenas ; ξ vector de las variables latentes exógenas; vector de errores estructurales. Puesto que la diferenciación entre calidad percibida de servicio y de producto se produjo no muchos años atrás y que aún hay muchos autores que la perciben como una sola variable, se ha decidido realizar el análisis de ambas situaciones, obteniendo dos modelos diferentes: Modelo A y Modelo B. Aplicación del Índice Europeo de Satisfacción del Cliente 19 7.1- Modelo A Las ecuaciones estructurales propuestas para el Modelo A, donde se distingue entre calidad de servicio y de producto, serían las siguientes: ξ  = ξ  η  = γ & ∙ ξ  + ζ  η  =# ∙ η  + ζ  η ' =# ' ∙ η  + ζ ' η ( = # ( ∙ η  + # ( ∙ η  + # (' ∙ η ' + ζ ( η ) = γ )& ∙ ξ  + # ) ∙ η  + # ) ∙ η  + # )' ∙ η ' + # )( ∙ η ( + ζ ) η * = γ *& ∙ ξ  + # *) ∙ η ) + ζ * ξ  Imagen; η  Expectativas; η  Calidad de producto; η ' Calidad de servicio; η ( Valor de servicio; η ) Satisfacción; η * Fidelidad En la Figura 4 se representa estas ecuaciones de una manera gráfica. Figura 4. Diagrama del ECSI con dos variables de calidad. Aplicación del Índice Europeo de Satisfacción del Cliente 20 7.2- Modelo B En el modelo B se unifica la calidad de servicio y calidad de producto en una sola variable de calidad, y se obtienen las siguientes ecuaciones: ξ  = ξ  η  = γ & ∙ ξ  + ζ  η  =# ∙ η  + ζ  η ( = # ( ∙ η  + # ( ∙ η  + ζ ( η ) = γ )& ∙ ξ  + # ) ∙ η  + # ) ∙ η  + # )( ∙ η ( + ζ ) η * = γ *& ∙ ξ  + # *) ∙ η ) + ζ * ξ  Imagen; η  Expectativas; η  Calidad percibida; η ( Valor de servicio; η ) Satisfacción; η * Fidelidad En la Figura 5 se representa estas ecuaciones de una manera gráfica. Figura 5. Diagrama del ECSI con una sola variable de calidad Aplicación del Índice Europeo de Satisfacción del Cliente 21 Como se puede observar, en ambos modelos, todas las variables son variables latentes dependientes a excepción de la variable imagen que sería independiente. 8- Análisis fiabilidad Es necesario evaluar la fiabilidad del instrumento de medición, para poder confirmar que la investigación realizada es seria y aporta resultados reales. El Diccionario de la Real Academia Española de la lengua define fiabilidad como “probabilidad de buen funcionamiento de algo o como cualidad de fiable”, es decir, que ofrece seguridad o buenos resultados. Para estudiar la fiabilidad de la encuesta, se aplica la prueba Alfa de Cronbach (Cronbach, 1951), que relaciona las variables y establece la fiabilidad de cada sección. Las alpha de Cronbach responden a la siguiente ecuación: ∝=   − 1 ∙ 1 − ∑- .  / .0 - 1   n (número de indicadores de la prueba) - .  (varianza del indicador i) - 1  (varianza de las calificaciones totales) Al tratarse de un coeficiente de correlación, no existe una escala específica de valores que marque si un valor es apto o no; aunque sí que existen diversas teorías para los distintos rangos de valores. George y Mallery (1995) establecen un criterio que permite decidir el grado de aptitud de este índice en pequeños rangos: si >0.9 , es excelente si 0.8 < < 0.9 , es bueno si 0.7 < < 0.8 , es aceptable si 0.6< < 0.7 , es débil si 0.5 < < 0.6 , es pobre si < 0.5 , es no aceptable Aplicación del Índice Europeo de Satisfacción del Cliente 22 Para el análisis de los resultados también hay que tener en cuenta el valor de los estadísticos que resultan al realizar el análisis con SPPS: se estudiará la Correlación Item-Total que indica la correlación lineal que existe entre el constructo de la variable que se desea analizar y el resto de ítems sin tener en cuenta a este. De acuerdo con Cohen-Manon, 1990, si el coeficiente es menor de 0.35, el constructo debe de ser descartado o reformulado ya que sólo aquellas correlaciones mayores de 0.35 son estadísticamente significativas más allá del nivel del 1%. 