台北車站商場問卷分析儀表板

Taipei Main Station Mall Survey Analysis Dashboard

總回覆數 654
整體滿意度
3.31
/ 5 分
NPS 淨推薦值
-59.0
批評者占 67.1%
尋找店家費力度
3.82
/ 7 (越高越費力)
主要來訪目的
64%
轉乘/通勤
有效回覆數
654
中英日三語

人口統計分布

性別分布

年齡分布

身份類型

身份職業分佈

年齡層偏好差異分析

21-30歲
n=162 (24.8%)
滿意度
3.40
消費率
85.7%
平均消費
$386
31-40歲
n=105 (16.1%)
滿意度
3.27
消費率
84.5%
平均消費
$491
41-50歲
n=125 (19.1%)
滿意度
3.37
消費率
93.2%
平均消費
$574
51-60歲
n=153 (23.4%)
滿意度
3.23
消費率
91.9%
平均消費
$622
61歲以上
n=84 (12.8%)
滿意度
3.24
消費率
95.1%
平均消費
$816

各年齡層 NPS 比較

各年齡層平均消費金額

年齡層關鍵發現

消費力隨年齡增長：61歲以上族群平均消費 $855，是21-30歲族群（$394）的2.2倍。
熟齡族消費率最高：61歲以上消費率達95.1%，顯示此族群來訪多有明確消費目的。
年輕族群停留較短：21-30歲僅33.8%停留超過30分鐘，61歲以上則有54.9%。
31-40歲NPS最低：此族群NPS為-68.0，可能因忙碌而對效率與體驗有更高期待。

消費與行為分析

來訪目的

交通方式

停留時間

主要停留樓層

消費金額

來訪頻率

主要活動類型

職業類型與平均消費金額

消費行為關鍵發現

管理職消費力最高：平均消費 $813 元，為學生族群（$362 元）的 2.2 倍。退休人士以 $693 元位居第二，反映其較高的消費意願與可支配時間。
本國／外國消費差異小：本國旅客平均消費 $578 元 vs. 外國旅客 $575 元，差異不大。但外國旅客消費率 100%（全數消費），高於本國旅客的 81%。
轉乘族群佔比懸殊：本國旅客 62.9% 為轉乘通勤、13.9% 專程前來；外國旅客 100% 為轉乘型態，顯示商場對外國旅客尚未形成「目的地吸引力」。
學生未消費比例偏高：學生族群未消費率達 21.3%（89人中19人），主因為「商品價格偏高」及「無感興趣店家」，建議導入平價選項。

滿意度分析

整體滿意度

3.31
計算方式：所有回覆之滿意度評分（1-5分）的算術平均值
9.9%
52.2%
37.9%
9.9%
不滿意
(1-2分)
52.2%
普通
(3分)
37.9%
滿意
(4-5分)

NPS 淨推薦值 需改善

-59.0
計算方式：推薦者比例(9-10分) - 批評者比例(0-6分)
67%
24.8%
8.1%
推薦者
(9-10分)
24.8%
被動者
(7-8分)
67.1%
批評者
(0-6分)

尋找店家費力度

3.82
計算方式：1=非常輕鬆，7=非常費力，數值越高表示越難找到目標店家
32.5%
35.2%
32.3%
32.5%
輕鬆
(1-2分)
35.2%
普通
(3-4分)
32.3%
費力
(5-7分)

