European Customer Satisfaction Index
Customer Experience
O European Customer Satisfaction Index (ECSI) é o modelo causal padronizado pela UE para medir a satisfação do cliente. Seis variáveis latentes mensuradas reflexivamente explicam, em conjunto, como imagem de marca e qualidade percebida impulsionam a satisfação, que por sua vez se traduz em lealdade.
- N
- 250
- LVs
- 6
- R²(SAT)
- 0.71
Clonar requer uma conta OpenPLS gratuita.
Base teórica
O ECSI é a contraparte europeia do americano ACSI (Fornell et al., 1996) e foi desenvolvido pela European Foundation for Quality Management no final dos anos 1990. O objetivo era um índice comparável entre setores que não mede a satisfação diretamente, mas a reconstrói a partir de seus antecedentes via um modelo de equações estruturais.
A especificação é metodologicamente limpa: todos os seis construtos são mensurados de forma reflexiva (Mode A), a estrutura de caminhos tem três camadas mediadoras (Expectations, Quality, Value) e termina em Loyalty como a variável endógena terminal. O caso de uso típico são pesquisas trimestrais cujos resultados permanecem comparáveis ao longo dos anos.
Na literatura PLS-SEM, o ECSI tornou-se o benchmark de fato para modelos de caminhos com múltiplas camadas mediadoras. Praticamente todo livro-texto (Hair et al., 2022; Henseler, 2021) usa uma variante dele como exemplo introdutório.
Modelo estrutural
Seis LVs reflexivas, dez caminhos direcionados. Image é a única variável puramente exógena, Loyalty a única puramente endógena.
Imagem
Imagem e reputação da marca conforme percebidas pelos clientes.
Expectativas
Qualidade esperada antes do consumo.
Qualidade percebida
Qualidade de serviço e produto vivenciada.
Valor percebido
Relação qualidade-preço sob a perspectiva do cliente.
Satisfação
Julgamento geral da experiência.
Lealdade
Intenção de recompra e de recomendação.
Hipóteses
| H1 | IMAG → SAT | + | Uma imagem de marca mais forte eleva diretamente a satisfação. |
| H2 | IMAG → LOY | + | A imagem tem, adicionalmente, efeito direto sobre a lealdade, independente da satisfação. |
| H3 | EXPE → QUAL | + | Expectativas mais altas correlacionam-se positivamente com a qualidade percebida. |
| H4 | QUAL → SAT | + | A qualidade percebida é o principal driver direto da satisfação. |
| H5 | VAL → SAT | + | O valor percebido eleva a satisfação além do efeito da qualidade. |
| H6 | SAT → LOY | + | A satisfação é a ponte central para a lealdade. |
Metodologia e dados
O conjunto de dados incluído contém N = 250 respostas simuladas a 27 indicadores (todos em escala Likert de sete pontos). A estrutura de covariância foi gerada para reproduzir os tamanhos de efeito típicos da literatura. Estudos ECSI reais costumam rodar com amostras entre N = 250 e N = 1.000 por setor.
Resultados esperados
- R²(SAT) ≈ 0.71
- Imagem, expectativas, qualidade e valor explicam, em conjunto, cerca de 71 % da variância na satisfação, substancial segundo os limiares de Hair et al. (R² ≥ 0.75 = forte).
- R²(LOY) ≈ 0.52
- A lealdade é explicada em cerca de 52 % pela imagem e pela satisfação. O efeito direto Image → Loyalty é pequeno, mas significativo.
- SAT → LOY ≈ 0.55
- De longe o caminho mais forte. Confirma a afirmação central do ECSI: a satisfação é a principal ponte para a lealdade.
Reproduza em 60 segundos
- 1
Clone o projeto
Um único clique no seu workspace OpenPLS cria uma cópia totalmente editável: modelo, indicadores e dataset, tudo conectado e pronto para uso.
- 2
Execute o cálculo
O OpenPLS resolve pesos externos, coeficientes de caminho, R², HTMT, SRMR e intervalos de confiança via bootstrap em poucos segundos.
- 3
Compare com as métricas esperadas
As métricas-chave documentadas abaixo vêm do original publicado. Seus valores calculados devem cair dentro dos ICs bootstrap de 95 %.
Referências
- 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