8.1- Resultados Al realizar este análisis con la herramienta informática SPSS obtenemos los siguientes resultados para cada variable: -Expectativas: el primer resultado del alpha de Cronbach para los 4 elementos es correcto, 0.765. Si bien al analizar qué ocurre si se elimina alguno de estos elementos, vemos que alpha de Cronbach aumentaría positivamente si se eliminase EXP4 y que de hecho la correlación de ese mismo elemento-total corregida es 0.291, es decir, está por debajo del límite mínimo de 0.35. Por lo tanto se decide eliminar EXP4 y realizar un nuevo análisis sin este factor. El resultado es un valor bueno: = 0.853, y todas las correlaciones de elemento-total son superiores a 0.35. - Imagen: en el primer análisis con los 4 componentes de la variable imagen, el resultado de alpha de Cronbach es un tanto pobre, 0.592. Al observar los valores de la correlación elemento-total corregida, para el factor IMA1 se obtiene 0.292, es decir menor de 0.35, no es un buen resultado. Al eliminar este factor imagen, el alpha de Cronbach es mejor: =0.612 y todas las correlaciones están por encima del límite inferior, 0.35. - Valor: en el primer análisis se obtiene un valor de alpha de Cronbach aceptable, =0.662. Al estudiar los resultados de los estadísticos total-elemento, se observa que para VAL1 su correlación es 0.275, menor de 0.35, es decir, este factor debe ser eliminado de la variable valor. Al eliminarlo, y realizar el análisis con VAL2 y VAL3 se obtiene un bueno valor de alpha de Cronbach: =0.822, y todas las correlaciones elemento-total son mayores de 0.35. - Calidad de producto: tras el primer análisis, el valor de alpha de Cronbach que se obtiene es negativo, -0.139, lo cual viola los supuestos del modelo de fiabilidad; lo mismo ocurre al analizar los estadísticos, la correlación de QPE2 con respecto al total presenta valor negativo, lo cual también violaría los supuestos del modelo de fiabilidad. Este valor negativo se debe a una mala formulación de la pregunta, a la que muchos de los encuestados, le otorgaron los valores precisamente opuestos, es decir, respondían 1 cuando se esperaba 5, 2 cuando se esperaba 4 y viceversa. La mejor decisión es eliminar este factor ya que no estaba muy bien formulada la pregunta y hubo distintos enfoques en el momento de otorgar una puntuación a la pregunta. Al eliminarlo se obtiene =0.55, un valor relativamente bajo y que además va acompañado por una correlación elemento-total menor de 0.35 para QPE1, por lo que se decide eliminar también a este. Así finalmente al realizar el análisis de fiabilidad para QPE3 y QPE4 se obtiene =0.727, resultado bueno y mejor que los anteriores, y las correlaciones de los elementos presentes son mayores de 0.35. Aplicación del Índice Europeo de Satisfacción del Cliente 23 -Calidad de servicio: un primer análisis devuelve un valor de alpha de Cronbach relativamente bueno, 0.616, y correlaciones elemento-total por encima del límite. Es decir, este análisis muestra que de momento los factores utilizados para esta variable son los correctos. -Satisfacción: un primer análisis reporta un valor de alpha de Cronbach bueno, 0.779, y el valor de las correlaciones elemento-total se encuentran por encima del límite. Es decir, este análisis muestra que de momento los factores utilizados para esta variable son los correctos. -Fidelidad: un primer análisis da un valor de alpha de Cronbach relativamente bueno, 0.685, y correlaciones por encima del límite. Es decir, este análisis muestra que de momento los factores