整體滿意度分布

各項設施滿意度（滿分5分）

專有名詞說明與計算公式

NPS 淨推薦值 (Net Promoter Score)
NPS 是衡量顧客忠誠度的指標，透過詢問「您有多大可能推薦我們？」（0-10分），將受訪者分為三類：
推薦者 (Promoters)：9-10分，積極推薦的忠實支持者
被動者 (Passives)：7-8分，滿意但不積極推薦
批評者 (Detractors)：0-6分，不滿意且可能散布負面口碑
NPS 介於 -100 至 +100 之間，分數越高代表顧客忠誠度越高。一般而言，NPS > 0 為正面，NPS > 50 為優秀。
費力度 (Customer Effort Score, CES)
費力度衡量顧客在完成特定任務（如尋找店家、完成目的）時所需付出的努力程度。
本問卷採用 1-7 分制：
1 分 = 非常輕鬆，幾乎不需要費力
7 分 = 非常費力，需要花費大量時間與精力
分數越低代表體驗越流暢，顧客滿意度通常也越高。研究顯示，降低費力度比提升滿意度更能有效提高顧客留存率。
計算公式
1. 整體滿意度
FORMULA
滿意度均值 = Σ(各回覆分數) ÷ 有效回覆數
量表範圍：1（非常不滿意）至 5（非常滿意）
本次結果：(8×1 + 59×2 + 340×3 + 213×4 + 34×5) ÷ 654 = 3.31
2. NPS 淨推薦值
FORMULA
NPS = 推薦者比例(%) − 批評者比例(%)
推薦者(9-10分)比例 − 批評者(0-6分)比例
本次結果：8.1% − 67.1% = -59.0
3. 尋找店家費力度
FORMULA
費力度均值 = Σ(各回覆分數) ÷ 有效回覆數
量表範圍：1（非常輕鬆）至 7（非常費力）
本次結果：(48×1 + 70×2 + 150×3 + 173×4 + 133×5 + 57×6 + 23×7) ÷ 654 = 3.82

問題診斷 重點改善

導航困難類型

空間標示及導覽系統 — 步行分鐘數標示有效性

影響停留或消費意願的因素

未消費的主要原因

關鍵觀察

82% 反映導航困難：「指標不清」(200 次) 與「樓層複雜」(178 次) 為兩大首因，僅 17.9% 表示沒有困難。指標系統與空間辨識度是最優先改善項目。
步行標示有效但仍有提升空間：72% 認為步行分鐘數標示有幫助，但僅 25% 認為「非常有幫助」。外國旅客正面評價達 100%（樣本 6 人），顯示對非母語使用者而言，視覺化標示的引導效果更為顯著。
休息空間嚴重不足：「缺乏休息或座位空間」以 376 次高居影響停留意願首位（57.5%），與「人潮過多擁擠」(363 次) 形成核心體驗障礙，兩者交叉影響使旅客停留意願顯著下降。
環境品質問題群集化：行走動線不順 (261 次)、環境太吵雜 (210 次)、空氣品質不佳 (200 次)、環境老舊 (185 次) 四項環境因子合計被提及 856 次，顯示空間環境品質需要系統性改善，而非單點優化。
未消費主因非價格而是「無感」：「時間不足」(219 次) 與「原本未規劃消費」(216 次) 為未消費兩大主因，但最具可操作性的問題是「找不到合適店家」(144 次, 22%)，建議強化店家能見度與主題策展，將轉乘旅客轉化為消費者。
「指標不清」雙重影響：「指標不清」同時出現在導航困難 (200 次) 和影響停留因素 (211 次) 兩張圖表中，顯示標示系統不僅影響尋路，更直接影響消費意願與停留時間，是投資報酬率最高的改善切入點。

機會洞察 發展方向

希望發展的服務

專程來訪的動機

餐飲選擇「較不符合期待」的類型

期待服務 × 職業別差異分析

期待服務 × 本國／外國旅客差異

付費服務接受度分析

整體可接受收費範圍

本國 vs. 外國旅客付費意願

付費意願兩極化：「不希望收費」與「視服務內容而定」各佔 24%，合計近半數。但仍有 52% 受訪者願意付費，其中 101–300 元為最大宗（20.3%）。
外國旅客偏向免費：外國旅客 50% 選擇「不希望收費」，高於本國旅客的 23.6%。在有限樣本中，外國旅客對付費服務的接受門檻較高。

