Key driver-analyse: wat je tevredenheidsscore echt beweegt
Vraag klanten wat belangrijk is en ze zeggen: alles. Een key driver-analyse kijkt naar wat de score werkelijk beweegt. Zo werkt het, hier misleiden correlatie en regressie je, en zo lees je een driver-grafiek zonder jezelf voor de gek te houden.
Door SurveyLane · Het team achter SurveyLane
Je tevredenheidsenquête heeft een totaalscore en acht beoordelingen van onderdelen: prijs, snelheid, support, onboarding, betrouwbaarheid en nog een paar. Dan vraagt iemand welke je als eerste moet aanpakken. Daar is de key driver-analyse voor, en je kunt er vol overtuiging mee de mist in gaan. De grafiek oogt precies. Of hij iets betekent, hangt af van keuzes die de meeste mensen maken zonder het te merken.
Waarom je niet gewoon kunt vragen wat belangrijk is
De voor de hand liggende stap is het vragen. "Hoe belangrijk is de prijs voor je?" "Hoe belangrijk is support?" Dat heet gevraagd belang, en bijna alles komt terug als belangrijk.
Op een vijfpuntsschaal voor belang landen de meeste onderdelen tussen 4 en 5, en de volgorde binnen die smalle band is grotendeels ruis. Klanten willen dat alles goed is. Dat wist je al.
En mensen geven aan wat er volgens hen toe zou moeten doen. Vraag hoe belangrijk de opmaak van je factuur is en je krijgt een schouderophaal. Kijk daarna naar de tevredenheid bij de klanten die een onduidelijke factuur kregen. Respondenten liegen heus niet. Ze zien gewoon slecht wat hun eigen oordeel stuurt, en juist daar vraagt de belangvraag naar.
Afgeleid belang: laat de data zien wat de score beweegt
Afgeleid belang draait de vraag om. Je kijkt welke beoordelingen van onderdelen meebewegen met de totaalscore. Geven mensen die support hoog waarderen ook de hele ervaring een hoog cijfer, en mensen die support laag waarderen niet, dan is support een kandidaat-driver.
De prijs is dat je nu statistiek doet op observationele data. De eenvoudigste versie is een correlatie per onderdeel. De volgende stap is een regressie van de totaalscore op alle onderdelen tegelijk. Allebei snel en gangbaar, en allebei misleidend.
Correlatie blaast elke driver op door het halo-effect
Correleer elk onderdeel met de totale tevredenheid en meestal komen ze allemaal positief uit, vaak tussen 0,5 en 0,7. Dat lijken acht sterke drivers. Het is grotendeels één effect, acht keer geteld.
Edward Thorndike beschreef het in 1920 in het Journal of Applied Psychology, in "A constant error in psychological ratings". Officieren beoordeelden soldaten op losse eigenschappen zoals intelligentie, fysiek en leiderschap, en die cijfers hingen veel sterker samen dan de eigenschappen zelf aannemelijk konden doen. Een algemene indruk lekte door in elke afzonderlijke beoordeling. Hij noemde het het halo-effect.
Jouw respondenten doen hetzelfde. Een tevreden klant beoordeelt je support, onboarding en prijspagina milder, deels omdat hij tevreden is. De beoordelingen delen een groot gemeenschappelijk deel, en dat deel is precies het totaaloordeel dat je wilde verklaren. Een correlatietabel vertelt je dat tevreden klanten alles hoger beoordelen. Wat je moet veranderen, zegt hij niet.
Regressie gaat de andere kant op mis
Het studieboek zegt: meervoudige regressie. Elke coëfficiënt toont het effect van één onderdeel terwijl de andere constant blijven, en dat haalt in theorie de gedeelde halo eruit.
In de praktijk hangen je onderdelen zo sterk met elkaar samen dat het model ze niet uit elkaar kan houden. Dat heet multicollineariteit. Voeg 50 responses toe of laat één onderdeel weg, en de volgorde husselt door elkaar. Eén onderdeel pakt de gedeelde variantie en lijkt dominant, terwijl zijn bijna-tweeling een coëfficiënt rond nul krijgt, soms zelfs negatief.
Dat minteken verraadt het. Lees je "een betere beoordeling van onboarding verlaagt de totale tevredenheid", dan meten onboarding en een ander onderdeel bijna hetzelfde en heeft het model de eer willekeurig verdeeld. Was support in Q2 je topdriver en in Q3 bijna onzichtbaar, zonder dat er iets veranderde? Dan is dit vermoedelijk waarom.
Shapley-waarden en dominantieanalyse verdelen de eer
Methoden die voor dit probleem zijn gemaakt, stellen een andere vraag. Neem het gemiddelde over elke volgorde waarin je de onderdelen aan het model kunt toevoegen: hoeveel voegt elk onderdeel toe aan de verklaarde variantie?