utilizados para esta variable son los correctos. Si optamos por el segundo modelo, Modelo B, donde calidad de producto y calidad de servicio trabajan como una sola variable, el resultado para el resto de variables es el mismo, y para la calidad: -Calidad: al decidir juntar calidad de servicio y producto, se trabaja al mismo tiempo con 7 elementos que dan un primer alpha de Cronbach relativamente aceptable, 0.513, pero que presentan el mismo problema que presentaba el análisis de la calidad del producto: la correlación elemento-total para QPE2 es negativa. Al eliminar QPE2 se obtiene =0.683, un valor mejor que el anterior, pero que sigue presentando problemas para la correlación: tanto QPE3 como QSE2 tienen valores por debajo del límite 0.35. Se decide eliminar QSE2 ya que es peor, menor, que QPE3. Al realizar de nuevo el análisis de fiabilidad sin QPE2 ni QSE2, se obtiene =0.7, valor bastante bueno, y además todas las correlaciones de los elementos que quedan están por encima del límite inferior. En las siguientes tablas se muestra resumidas los valores de alpha de Cronbach obtenidos para cada variable en los 2 modelos con los que estamos trabajando: EXP IMA VAL QPE QSE SAS FID ∝ 0.853 0.612 0.822 0.727 0.616 0.779 0.685 Tabla 1. Valores alpha de Cronbach, Modelo A EXP IMA VAL QPE-QSE SAS FID ∝ 0.853 0.612 0.822 0.7 0.779 0.685 Tabla 2. Valores alpha de Cronbach, Modelo B Tras este análisis de fiabilidad, a parir de aquí se trabajará con los siguientes elementos: Expectativas: EXP1, EXP2, EXP3 Imagen: IMA2, IMA3, IMA4 Valor: VAL2, VAL3 Aplicación del Índice Europeo de Satisfacción del Cliente 24 Calidad producto: QPE3, QPE4 Calidad servicio: QSE1, QSE2, QSE3 Satisfacción: SAS1, SAS2, SAS3, SAS4 Fidelidad: FID1, FID2, FID3, FID4 Calidad: QPE1, QPE3, QPE4, QSE1, QSE3 En el Anexo III se puede comprobar los sucesivos pasos llevados a cabo con el programa SPSS para llegar a estos resultados. 9- Análisis factorial Una vez realizado el análisis de fiabilidad y con los resultados obtenidos hasta el momento, se pasa a realizar también con SPSS un análisis factorial explicativo. El análisis factorial intenta identificar factores que expliquen la configuración de las correlaciones dentro de un conjunto de variables observadas. Se suele utilizar en la reducción de los datos para identificar los factores que expliquen la mayor parte de la varianza observada. El método escogido es el análisis factorial de componentes principales con rotación varimax. Con este método se intenta lograr que cada factor este asociado a unas pocas variables, y que no tenga influencia en las demás; con ello se obtienen los factores o componentes principales que recogen el mayor porcentaje de la varianza explicada (González, 1991); es decir, se buscan los factores con unas pocas cargas factoriales fuertes. Su base erradica en considerar que es posible explicar el 100 % de la varianza observada y por ello sus comunalidades iniciales son iguales a uno. Para medir el grado de asociación entre variables se estudian indicadores tales como Test de Kaiser-Meyer-Olkin y test de esfericidad de Bartlett, comunalidades, varianza total explicada y matriz de componentes principales. Test de Kaiser-Meyer-Olkin y test de esfericidad de Bartlett El test de Kaiser-Meyer-Olkin (KMO) es un índice utilizado para medir la idoneidad del análisis factorial, sirve para comparar las magnitudes de los coeficientes de correlación observada con las magnitudes de los coeficientes de correlación parcial. Este ínidice oscila entre los valores 0 y 1: si el valor es grande el procedimiento es adecuado, mientras que si es pequeño no será adecuado. Está