满意度数据分析最常见的停留点是平均分：（深圳满意度）（满意度调查）（第三方市场调查）哪个维度分低，就盯着哪个维度看。但平均分只反映现状，不反映价值——有些维度得分虽低，客户却并不在意，改了也对整体满意度没什么帮助。驱动因素分析要解决的，就是“改哪里最划算”这个问题，它也是大宋咨询满意度报告中技术含量最高的部分之一。

基本原理并不晦涩：用统计方法测算各维度评价对总体满意度的影响强度，影响大的即为核心驱动因素。常用的方法包括回归分析、相关性分析、重要性推导模型等，实践中我们会用多种方法交叉验证，避免单一模型的偏差。结果通常呈现为一张重要性—表现矩阵：横轴是当前表现，纵轴是驱动强度，落在高重要—低表现区域的维度，就是改进的优先项。

驱动分析经常颠覆直觉判断。某连锁酒店的管理层一直认为早餐是最突出的短板，因为投诉声量最大。驱动分析却显示，早餐对总体满意度的影响只居中游，真正拉低整体评价的是入住办理效率与客房隔音，这两项得分都处在低位。酒店按此调整投入，一个季度后总体满意度提升三个点，而早餐评价几乎没变。这个案例很能说明问题：客户抱怨最凶的维度，未必是最值得先改的维度。驱动分析的价值，就是让改进从按闹分配回到按效分配。

驱动因素还可以按客群细分，结论往往更有操作性。商务客人与家庭客人、会员与非会员，各自的驱动结构可能完全不同。某商业综合体分客群分析后发现，年轻客群的总体满意度主要由品牌丰富度驱动，家庭客群则主要受停车便利度影响。商场据此制定了两条并行的提升路线，资源投放各有落点，避免了什么都想改进、什么都没改透的窘境。

当然，驱动分析也有适用边界。统计结果受样本量与模型设定影响，结论必须结合业务逻辑审视，不能唯数据论。大宋咨询的惯例是，驱动分析的产出要与客户共同评审，确认符合业务常识后才转化为行动建议。数据分析的目的是辅助决策，不是代替判断——这一点在满意度研究里尤其重要，因为数据背后是活生生的客户，不是冷冰冰的数字。把统计工具用在业务的刀刃上，研究才能产出真正的价值。