David Budescu beschreef dominantieanalyse in 1993 in Psychological Bulletin. Stan Lipovetsky en Michael Conklin kwamen er in 2001 via de coöperatieve speltheorie op uit, in Applied Stochastic Models in Business and Industry. Ze behandelen elk onderdeel als speler en de R² van het model als de opbrengst die verdeeld moet worden. Dat is Shapley value-regressie. Voor de R² van een lineair model zijn Budescu's algemene dominantiegewichten en de Shapley-waarden dezelfde getallen.
Je krijgt belangaandelen die optellen tot de totale verklaarde variantie, nooit negatief zijn en veel stabieler blijven als onderdelen overlappen.
Twee grenzen. De halo zit nog steeds in elke beoordeling. En de uitkomst blijft een beschrijving van je data, zonder causale claim.
Shapley-waarden vragen een model voor elke deelverzameling van onderdelen: 2 tot de macht van het aantal onderdelen. Acht onderdelen geeft 256 modellen, dat is niets. Dertig geeft er meer dan een miljard, en dan heb je een benadering nodig of een kortere lijst.
Goede driver-data begint bij de vragenlijst
Het meeste van een driver-analyse beslis je al bij het schrijven van de enquête.
Houd de lijst met onderdelen kort en onderscheidend. "Gebruiksgemak" en "intuïtief" zijn één onderdeel, twee keer gevraagd. Kun je niet zeggen wat een klant anders zou merken tussen twee items, voeg ze dan samen.
Stel de totaalvraag eerst. Komen de onderdelen ervoor, dan wordt de totaalscore een samenvatting van wat de respondent net heeft overdacht. De post over vraagvolgorde-effecten legt het mechanisme uit.
Gebruik één schaal, in één richting, voor de onderdelen en de uitkomst. De post over schaalvragen ontwerpen behandelt welke keuzes daarbij tellen.
En neem op waar klanten echt tegenaan lopen. De analyse rangschikt alleen wat je hebt gevraagd. Staat het echte probleem niet op de lijst, dan wordt je topdriver gewoon het onderdeel dat het sterkst samenhangt met het ontbrekende.
Matrixvragen beschadigen je driver-data
Beoordelingen van onderdelen belanden bijna altijd in een matrix: acht rijen, één schaal, één scherm.
In een matrix gaan mensen rechtlijnig antwoorden. Ze geven de hele kolom hetzelfde antwoord, omdat dat sneller is dan elke rij lezen. Elke rechtlijnige response is pure halo: identieke cijfers die de totaalscore volgen en niets zeggen over welk onderdeel ertoe doet. Genoeg daarvan en je analyseert vooral vermoeidheid.
Tel hoeveel respondenten elk onderdeel hetzelfde cijfer gaven en draai het model met en zonder hen. De post over slechte enquête-antwoorden herkennen heeft meer controles. Op een telefoon wordt een matrix nog slechter (zie de post over enquêtes voor smartphones ontwerpen).
Sommige onderdelen tellen pas als ze falen
Een lineair model neemt aan dat een punt extra op betrouwbaarheid evenveel waard is van 2 naar 3 als van 4 naar 5. Zo werken klanten niet.
Noriaki Kano en collega's beschreven dit in 1984 in het tijdschrift van de Japanese Society for Quality Control, in "Attractive quality and must-be quality". Basisonderdelen (must-be) leveren geen lof op als ze werken en wekken woede als ze falen: denk aan data die correct wordt opgeslagen. Aantrekkelijke onderdelen mis je niet als ze ontbreken en verrassen als ze er zijn. Eendimensionale onderdelen zijn gewoon beter naarmate ze beter zijn.
Is bijna iedereen er tevreden over, dan variëren de cijfers nauwelijks, en een variabele die nauwelijks varieert kan weinig verklaren. Dus scoort hij laag. Tot hij stukgaat en niemand het nog over iets anders heeft.
Zet de totale tevredenheid uit tegen lage en hoge cijfers per onderdeel. Trekt een laag cijfer de score hard omlaag en voegt een hoog cijfer weinig toe, dan heb je een basisonderdeel gevonden. Herstel de fouten en verwacht niet dat polijsten boven de drempel zich terugbetaalt.
Zet belang af tegen prestatie
Met alleen een rangorde ben je er niet. Je topdriver scoort misschien al 4,7 uit 5, waar elke verdere winst duur is. Een driver halverwege de lijst met een 2,9 is misschien goedkoop op te krikken.
John Martilla en John James publiceerden importance-performance analysis in 1977 in het Journal of Marketing, drie pagina's op basis van servicedata van autodealers. Belang op de ene as, prestatie op de andere, gesplitst op de gemiddelden. Vier kwadranten: hier op focussen, zo doorgaan, lage prioriteit, mogelijk overdreven.