顧客期望 開放式回饋分析

顧客心聲關鍵字雲 654 份問卷 · 中/英/日三語

期望主題分佈 依提及次數排序

Q24：「只有這裡才有」的特色期望 249 則回覆 · 8 主題分類 · 含英/日語原文

Q27：其他期待的服務或空間 177 則回覆 · 9 主題分類 · 含英/日語原文

顧客期望關鍵洞察

特色餐飲需求居首（57則）：「台灣特色」「台北才有的餐廳」為最高頻主題，顧客期望以在地餐飲體驗作為商場差異化核心。
文創商品潛力大（38則）：「台鐵文創」「伴手禮專區」「台灣製造」被反覆提及，結合鐵道文化的文創商品具高度獨特性。
休息空間為服務缺口（23則）：「非住宿型休息區」「更多座位」為Q27最高頻訴求，顯示現有休憩設施明顯不足。
導覽科技需求強烈（19則）：「AI導覽」「QR碼」「動線改善」被多次提及，數位化導引系統是顧客具體期望。

旅程地圖 — 使用者情緒曲線 UX Research

① 轉乘通勤型
追求效率・對時間敏感
KPI：時間效率
② 長途旅客型
攜帶行李・提早報到
KPI：休憩舒適度
③ 探索逛街型
追求體驗・品牌探索
KPI：導覽清晰度
④ 約會聚會型
碰面共餐・需集合點
KPI：社交便利度
⑤ 外地遊客型
初訪台北・需要導引
KPI：資訊可及性

五類使用者情緒曲線對比（Journey Emotion Curves）

1
進入 Arrival
從地面或捷運進入車站
2
定位 Orientation
找路・確認方向
3
移動 Navigation
前往月台・餐廳・商場
4
停留 Dwell
購物・用餐・休息・候車
5
離開 Exit
搭車或離開車站

情緒曲線分析方法論（How Emotion Curves Are Derived）

五類使用者族群分群依據 Persona Segmentation
五類使用者族群依據問卷中「來訪目的」（Q5，n=654）為主要分群軸，輔以「身份類型」（本地居民 / 外縣市 / 外國旅客）與「來訪頻率」進行交叉比對。各族群的情緒曲線數值（-3 至 +3）係將該族群在五個旅程階段中，對應的問卷維度分數進行標準化加權計算得出。
▼ 各旅程階段的問卷資料面向對應 Survey Dimensions per Stage
1
進入 Arrival
來訪目的（轉乘 63.4%）
交通方式分佈
身份類型（本地/外地/外國）
來訪頻率
›
2
定位 Orientation
導航困難類型（指標不清 30.4%）
費力度 CES（平均 3.82/5）
樓層複雜度反映（27.2%）
›
3
移動 Navigation
步行標示有效性 Q17（72%有幫助）
行走動線順暢度
樓層使用分佈
›
4
停留 Dwell
停留意願因素（休息空間 57.4%）
消費金額與職業別交叉
主要活動類型分佈
各面向滿意度評分
›
5
離開 Exit
整體滿意度（平均 3.31/5）
NPS 淨推薦值（-59）
再訪意願與來訪頻率
計算說明：各階段情緒分數範圍為 -3（極度負面）至 +3（極度正面），係依據該族群在對應問卷維度的回覆分佈進行標準化加權。例如「定位」階段主要參考導航困難度與費力度 CES，「停留」階段綜合消費行為、活動類型、環境滿意度等多維度評分。不同族群因行為特徵與需求差異，在同一階段可能呈現截然不同的情緒走向。

