Importance–Performance Analysis (IPA) và Asymmetric Impact–Performance Analysis (AIPA): Từ lý thuyết đến ứng dụng thực tiễn

(Bài viết này tiếp nối với bài viết về Phân tích IPMA cho cấu trúc SEM thực hiện bằng SmartPLS. Link)

1. Giới thiệu

Trong bối cảnh cạnh tranh gay gắt, việc hiểu rõ khách hàng mong đợi điều gì và đánh giá ra sao về dịch vụ hiện tại trở thành yếu tố sống còn đối với các doanh nghiệp. Một trong những công cụ phân tích trực quan và hiệu quả nhất cho mục tiêu này là Importance–Performance Analysis (IPA). Được Martilla và James (1977) giới thiệu lần đầu trong ngành marketing dịch vụ, IPA ngày nay được ứng dụng rộng rãi trong nhiều lĩnh vực từ kinh doanh, giáo dục, du lịch cho đến y tế và quản trị công.

2. Cơ sở lý thuyết IPA

2.1. Khái niệm

IPA là mô hình phân tích nhằm so sánh tầm quan trọng (Importance) mà khách hàng gán cho các yếu tố dịch vụ/sản phẩm với mức độ thực hiện (Performance) mà họ cảm nhận được.

▲ Importance (Tầm quan trọng): Đo lường mức độ quan trọng của các yếu tố dịch vụ đối với khách hàng. Đây là thang đo chủ quan phản ánh mức độ ưu tiên mà khách hàng đặt ra cho từng thuộc tính của sản phẩm/dịch vụ. Nó thể hiện giá trị tương đối mà khách hàng gán cho mỗi yếu tố trong quá trình ra quyết định mua hàng. Ví dụ, với một khách hàng mua điện thoại, họ có thể đánh giá tầm quan trọng như sau (thang điểm 1-10): Chất lượng camera là 9/10; Thời lượng pin là 8/10; Thiết kế là 6/10; và Giá cả là 7/10.

▲ Performance (Hiệu suất): Đo lường mức độ khách hàng cảm nhận hiệu suất của dịch vụ tại các yếu tố đó. Đây là đánh giá của khách hàng về chất lượng thực tế mà họ nhận được từ sản phẩm/dịch vụ tại từng thuộc tính cụ thể. Nó phản ánh trải nghiệm thực tế so với kỳ vọng ban đầu. Ví dụ, cùng khách hàng trên, sau khi sử dụng điện thoại, họ đánh giá hiệu suất thực tế: Chất lượng camera là 7/10 (thấp hơn kỳ vọng); Thời lượng pin là 9/10 (vượt kỳ vọng); Thiết kế là 8/10 (tốt hơn mong đợi); và Giá cả là 6/10 (cảm thấy hơi đắt).

Sự chênh lệch điểm đánh giá giữa Performance và Importance người ta hay gọi là GAP (sai biệt). Nếu:

·   Gap âm (Performance < Importance): Cơ hội cải thiện ưu tiên cao

·   Gap dương (Performance > Importance): Có thể đang "over-deliver" không cần thiết

·   Gap gần bằng 0: Cân bằng tốt giữa kỳ vọng và thực tế

2.2. Cấu trúc ma trận

IPA được trình bày trên một ma trận hai chiều với bốn vùng:

·   Q1 – Concentrate Here (Quan trọng cao, Thực hiện thấp): Cần ưu tiên cải thiện.

·   Q2 – Keep up the Good Work (Quan trọng cao, Thực hiện cao): Nên duy trì và phát huy.

·   Q3 – Low Priority (Quan trọng thấp, Thực hiện thấp): Không cần ưu tiên nhiều nguồn lực.

·   Q4 – Possible Overkill (Quan trọng thấp, Thực hiện cao): Có thể đang đầu tư quá mức cần thiết.

Thứ tự ưu tiên từ cao đến thấp là Q1 → Q2 → Q3 → Q4.

