爱华网一、回归系数的管理应用解读
随着量化管理、量化营销理念逐步进入企业管理实践中，各种统计分析数据的应用越来越普及，因素“重要性”作为一个指导资源优化配置的重要指标，被管理者关注和使用，频频出现在各种分析和决策报告中。
评价产品/服务的重要性，主要有两种方式：陈述重要性和推导重要性。由于陈述重要性存在两个明显缺陷---“非驱动性”和“区分性差”（‘非驱动性’指消费者认为很重要的因素，却不一定是影响其选择的驱动因素；‘区分性差’指各因素的重要性数据都非常接近和集中，让人难以区分和判断。具体见量化客户需求强度-建立VOC之（5.1）），以及实际操作中问卷调查访问长度的限制，陈述重要性已普遍被推导重要性所替代。
推导重要性是根据回归系数得来，在关键绩效指标与各影响因素之间建立回归方程，进行回归运算，计算出各影响因素的回归系数，从而评估各影响因素的重要性，找出影响绩效的关键因素，据此进行资源的优化配置。（回归分析是什么？可参考达闻通用网站统计技术之回归分析：
但是在实际应用中，推导重要性往往被误读误用。例如我们经常用服务要素的表现水平与重要性交叉做四象限矩阵图，展示和说明各个要素的状况，并以此来作为资源配置的重要参考依据。如下图所示，根据电信服务各要素指标满意度与影响力（即推导重要性）的交叉矩阵图，管理者发现“10000号”的满意度水平很高而重要性却低于平均水平，那么就会思考，既然10000号的重要性不那么高，我们每年又投入那么多的资源，那下一年是否可以减少在这方面的资源投入呢？如果不理解推导重要性（回归系数）的真正含义，管理者很容易下这样的结论。
从最基础的二元回归方程y=a+bx，我们就能了解回归系数的真正含义。如下图所示，回归系数b反映的是回归直线的‘斜率’，意思是自变量x每变动一个单位，因变量相应就会变动b个单位。回归系数反映的是“互动”情况，一个因素变动引起另一个因素的变动情况。
因此，反映在管理方面，回归系数（推导重要性）反映的是“新增投入的产出比”，在原有的投入情况下，企业要增加一块钱投入，投在哪里产出的效益最高。10000号的推导重要性低，不能就认为10000号对客户不重要了，只能说明在目前的状况下，增加10000号的资源投入所产出的满意度效益低，相对不如投在计费收费、故障修复等方面。在没有其他数据支持缩减的情况下，对待10000号的资源配置策略就是‘维持’，不能单纯依据其推导重要性低就缩减资源投入。因为一旦投入减少使得10000号服务质量降低，客户对其的敏感性就会提高，对满意度的影响会增强，10000号就会从KANO模型中的A区变动到B区，又成为一个关键影响因素。
二、不增加投入情况下优化资源配置
但是，更多的情况下，管理者面临的问题是“在不增加投入的情况下，如何通过优化资源配置，提高效率，增加产出”，管理者手中的资源就那么多，如何优化配置让现有资源产生更大的效益。通过上文的描述，我们清楚推导重要性指标针对的是“新增投入的分配”，并不适用于“不增加投入情况下的资源优化配置”。那么，在不增加投入的情况下，如何优化资源配置？
综合利用“陈述重要性”和“推导重要性”这两个数据，我们就能准确把握资源投入的重点，这个重点既是用户所看重的，又是投入产出比大的。如下图所示，通过市场调查，获得产品/服务各要素的陈述重要性和推导重要性数据，制作成交叉矩阵图，根据各产品/服务要素所在位置，我们就能清楚了解各要素的重要性状况。
推导重要性高但陈述重要性低的要素称为“潜意识因素”，意思是用户目前还没明显意识到这个要素的重要性，但这个要素已经在对其行为产生影响；推导重要性低且陈述重要性也低的要素称为“长尾因素”，意思是单单某一因素可能作用不大，但许多这样的因素集中在一起却能产生显著效果；推导重要性低但陈述重要性高的要素称为“保持因素”，意思是这些要素虽然看起来很重要，但实际的驱动力已经很小，新增投入产出比小，只需要维持现有水平即可。
推导重要性高且陈述重要性高的要素就是“关键要素”，用户非常重视，而且其对用户行为的影响力非常高，投入产出比大，需要重点关注和加大投入。将资源从长尾因素、潜意识因素方面集中到关键因素，同时保证保持因素的资源投入不变，在总资源不变的情况下，能产生更大的效益。