comúnmente aceptado que: si KMO < 0.5 no resultaría aceptable para hacer un análisis factorial. si 0.5 < KMO < 0.7 el grado de correlación es medio, y habría aceptación media. si KMO > 0.7 indica alta correlación y, por tanto, conveniencia de análisis factorial. Aplicación del Índice Europeo de Satisfacción del Cliente 25 La prueba de Bartlett sirve para contrastar si la matriz de correlaciones es una matriz identidad que indicaría que el modelo factorial es inadecuado. Se considerara que una hipótesis es rechazable y que, en consecuencia, el modelo factorial puede no ser el adecuado para explicar los datos manejados, cuando el estadístico ofrezca valores superiores a 0,05. Si esta prueba resultase no significativa, se debería renunciar al análisis factorial ya que significaría la inexistencia de correlación entre los ítems. Comunalidades La comunalidad de una variable se puede definir como la proporción de su varianza explicada a través del modelo factorial. La comunalidad puede oscilar entre cero y uno. Cuando obtenemos una comunalidad de uno o próxima a uno quiere decir la variable está totalmente explicada por los factores comunes que aparecen en la matriz factorial. En cambio, si la comunalidad es cero o cercana a cero quiere decir que los factores comunes no tienen ningún poder explicativo de la variabilidad de una variable. Aquellas variables que resulten menores de 0.5 pueden ser rechazadas. Varianza total explicada La varianza total es la suma de las varianzas de cada variable. Por lo que el total de la varianza estará determinada por el total de las variables incluidas en el estudio. El total de proporción de varianza explicada se suele medir con R 2 , el cuadrado del coeficiente de correlación múltiple. Se pide que este valor de R 2 sea al menos de 0,6, y se entiende como un buen ajuste aquellos valores altos, cercanos a 1, esto garantizaría una buena predicción del modelo. Matriz de componentes principales La matriz de componentes son las cargas o pesos de cada variable en cada uno de los factores originados. Las variables con cargas más altas en un factor indican una estrecha relación entre la variable y ese factor; así, lo ideal es que cada variable tenga una ponderación alta en un factor, con el que se asociaría, y fuese bajo en el resto. 9.1- Resultados Al igual que en análisis de fiabilidad, se realiza el análisis factorial para cada variable con la herramienta informática SPSS. Los resultados que se obtienen son: - Expectativas: la prueba KMO y de Bartlett arrojan resultados positivos, 0.729 y 0, respectivamente. Lo mismo ocurre al analizar las comunalidades para los tres componentes, EXP1, EXP2, EXP3, todas ellas arrojan valores superiores a 0,5. Respecto a la varianza total explicada se obtiene 77,406%. Tras estos resultados, se pueden mantener los tres componentes para explicar las expectativas. -Imagen: prueba KMO y de Bartlett arrojan resultados positivos, 0.627 y 0, respectivamente. Al analizar las comunalidades se observa que el valor de IMA4 es menor de 0.5, por lo tanto se decide rechazar este constructo y realizar un nuevo análisis sin él. Al realizar el análisis con IMA2 e IMA3 las pruebas KMO y de Barlett resultan dentro de los límites Aplicación del Índice Europeo de Satisfacción del Cliente 32 Imagen IMA2 0.787 0,619 IMA3 0.615 0,378 Valor VAL2 0,869 0,756 VAL3 0,853 0,728 Calidad producto QPE3 0,730 0,533 QPE4 0,797 0,636 Calidad servicio QSE1 0,612 0,375 QSE3 0,763 0,582 Satisfacción SAS1 0,747 0,559 SAS2 0,736 0,542 SAS3 0,589 0,347 SAS4 0.635 0.404 Fidelidad FID1 FID2 FID4 0.781 0.472 0.629 0.611 0.223 0.395 Tabla 6. Resultados análisis confirmatorio