A totally non-compensatory multi-criteria method for evaluating and improving level of satisfaction (LoS): proposal and application on Airport Terminal of Passengers

Stellen Sie sich vor, Sie würden versuchen, das Mittagessen einer Schulkantine zu bewerten. Auf die alte Art und Weise würde man vielleicht einen mathematischen Durchschnitt berechnen: Wenn die Pizza eine 10/10 ist, der Salat aber eine 1/10, wird die Endnote zu einer „5“ (Durchschnitt). Dies wird als kompensatorische Methode bezeichnet, bei der etwas Supergutes ein etwas Schlechtes „kompensiert“. Aber im echten Leben fühlt sich das nicht immer richtig an. Wenn das Essen wie Pappe schmeckt, spielt es keine Rolle, wie hübsch der Teller dekoriert ist; die Mahlzeit ist trotzdem eine Katastrophe. Dies ist der Kern der Multi-Criteria Decision Analysis (MCDA), einem Zweig der Wissenschaft, der hilft, schwierige Entscheidungen durch das Abwägen vieler verschiedener Faktoren zu treffen. Normalerweise gehen diese Werkzeuge davon aus, dass alle Menschen dieselbe Liste von Faktoren (wie Geschmack, Preis und Geschwindigkeit) betrachten und dass ein hoher Wert in einem Bereich einen niedrigen Wert in einem anderen Bereich „heilen“ kann. Aber was, wenn Menschen völlig unterschiedliche Prioritäten haben? Was, wenn einer der Musik im Geschäft den Vorrang gibt, während ein anderer nur auf die Geschwindigkeit an der Kasse achtet? Und was, wenn ein hoher Wert in einem Bereich nicht erlauben sollte, ein Versagen in einem anderen Bereich zu kaschieren? Dieses Paper befasst sich genau mit dieser chaotischen, menschlichen Realität.

Die Autoren, Phelipe Medeiros da Rocha und Helder Gomes Costa, gehen ein Problem an, das sich wie ein riesiges, chaotisches Puzzle anfühlt: Wie misst man, wie zufrieden Menschen mit einem Service sind, wenn jeder ein anderes Regelwerk verwendet? Sie wandten ihre neue Methode auf 15 große internationale Flughäfen in Brasilien an und analysierten dabei Daten von 19.240 Passagieren. Anstatt jeden Passagier zu zwingen, exakt dieselben 37 Punkte zu bewerten (wie „Sauberkeit der Toiletten“ oder „Geschwindigkeit der Sicherheitskontrolle“), ließen sie jeden Passagier die spezifischen Dinge wählen, die ihm wichtig waren. Eine Person bewertet vielleicht das „WLAN“ und die „Lebensmittelpreise“, während eine andere nur die „Freundlichkeit des Sicherheitspersonals“ und die „Geschwindigkeit der Gepäckausgabe“ bewertet.

Der Clou dabei ist: Die Forscher verwendeten einen „völlig nicht-kompensatorischen“ Ansatz. Stellen Sie sich das wie einen strengen Türsteher vor einem Club vor. Wenn Ihnen eine Eintrittskarte fehlt (ein niedriger Wert bei einem Kriterium), lassen Sie Sie nicht rein, nur weil Sie einen coolen Hut tragen (ein hoher Wert bei einem anderen Kriterium). In den alten mathematischen Modellen könnte ein toller Hut das Fehlen eines Tickets „kompensieren“. In diesem neuen Modell gilt: Wenn ein Flughafen an einem kritischen Punkt versagt, wird das Erlebnis dieses Passagiers als schlecht markiert, egal wie gut alles andere war. Dies verhindert, dass der „Durchschnitt“ die Tatsache verbirgt, dass etwas tatsächlich kaputt ist.

Das Team speiste diesen massiven, chaotischen Datensatz in einen speziellen Algorithmus namens ELECTRE TRI ME ein. Dies ist nicht nur ein einfacher Taschenrechner, sondern eine Sortiermaschine, die die „Glaubwürdigkeit“ dafür prüft, wie gut ein Flughafen in verschiedene Zufriedenheitskategorien (wie „Sehr gut“, „Gut“, „Akzeptabel“, „Schlecht“ oder „Sehr schlecht“) passt. Da die Passagiere unterschiedliche Kriterien verwendeten, musste der Algorithmus intelligent genug sein, um die Lücken zu handhaben, ohne sie mit künstlichen „Durchschnittswerten“ aufzufüllen.

Die Ergebnisse waren faszinierend. Die 15 Flughäfen erhielten nicht einfach nur einen einzigen Wert; sie wurden in vier verschiedene Gruppen eingeteilt, basierend darauf, wie konsistent sie performten.

• Gruppe A (die oberste Ebene) umfasste Flughäfen wie Viracopos (VCP) und Afonso Pena (CWB). Diese Orte waren im Allgemeinen in allen Bereichen „Sehr gut“.
• Gruppe D (die unterste Ebene) umfasste Recife (REC), Salvador (SSA) und Belém (BEL). Diese Flughäfen wiesen erhebliche Lücken in ihrer Leistung auf.

Die Studie beschränkte sich nicht nur auf das Ranking; sie agierte wie ein Detektiv, um herauszufinden, warum die unteren Gruppen Schwierigkeiten hatten. Sie fanden heraus, dass die meisten Flughäfen zwar bei Dingen wie „Höflichkeit des Sicherheitspersonals“ und „Wartezeiten“ gut abschnitten, fast alle jedoch bei denselben zwei Dingen kämpften: dem Preis für Lebensmittel und dem Preis für Shopping. Über alle Gruppen hinweg bewerteten Passagiere das „Preis-Leistungs-Verhältnis“ von Restaurants und Geschäften lediglich als „Akzeptabel“ (eine 3 von 5).

Für die Flughäfen in der untersten Gruppe (Gruppe D) schlägt das Paper vor, dass sie sich auf spezifische „Deal-Breaker“ konzentrieren müssen, um aufzusteigen. Dazu gehörten Dinge wie Beschilderung und Wegweiser, Fluginformationsbildschirme, Internetzugang und Parkmöglichkeiten. Die Autoren argumentieren, dass die Flughäfen der Gruppe D aufsteigen können, wenn sie diese spezifischen Probleme lösen. Für die Flughäfen der Spitzengruppe hingegen lautet der Rat, die hohen Standards „beizubehalten“, da sie in den meisten Bereichen bereits Bestnoten erreichen.

Das Paper weist sorgfältig darauf hin, dass diese Methode eine neue Art der Betrachtung darstellt. Es schließt explizit die Idee aus, dass man durch das bloße Mitteln von Werten ein wahres Bild der Zufriedenheit erhalten kann. Es räumt zudem eine Einschränkung ein: Die verwendeten Daten fragten die Passagiere nicht danach, wie wichtig jeder einzelne Punkt für sie war (jeder Kriterium wurde als gleich wichtig behandelt). Ungeachtet dessen betonen die Autoren, dass ihre Methode ein leistungsstarkes neues Werkzeug ist. Sie ermöglicht es uns, die „schwachen Glieder“ in einer Servicekette zu identifizieren, ohne dass die starken Glieder diese verbergen. Dies bietet einen klareren Weg für Flughafenmanager, um das Passagiererlebnis tatsächlich zu verbessern. Es ist ein Wechsel von der Frage „Wie hoch ist der Durchschnittsscore?“ hin zu der Frage „Wo haben wir versagt, und wer hat es bemerkt?“.