Gebruik afgeleid belang voor de belang-as. Met gevraagd belang staat alles in de bovenste band en klapt het raster in elkaar. En onthoud dat de scheidingslijnen willekeurig zijn. Verschuif ze van gemiddelde naar mediaan en een onderdeel kan van kwadrant wisselen. De grafiek is goed om het gesprek mee te openen. Budget verdeel je op basis van bewijs.
Wat een driver-grafiek je niet vertelt
Enquêtedata is een momentopname. Een driver-analyse vertelt je welke beoordelingen samengaan met een hogere totaalscore, in deze steekproef, op dit moment. Of beter scoren op een onderdeel de tevredenheid verhoogt, kan hij niet beantwoorden.
Intensieve gebruikers geven support en de totale tevredenheid misschien allebei een hoog cijfer, omdat veel gebruik vertrouwdheid en goodwill opbouwt. Support is dan een symptoom van betrokkenheid. Het model ziet dat verschil niet.
Behandel drivers dus als hypotheses. Verander iets en kijk naar de score: verbeter de onboarding voor één cohort en vergelijk dat met een ander, of volg het onderdeel en de uitkomst over meerdere metingen. De post over een enquête herhalen zonder je trend te breken gaat over hoe je die metingen vergelijkbaar houdt.
Rapporteer ook de onzekerheid. Bij 150 responses is het verschil tussen driver drie en driver vijf meestal ruis. Bootstrap het: trek een paar honderd keer opnieuw een steekproef uit je respondenten, draai de analyse opnieuw en meld hoe vaak elk onderdeel in de top drie belandt. "Support zit 95% van de keren in de top drie, prijs 40%" zegt een productteam veel meer dan een staafdiagram.
Als je een AI je drivers laat zoeken
Een AI-assistent die aan je enquêtedata is gekoppeld, bijvoorbeeld via de SurveyLane MCP-server uit enquêtes analyseren met AI, draait een driver-analyse in een paar seconden. Elke afweging hierboven slaat hij over, tenzij je erom vraagt.
Vraag welke methode hij gebruikte. "Key drivers" in een losse prompt wordt vaak een correlatietabel, de methode met het halo-probleem. Vraag om Shapley-waarden of dominantieanalyse, met het aandeel verklaarde variantie per onderdeel.
Vraag eerst om de correlaties tussen de onderdelen, en pas daarna om de rangorde. Twee onderdelen boven 0,8 moet je niet tegen elkaar afzetten.
Laat hem rechtlijnige respondenten markeren en de analyse zonder hen herhalen, en vraag naar de totale R² van het model. Bij 0,25 komt driekwart van de tevredenheid uit dingen die je nooit hebt gevraagd.
Vraag dan wat de resultaten niet laten zien. Zegt de samenvatting "prijs drijft de tevredenheid" zonder een woord over halo, overlap of causaliteit, dan claimt hij meer dan de methode kan dragen. Het is dezelfde fout als een AI die thema's verzint in open antwoorden, beschreven in de post over open antwoorden analyseren.
Veelgestelde vragen
Hoeveel responses heb ik nodig voor een key driver-analyse?
Een gangbare vuistregel is tien tot twintig volledige responses per onderdeel in het model, meer als onderdelen sterk overlappen, dus 80 tot 160 als ondergrens bij acht onderdelen. Daaronder laat een bootstrap zien dat het grootste deel van de rangorde niet stabiel is. Vergelijk je segmenten, dan heb je dat aantal per segment nodig.
Moet ik nog steeds naar gevraagd belang vragen?
Soms, naast afgeleid belang. Het helpt je basisonderdelen te vinden die in je data nauwelijks variëren en daardoor laag scoren op afgeleid belang. Noemen klanten een onderdeel heel belangrijk en zet de analyse het onderaan, onderzoek dan dat verschil. Kies niet zomaar een van de twee. Gebruik gevraagd belang niet als je hoofdrangorde, want bijna alles komt terug als belangrijk.
Kan ik NPS als uitkomstvariabele gebruiken?
Gebruik de ruwe score van 0 tot 10 op de aanbevelingsvraag als uitkomst. Elf punten samenvatten tot promoters, passives en detractors gooit variatie weg die het model nodig heeft.
Is Shapley value-regressie hetzelfde als SHAP uit machine learning?
Ze delen het speltheoretische idee om een opbrengst eerlijk over spelers te verdelen, maar ze beantwoorden verschillende vragen. Shapley value-regressie verdeelt de verklaarde variantie van een model over de onderdelen en geeft één getal per onderdeel voor de hele dataset. SHAP verklaart losse voorspellingen en geeft een bijdrage per onderdeel per respondent. Voor een driver-grafiek bij een enquête wil je Shapley value-regressie of dominantieanalyse.