fiabilidad, Modelo A Como se puede comprobar el ítem FID2 no cumple el criterio de 2  ya que es menor de 0.3, ni el criterio de convergencia fuerte, su coeficiente es menor de 0.5. Por lo tanto habrá que eliminarlo y realizar un nuevo análisis sin este. En la figura 7 se puede observar el nuevo Modelo A resultante con el que trabajaremos Aplicación del Índice Europeo de Satisfacción del Cliente 33 Figura 7. Nomograma ECSI modelo A, segundo análisis confirmatorio Si se comprueba el fichero de resultados (Anexo V), todos los elementos cumplen el criterio de convergencia débil, van acompañados de @; y como resumen, los valores de convergencia fuerte y 2  son: Ítem Criterio de convergencia fuerte 3 4 Expectativas EXP1 0,797 0,636 EXP2 0,869 0,755 EXP3 0,856 0,733 Imagen IMA2 0,785 0,616 IMA3 0,616 0,380 Aplicación del Índice Europeo de Satisfacción del Cliente 34 Valor VAL2 0,869 0,755 VAL3 0,854 0,729 Calidad producto QPE3 0,729 0,531 QPE4 0,798 0,637 Calidad servicio QSE1 0,609 0,371 QSE3 0,767 0,588 Satisfacción SAS1 0,748 0,559 SAS2 0,731 0,535 SAS3 0,592 0,350 SAS4 0,639 0,409 Fidelidad FID1 FID4 0,721 0,600 0,520 0,360 Tabla 7. Resultados segundo análisis confirmatorio fiabilidad, Modelo A Como se puede comprobar este modelo es válido ya que el criterio de convergencia débil se cumplía, así como el de convergencia fuerte ya que todos los valores son superiores a 0.5. El criterio de 2  también se cumplen, todos los valores son superiores a 0.3 Aplicación del Índice Europeo de Satisfacción del Cliente 35 Modelo B Para el Modelo B, donde las variables calidad de producto y calidad de servicio se unificaron bajo una única variable de calidad, se obtiene el siguiente modelo: Figura 8. Nomograma ECSI modelo B, análisis confirmatorio Si se comprueba el fichero de resultados (Anexo V ), todos los elementos cumplen el criterio de convergencia débil, van acompañados de @; y como resumen, los valores de convergencia fuerte y 2  son: Ítem Criterio de convergencia fuerte 3 4 Expec t ativas EXP1 0,796 0,634 EXP2 0,868 0,753 EXP3 0,858 0,737 Aplicación del Índice Europeo de Satisfacción del Cliente 36 Imagen IMA2 0,809 0,654 IMA3 0,598 0,358 Valor VAL2 0,870 0,757 VAL3 0,852 0,726 Calidad QPE3 0,731 0,534 QPE4 0,797 0,634 Satisfacción SAS1 0,746 0,557 SAS2 0,739 0,547 SAS3 0,588 0,346 SAS4 0,633 0,400 Fidelidad FID1 FID2 FID4 0,766 0,492 0,632 0,578 0,242 0,400 Tabla 8. Resultados análisis confirmatorio fiabilidad, Modelo B Como se puede comprobar el ítem FID2 no cumple el criterio de 2  ya que es menor de 0.3, ni el criterio de convergencia fuerte ya que también es menor de 0.5. Habrá que eliminarlo y realizar un nuevo análisis sin este. Hay que volver a realizar el análisis confirmatorio sin FID2, la figura 9 muestra el nuevo modelo: Aplicación del Índice Europeo de Satisfacción del Cliente 37 Figura 9. Nomograma ECSI modelo B, segundo análisis confirmatorio Si se comprueba el fichero de resultados (Anexo V), todos los elementos cumplen el criterio de convergencia débil, van acompañados de @; y como resumen, los valores de convergencia fuerte y 2  son: Ítem Criterio de convergencia fuerte 3 4 Expec t ativas EXP1 0, 798 0,636 EXP2 0,866 0,750 EXP3 0,859 0,737 Imagen IMA2 0,805 0,649 IMA3 0,601 0,361 Aplicación del Índice Europeo de Satisfacción del Cliente 38 Valor VAL2 0,8 70 0,757 VAL3 0,852 0,726 Calidad QPE3 0,730 0,532 QPE4 0,798 0,636 Satisfacción SAS1 0,748 0,559 SAS2 0,734 0,539 SAS3 0,590 0,348 SAS4 0,637 0,406 Fidelidad FID1 FID4 0,710 0,610 0,504 0,372 Tabla 9. Resultados segundo análisis confirmatorio fiabilidad, Modelo B Como se puede comprobar este modelo es válido ya que el criterio