情緒谷底分析 — 痛點集中於「定位 Orientation」階段

5/5
族群在「定位」階段
情緒下降
30.4%
受訪者反映
「指標不清」
27.4%
受訪者反映
「樓層複雜」
3.82
找路費力度
（滿分 5）

五類使用者族群 — 痛點與機會點比較

使用者族群 ① 轉乘通勤型 ② 長途旅客型 ③ 探索逛街型 ④ 約會聚會型 ⑤ 外地遊客型
情緒曲線 壓力高 → 暫時釋放 → 平穩 期待 → 煩躁 → 放鬆 → 緊張 期待 → 混亂 → 驚喜 → 疲倦 焦慮 → 放鬆 → 愉快 → 滿足 興奮 → 困惑 → 探索樂趣 → 愉悅
痛點
Pain Points 		人潮壅擠、指標不一致
購物區繞行動線太遠 		資訊標示分散
候車區休憩品質不佳 		空間分區難理解
品牌組合不明確、導引缺乏層次 		集合點不明
餐廳排隊時間長 		資訊不一致、中英文導引不足
缺乏整體導覽路線
機會點
Opportunities 		設計「快速通道導引系統」
結合交通 app「候車＋購物推薦」
提升 grab-and-go 體驗 		票務與導引整合看板
行李友善休憩區＋電源插座
旅人友好專區（行李寄放、充電站） 		主題路線情境導覽
視覺系統整合（顏色區塊＋動線）
「打卡體驗點」強化社群分享 		「智慧集合點」導引或座標分享
數位候位通知系統
半開放聚會空間 		多語導覽（語音＋AR 地圖）
觀光推薦（商場→城市延伸）
旅遊品牌合作（JR Pass Zone 概念）

設計策略導出（Design Directives）

使用者族群
體驗核心 KPI
優先設計方向
問卷數據支持
轉乘通勤型
時間效率
快速通道導引、grab-and-go 動線
63.4% 為轉乘目的
長途旅客型
休憩舒適度
行李友善區、整合票務看板
57.4% 反映缺乏休息空間
探索逛街型
導覽清晰度
主題路線、視覺分區系統
30.4% 反映指標不清
約會聚會型
社交便利度
智慧集合點、數位候位
69.3% 因交通便利來訪
外地遊客型
資訊可及性
多語導覽、AR 地圖導引
54.4% 期待旅遊服務

延伸使用者研究方向

熱區與動線觀察（Behavioral Mapping）：以感測器或實地觀察分析行人流量分布與停留熱區。
時間段分層（Temporal Journey）：尖峰通勤時段 vs. 假日遊客行為的差異化分析。
商場體驗共創工作坊（Experience Co-Design）：邀請旅客、商家、站務人員共同共創優化方案。

顧客矩陣分析 Cross-Analysis

Part 1 多維度交叉分析 — 隱藏價值差異

來訪目的 × NPS 價值分群

剛性需求
轉乘/通勤 + 日常使用
n = 542（67%）
-59.4
NPS
3.30
滿意度
$460
客單價
VS
柔性需求
專程前來 + 順道使用
n = 89（33%）
-58.4
NPS
3.30
滿意度
$1002
客單價
柔性需求客群人數僅占33%，但客單價高出83%，NPS高出近20 點。兩群投資策略應差異化。

兩群痛點比較

停留時間 × 消費金額 — 黃金交叉

停留超過 30 分鐘，平均消費跳升 50%；但超過 2 小時後邊際效益趨緩。黃金甜蜜點為 30-120 分鐘。

尋路費力度 × NPS — 殺傷力分析

「覺得費力」的人 NPS 低至 -78，與「覺得輕鬆」者相差 83 點。路標優化是 ROI 最高的投資。

忠誠度矩陣 — 來訪頻率 × 滿意度 × NPS

受困族群 — 高頻但低滿意
潛力鐵粉 — 低頻但高滿意
中庸帶 — 改善空間最大
Part 2 消費族群象限模型 — XY 軸向量描繪

模型一：行為動機模型 — 判斷商場定位（人流 vs 錢流）

Q1 核心金主區 熟齡聚餐族・專程買伴手禮
Q2 快狠準消費區 高效上班族・買便當通勤客
Q3 路過流動區 純通勤族・最大熱區 63%
Q4 殺時間停留區 等車旅客・等補習學生

模型二：體驗感受模型 — 診斷 NPS 過低的根源

Q1 滿意且順暢 理想狀態・目標遷移方向
Q2 滿意但迷路 體驗靠品牌撐住・導引可加分
Q3 迷路且憤怒 目前多數落點・優先改善
Q4 順暢但不滿 問題非導航・需查找其他因素