2.3. Vai trò

IPA giúp doanh nghiệp:

·   Tập trung nguồn lực đúng chỗ.

·   Hỗ trợ quản lý chất lượng dịch vụ.

·   Truyền đạt thông tin một cách trực quan cho nhà quản trị.

3. Quy trình thực hiện IPA

Bước 1: Xây dựng thang đo: Mỗi yếu tố dịch vụ được đánh giá đồng thời theo hai khía cạnh: Importance (Tầm quan trọng) và Performance (Hiệu suất). Do đó, các bạn cần xây dựng 2 bảng hỏi để đo lường cho cả hai khía cạnh này.

Ví dụ về các câu hỏi trong bảng hỏi:

Bước 2: Thu thập dữ liệu: Tiến hành khảo sát khách hàng; mẫu khuyến nghị từ 200 trở lên để đảm bảo độ tin cậy (Hair và cộng sự, 2019; Kline, 2016).

Bước 3: Phân tích thống kê:

·   Tính giá trị trung bình (Mean) của I và P cho từng item.

·   Chạy Paired-Samples T Test để kiểm tra sự khác biệt giữa I và P.

·   Xác định điểm cắt (cut-off) bằng trung bình chung I và P̄.

Bước 4: Vẽ ma trận IPA: Scatter plot với trục X = Performance, trục Y = Importance; thêm hai đường cắt để phân vùng.

Bước 5: Diễn giải kết quả: Xác định các yếu tố rơi vào Q1–Q4 và đưa ra khuyến nghị.

4. Thực hành IPA với ví dụ thực tế

Giả sử chúng ta có một tệp data gồm 50 khảo sát khách hàng mua đồ công nghệ bên trên.

Sau khi vào dữ liệu trong SPSS, các bạn thực hiện phân tích Paired-Samples T Test

Kết quả phân tích cho thấy tất cả p-value < 0.001 cho thấy sự khác biệt giữa Performance và Importance có ý nghĩa thống kê cao (99.9% tin cậy).

Nhận xét: Các yếu tố như Chất lượng camera và Giá cả đều có sự khác biệt có ý nghĩa thống kê, với hiệu suất thấp hơn so với mức độ quan trọng, điều này cho thấy doanh nghiệp cần cải thiện những yếu tố này để đáp ứng kỳ vọng của khách hàng. Thời lượng pin có hiệu suất vượt kỳ vọng và là yếu tố quan trọng, doanh nghiệp nên duy trì thế mạnh này. Thiết kế tuy có hiệu suất cao nhưng tầm quan trọng thấp, cho thấy doanh nghiệp có thể đang đầu tư thừa và nên tối ưu hóa phân bổ nguồn lực.

Điểm mấu chốt: Trong IPA, GAP dương không phải lúc nào cũng tốt - nó còn phụ thuộc vào mức độ quan trọng của yếu tố đó! Bạn đọc cần xây dựng ma trận IPA để có cái nhìn tổng quan hơn trong phân tích.

(Anh chị cần file excel để vẽ biểu đồ IPA này thì liên hệ với chúng tôi qua email hoặc zalo nhé)

5. Giới thiệu AIPA – Asymmetric Impact–Performance Analysis

Một hạn chế lớn của IPA là giả định mối quan hệ tuyến tính và đối xứng: nếu một yếu tố quan trọng và có mức thực hiện thấp thì cần cải thiện, còn nếu thực hiện tốt thì chắc chắn làm khách hàng hài lòng. Tuy nhiên, nghiên cứu gần đây chỉ ra rằng điều này không phải lúc nào cũng đúng.

AIPA (Asymmetric Impact–Performance Analysis) được đề xuất nhằm khắc phục hạn chế này. Mô hình AIPA dựa trên lý thuyết Kano, cho rằng tác động của từng thuộc tính dịch vụ có thể khác nhau:

·   Basic factors: Thiếu sẽ gây bất mãn lớn, nhưng có đủ chỉ coi là đương nhiên.