de convergencia débil se cumplía, así como el de convergencia fuerte ya que todos los valores son superiores a 0.5. El criterio de 2  también se cumplen, todos los valores son superiores a 0.3 10.2- Análisis confirmatorio de dimensionalidad Para la evaluación de la dimensionalidad se evalúan unos índices que saca el propio programa (Anexo V). -RMSEA( Steiger y Lind, 1980): root-mean-square error of approximation. Es una medida del ajuste por grado de libertad y es sensible a la mala especificación del modelo (Hu y Bentler, 1995). Su valor máximo puede ser 0.1, y se entiende que el modelo presenta un buen ajuste si el valor de RMSEA es menor o igual a 0.05 y con valores menores o iguales a 0.08 el ajuste es adecuado. -BBNNFI o NNFI (Bentler y Bonett,1980): Non-normed fit index. Tiene en cuenta la complejidad del modelo y funciona bien para grandes muestras. Los valores deberían ser mayores de 0.8 y aquellos cercanos a 1 indican un buen ajuste. Aplicación del Índice Europeo de Satisfacción del Cliente 39 -CFI (Bentler, 1990): comparative fit index. Compara la discrepancia entre la matriz de covarianzas que predice el modelo y la matriz de covarianzas observada. Los valores del CFI oscilan entre 0 y 1. Se establece que este valor debe ser igual o superior a 0.9, lo que indicaría que el 90% de la covarianza en los datos puede ser reproducida en ese modelo y que el modelo es en ese tanto por ciento mejor que un modelo independiente donde todas las variables observadas se asumen como no correlacionadas. 10.2.1- Resultados Los resultados obtenidos de estos índices para los 2 modelos con los que estamos trabajando son: Modelo A Modelo B RMSEA 0 .063 0 .06 6 NNFI 0.931 0.9 38 CFI 0.953 0.9 59 Tabla 10. Resultado análisis confirmatorio de dimensionalidad Todos los resultados cumplen las especificaciones, están bien dimensionados nuestros modelos. Se podría decir que el modelo B presenta unas mejores características ya que tanto para NNFI como para CFI se acerca más al valor óptimo. 10.3- Análisis confirmatorio de validez Una vez realizados los análisis confirmatorios de fiabilidad y dimensionalidad, se pasa a realizar un estudio de la validez del modelo de medida. Según Sánchez y Sarabia (1999), la validez del modelo se consigue cuando éste mide realmente lo que el investigador pretende medir y no otro concepto distinto. Hace referencia al análisis del grado de validez de contenido y de constructo de las escalas (Flavian y Lozano, 2003). Validez de contenido Las escalas utilizadas se pueden considerar válidas ya que están basadas en la investigación y estudio teórico previo y se realizó un profundo análisis para su diseño. Validez de constructo. El objetivo de este análisis es comprobar si los ítems son significativos, es decir si los ítems destinados a medir un constructo realmente lo miden. La medición de la validez convergente se puede realizar a través de BBNNFI (ya se comprobó en el análisis de dimensionalidad) y a través de dos nuevos criterios: la varianza media extraída, AVE, y fiabilidad compuesta del constructo, FCC. AVE fue desarrollado Fornell y Larcker (1981) y trata de medir cómo la varianza del constructo debe participar más que otros constructos en el modelo con el fin de hallar la validez convergente. Se recomienda un valor mínimo de 0.5. Y su cálculo responde al ratio entre el sumatorio de 5 .  , el cual debe ser dividido por este mismo valor (5 .  ) sumado al error ($ . ): Aplicación del Índice Europeo de Satisfacción del Cliente 40 678 = ∑5 .  ∑5 .  +∑79: $ .  