European Customer Satisfaction Index
カスタマーエクスペリエンス
European Customer Satisfaction Index（ECSI）は、顧客満足度を測定するためのEU標準的な因果モデルです。6つの反映的に測定された潜在変数が連動し、ブランドイメージと知覚品質が満足度をどのように高め、それがロイヤルティへとつながるかを明らかにします。
- N
- 250
- LVs
- 6
- R²(SAT)
- 0.71
クローンには無料のOpenPLSアカウントが必要です。
理論的背景
ECSIは米国のACSI（Fornell ほか、1996）に対応する欧州版であり、1990年代後半にEuropean Foundation for Quality Managementによって開発されました。目的は業界横断で比較可能な指標を作ることであり、満足度を直接測定するのではなく、構造方程式モデルを通じてその先行要因から再構成する点に特徴があります。
仕様は方法論的に整理されています。6つの構成概念はすべて反映的に測定され（Mode A）、パス構造は3層の媒介変数（Expectations、Quality、Value）を経て、終点の内生変数であるLoyaltyに至ります。代表的な用途は四半期ごとのアンケート調査で、結果が年度を越えて比較可能な形で得られます。
PLS-SEM文献において、ECSIは複数層の媒介変数を含むパスモデルのデファクト標準ベンチマークとなっています。ほぼすべての教科書（Hair ほか、2022；Henseler、2021）が、入門例としてその変種を用いています。
構造モデル
6つの反映的LVと10本の有向パス。Imageは純粋に外生的な唯一の変数、Loyaltyは純粋に内生的な唯一の変数です。
イメージ
顧客が知覚するブランドイメージとレピュテーション。
期待
消費前に抱かれる品質への期待。
知覚品質
実際に体験されたサービスおよび製品の品質。
知覚価値
顧客視点での品質と価格のバランス。
満足度
体験全体に対する総合的な評価。
ロイヤルティ
再購入および推奨の意向。
仮説
| H1 | IMAG → SAT | + | ブランドイメージが強いほど、満足度が直接的に高まります。 |
| H2 | IMAG → LOY | + | イメージは満足度とは独立に、ロイヤルティへ直接的な効果を持ちます。 |
| H3 | EXPE → QUAL | + | 期待が高いほど、知覚品質も正の相関を示します。 |
| H4 | QUAL → SAT | + | 知覚品質は、満足度に対する最も強い直接的ドライバーです。 |
| H5 | VAL → SAT | + | 知覚価値は、品質に加えてさらに満足度を高めます。 |
| H6 | SAT → LOY | + | 満足度は、ロイヤルティへの中心的な架け橋となります。 |
方法論とデータ
同梱されているデータセットには、27項目の指標（すべて7段階リッカート尺度）に対するN = 250件のシミュレーション回答が含まれています。共分散構造は、文献で典型的に見られる効果量を再現するように生成されています。実際のECSI調査では、業界ごとにN = 250から1,000程度の標本サイズで実施されるのが一般的です。
期待される結果
- R²(SAT) ≈ 0.71
- イメージ、期待、品質、価値が満足度の分散を約71%説明します。Hair ほかの閾値（R² ≥ 0.75で強い）に照らして、十分に高い値といえます。
- R²(LOY) ≈ 0.52
- ロイヤルティはイメージと満足度によって約52%説明されます。Image → Loyaltyの直接効果は小さいながら有意です。
- SAT → LOY ≈ 0.55
- 最も強いパスです。満足度がロイヤルティへの主要な架け橋であるという、ECSIの中核的な主張を裏付けます。
60秒で再現
- 1
プロジェクトをクローン
OpenPLSワークスペースでワンクリックすると、完全に編集可能なコピーが作成されます。モデル、指標、データセットがすべて連携した状態ですぐに利用できます。
- 2
計算を実行
OpenPLSは外側の重み、パス係数、R²、HTMT、SRMR、ブートストラップ信頼区間を数秒で算出します。
- 3
期待されるメトリクスと比較
以下に記載された主要メトリクスは、公開済みの原著論文に基づくものです。計算された値が、ブートストラップ95%信頼区間の内側に収まるはずです。
参考文献
- Fornell, C., Johnson, M. D., Anderson, E. W., Cha, J., & Bryant, B. E. (1996). The American Customer Satisfaction Index: Nature, Purpose, and Findings. Journal of Marketing, 60(4), 7–18. doi.org/10.1177/002224299606000403
- Tenenhaus, M., Esposito Vinzi, V., Chatelin, Y.-M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159–205. doi.org/10.1016/j.csda.2004.03.005
- Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). SAGE. us.sagepub.com/en-us/nam/a-primer-on-partial-least-squares-structural-equation-modeling-pls-sem/book270548