·   Performance factors: Hiệu suất tỷ lệ thuận với sự hài lòng.

·   Excitement factors: Nếu có sẽ tạo hiệu ứng “wow”, nhưng thiếu chưa chắc gây bất mãn.

Trong AIPA, thay vì hỏi khách hàng về mức độ quan trọng, nhà nghiên cứu ước lượng tác động bất đối xứng thông qua hồi quy để tính toán chỉ số phạt (penalty) và chỉ số thưởng (reward). Từ đó, mỗi thuộc tính được phân loại vào nhóm basic, performance, hoặc excitement, và đặt trên ma trận AIPA (trục X = hiệu suất, trục Y = chỉ số bất đối xứng IA).

Ý nghĩa thực tiễn:

·   Basic + Low performance → ưu tiên cải thiện trước hết để giảm bất mãn.

·   Performance + Low performance → cải thiện sẽ gia tăng hài lòng rõ rệt.

·   Excitement + High performance → cần duy trì như một lợi thế khác biệt.

Một ví dụ trong nghiên cứu ngành khách sạn (International Journal of Hospitality Management, 2024) cho thấy: Training là một yếu tố Excitement, trong khi Pay lại thuộc nhóm Basic. Điều này giúp nhà quản lý phân bổ nguồn lực chính xác hơn so với IPA truyền thống, tránh việc đầu tư sai chỗ.

6. Công cụ áp dụng IPA/AIPA

·  Excel: Xử lý cơ bản, vẽ scatter plot.

·  SPSS: Chạy Paired-Samples T Test và phân tích thống kê mô tả.

·  R/Python: Tự động hóa, vẽ biểu đồ IPA/AIPA đẹp.

·  SmartPLS: Thực hiện IPMA (liên quan đến IPA, nhưng dựa trên mô hình cấu trúc).

7. Một số lưu ý khi áp dụng

·  Luôn kiểm định ý nghĩa thống kê của khoảng cách I–P.

·  Phân tích ở cả cấp độ item và factor để vừa chi tiết vừa tổng quát.

·  Chuyển kết quả IPA/AIPA thành hành động cải thiện cụ thể.

·  So sánh kết quả qua thời gian hoặc giữa các nhóm khách hàng để thấy thay đổi.

8. Kết luận

IPA và AIPA là những công cụ mạnh mẽ giúp doanh nghiệp nắm bắt kỳ vọng và trải nghiệm của khách hàng, từ đó đưa ra quyết định quản trị chính xác hơn. IPA phù hợp để có cái nhìn tổng quan trực quan, trong khi AIPA mang lại chiều sâu, giúp nhận diện rõ bản chất bất đối xứng của sự hài lòng. Kết hợp cả hai sẽ đem lại bức tranh toàn diện, vừa dễ hiểu cho nhà quản trị, vừa chính xác cho nhà nghiên cứu.

Tài liệu tham khảo

Davras, Ö. (2024). Prioritization of internal marketing practices according to their influence on employee satisfaction by comparing IPA and AIPA. International Journal of Hospitality Management, 122. https://doi.org/10.1016/j.ijhm.2024.103821

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis. In Cengage Learning (8th ed.). Cengage Learning.

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.

Kline, R. B. (2016). Principles and practice of structural equation modeling. Guilford publications.

Martilla, J. A., & James, J. C. (1977). Importance-performance analysis. Journal of Marketing, 41(1), 77–79.

Mikulić, J., & Prebežac, D. (2011a). A critical review of techniques for classifying quality attributes in the Kano model. In Managing Service Quality (Vol. 21, Issue 1, pp. 46–66). https://doi.org/10.1108/09604521111100243

Mikulić, J., & Prebežac, D. (2011b). Rethinking the importance grid as a research tool for quality managers. Total Quality Management and Business Excellence, 22(9), 993–1006. https://doi.org/10.1080/14783363.2011.593857