FCC posee la ventaja de no verse influenciada por el número de ítems existentes en una escala. Jöreskog (1971) recomienda un valor mínimo de 0.7 puntos. Y su cálculo responde al ratio entre la varianza del constructo y el total de la varianza, una vez obtenido el sumatorio de las varianzas y de los errores de la varianza de cada uno de los aspectos relacionados con la variable: ;<< = ∑5 .   ∑5 .   +∑ 79: $ =  Para el cálculo de AVE y FCC necesitamos los resultados de las cargas estandarizadas y de los errores estructurales que se obtienen al realizar el análisis confirmatorio en SQS (Anexo V). 10.3.1- Resultados A continuación se muestra el resultado de estos índices para cada variable. AVE FCC Expectativas 0. 71 0. 88 Imagen 0. 5 0. 66 Valor 0. 74 0. 85 Calidad de producto 0. 58 0. 74 Calidad de servicio 0.4 8 0. 6 5 Satisfacción 0. 46 0. 7 7 Fidelidad 0. 44 0. 6 1 Tabla 11. Resultados análisis confirmatorio de validez, Modelo A Aplicación del Índice Europeo de Satisfacción del Cliente 41 AVE FCC Expectativas 0. 71 0. 88 Imagen 0. 5 0. 66 Valor 0. 74 0. 85 Calidad 0.58 0. 74 Satisfacción 0. 46 0. 77 Fidelidad 0. 44 0. 6 1 Tabla 12. Resultados análisis confirmatorio de validez, Modelo B Como se puede observar, tanto para el caso de AVE como de FCC, aunque no todos las variables superan el valor mínimo de 0.5 y 0,70, respectivamente, se acercan bastante a estos valores, por lo que se pueden considerar aceptables, y en el siguiente análisis de causalidad se puede comprobar si es acertada o no esta decisión. 11- Análisis causal Como punto final a este estudio se realizó un último análisis, el análisis del modelo causal. Este análisis tiene como objetivo buscar las razones que expliquen los buenos o malos resultados en los objetivos marcados. Desde el principio de los análisis realizados con el SPSS se tomaron 2 modelos distintos, A y B. El primero de ellos constaba de 7 variables y distinguía la calidad de producto de la calidad de servicio, mientras que el segundo las agrupaba bajo una sola variable de calidad. El objetivo era conocer cuál de los modelos es más recomendable o si a pesar de la diferenciación, al final no había diferencias entre estos dos modelos. Al realizar el análisis causal en EQS hay que comprobar que todos los ítems tengan un 2  mayor que 0.3, al igual que tenia que ocurrir en el confirmatorio. Y la solución de las t-student estimada por Máxima Verosimilitud (ML) debería ir acompañado de una @, lo que indicará que son significativos al 5%, y si no están acompañados de esta @, el valor al menos deberá ser de 1.644 para considerarlos significativos (ver Anexo VI). Aplicación del Índice Europeo de Satisfacción del Cliente 48 Potenciar actividades económicas, por ejemplo culturales, vinculadas al vino que contribuyan a aportar un mayor valor añadido a la Denominación. Fomentar el uso de las nuevas tecnologías para dar a conocer los productos. Fomentar l la diferenciación para aprovechar las oportunidades de mercado. Lanzar nuevas estrategias de comunicación e innovación para captar nuevos clientes. Aplicación del Índice Europeo de Satisfacción del Cliente 49 Bibliografía Abdolzera Eshghi, Dominique Haughton, Heikki Topi (2007). Determinants of customer loyalty in the wireless telecommunications industry. Telecommunication Policy, Volume 31, Issue 2, (March 2007). Pages 93-106. Barrio Virto, C.(2010). Análisis de Ecuaciones Estructurales aplicado al Índice Europeo de Satisfacción del Cliente mediante el Método de Covarianzas, caso D.O. Somontano. Proyecto Final de Carrera disponible en la Biblioteca Hypatia de Alejandría, Campus Rio Ebro, Universidad de Zaragoza. Bentler, P. M. (1985). Theory and implementation of EQS: A structural equations program. Los Angeles: BMDP Statistical Software. Caplliure Giner E. M., Miquel Romero M.J.. Actitud hacia la orientación al mercado, orientación al mercado y nuevas tecnologías: análisis en el sector textil español. Universidad de Valencia. Departamento de Comercialización e Investigación de Mercados Christina O’Loughlin, Germà Coenders (2002). Application of the European Customer Satisfaction Index to Postal Services. Structural Equation Models versus Partial Least Squares. Departament d’Economia, Universitat de Girona (Septiembre 2002). Dwayne Ball, Pedro S. Coelho, Manuel J. Vilares (2006). Service Personalization and Loyalty. Journal of Services Marketing, Vol. 20 Iss: 6, pp.391 - 403 Gracia Aibar, J.P. (2010). Análisis de ecuaciones estructurales para el índice europeo de satisfacción del cliente con el método de mínimos cuadrados parciales aplicado al caso D.O. Somontano. Proyecto Final de Carrera disponible en la Biblioteca Hypatia de Alejandría, Campus Rio Ebro, Universidad de Zaragoza. Harry Maddern, Roger Maull, Andi Smart, Paul Baker (2007). Customer Satisfaction and Service Quality in UK Financial Services. International Journal of Operations & Production Management, Vol. 27 Iss: 9, pp.999 - 1019 Ibáñez Gil de Gómez, V.(2009). Índice Europeo de Satisfacción del Cliente aplicado a la Denominación de Origen del Somontano. Proyecto Final de Carrera disponible en la Biblioteca Hypatia de Alejandría, Campus Rio Ebro, Universidad de Zaragoza. Jeffrey E. Lewin (2000). Business customers’ satisfaction: What happens when suppliers downsize?. Industrial Marketing Management, Volume 38, Issue 3 (April 200). Pages 283-299 Lucero I., Mesa S. (2002). Validación de instrumentos para medir conocimientos. Departamento de Física - Facultad de Ciencias. Exactas y Naturales y Agrimensura - UNNE. Mercedes Casas Guillén (2002). Los modelos de ecuaciones estructurales y su aplicación en el Índice Europeo de Satisfacción del Cliente. Facultad de Económicas Universidad San Pablo CEU. Michael D. Johnson, Anders Gustufsson, Tor Wallin Andreassen, Line Lervik, Jeasung Cha (2000). The Evolution and Future of National Customer Satisfaction Index Models (July, 2000). Aplicación del Índice Europeo de Satisfacción del Cliente 50 Sirohi N.; McLaughlin E.W.; Wittink D.R. (1998). A model of Consumer Perceptions and Store oyalty Intentions for a Supermarket Retailer. Journal of Retailing, Volume 74, Issue 2,(Summer 1998) . Pages 223-245. Tejedor Panchón F.(2004). Análisis del Modelo Europeo de Excelencia mediante la aplicación de Modelos de Ecuaciones Estructurales. Centro Andaluz para la excelencia en la gestión, Julio 2004. Valdunciel Bustos L., Flórez Romero M., Miguel Dávila J.A.(2007). Análisis de la calidad del servicio que prestan las entidades bancarias y su repercusión en la satisfacción del cliente y la lealtad hacia la entidad. Revista asturiana de economía nº 38 Vikas Kumar, H. Maddern, R. S. Maull, P. A. Smart (2007). Analysing the role of BPM in driving customer satisfaction. School of Business and Economics, University of Exeter, Exeter, UK Xueming Luo & C.B. Bhattacharya (2006). Corporate Social Responsibility, Customer Satisfaction, and Market Value. Journal of Marketing Vol. 70 (October 2006), 1–18 Yong-Jae Park, Pli-Sun Heo, and Myung- Hwan Rim (2008). Measurement of a Customer Satisfaction Index for Improvement of Mobile RFID Services in Korea. ETRI Journal, Volume 30, Number 5, October 2008 1 Página web oficial de la Denominación de Origen del Somontano. http://www.dosomontano.com/ 2 Página web oficial de SPSS. https://www.spss.com/ 3 EQS 6.1 Structural Equation Modeling Software. http://www.azom.com/softwaredetails.asp?SoftwareID=11