矩陣分析關鍵決策建議

雙軌策略：通勤族（67%）改善動線降低摩擦成本；柔性族群（33%）提升體驗拉高客單價。不需二選一。
路標-高ROI投資：尋路費力度與 NPS 有 83 點落差，改善導航系統可同時受惠所有族群。
黃金策略：延長停留 30→60 分鐘消費金額可從 $280 提升至 $420（+50%），增設休息區與體驗節點。
受困高頻通勤族：每週來訪者 NPS 低至 -72，需從「被迫經過」轉化為「願意停留」。

SPSS 推論統計分析

從「看起來有差異」升級到「統計上確認有差異」— 以下分析基於 654 份有效問卷，採用 α = .05 顯著水準

I. 組間差異顯著性檢定 Between-Group Significance Testing

各年齡層 × 整體滿意度 One-Way ANOVA + Tukey HSD

p = 0.185 n.s. F(5, 648) = 1.51

圖表說明｜誤差線（Error Bars）= 95% 信賴區間（95% CI）

每根長條上方的 「I」形線段 代表該年齡層滿意度平均值的 95% 信賴區間（Confidence Interval）。白話來說，如果我們重複進行 100 次相同的調查抽樣，約有 95 次的結果會落在這個區間範圍內。

如何判讀：線段越短，代表該群體的回答越一致、估計越精準；線段越長，代表變異較大或樣本數較少。若兩組的誤差線範圍重疊，表示兩組之間的差異在統計上不顯著。

本圖結果：各年齡層滿意度無顯著差異（p = 0.185），且誤差線彼此大幅重疊，顯示對商場體驗的不滿意感受是跨年齡層的共同現象。

各面向 ANOVA 檢定結果摘要

滿意度面向 F 值 p 值 顯著性
無障礙設施 0.719 0.6094 —
廁所位置 1.716 0.1287 —
廁所清潔 0.442 0.8189 —
空間舒適度 0.897 0.4827 —
環境整潔度 0.554 0.7352 —
整體滿意度 1.510 0.1845 —

關鍵發現： 所有滿意度面向在年齡層間均未達顯著差異，表示不滿意度並非特定年齡層問題，而是結構性的共同感受。改善策略應以全客群為目標，而非針對特定年齡族群。

費力度高低組 × NPS Independent t-test + Cohen's d

p < .001 *** t(652) = 4.19, d = 0.33 (小效果量)

費力度中位數切分點 = 3.5 (≤ = 低費力組, > = 高費力組) • Error bars = 95% CI

費力度效應量視覺化

低費力組 NPS
5.5
SD = 2.52 • n = 356
高費力組 NPS
4.7
SD = 2.42 • n = 298
NPS 差距
Δ 0.8
Cohen's d = 0.33 (小效果量)

策略意涵： 降低「尋路費力度」可顯著提升 NPS 推薦意願。整體滿意度同樣受費力度影響 (t = 4.41, p < .001, d = 0.35)。 每降低 1 單位費力度，NPS 可望提升約 0.8 分。

本國 vs. 外國旅客消費分布 Chi-square χ²

p = 0.005 ** χ²(6) = 18.38, Cramer's V = 0.168

本國 n=605, 外國 n=49 • 堆疊百分比長條圖

本國 vs. 外國旅客 NPS 分布 Chi-square χ²

p < .001 *** χ²(2) = 22.18, V = 0.184

關鍵發現： 外國旅客推薦者佔 24%，遠高於本國 7%。 消費分布也有顯著差異：外國旅客集中在 301-500 元區間（33%），且低消費佔比較高。

II. 滿意度驅動因素分析 Satisfaction Driver Analysis

各面向 → 整體滿意度 多元迴歸 (Standardized β)

R² = 0.482 Adj. R² = 0.477, F = 98.1, n = 641

★ = p < .05 • 水平長條依 |β| 排序 • 負值 = 負向影響

各面向 → NPS 推薦意願 多元迴歸 (Standardized β)

R² = 0.278 Adj. R² = 0.271, n = 641

策略意涵： 「空間舒適度」是 NPS 最強驅動力 (β=0.68)，其次是「無障礙設施」(β=0.47)。 費力度為負向因子 (β=−0.35)。模型解釋力 48.2%（滿意度）/ 27.8%（NPS），表明還有其他未測量因素影響推薦意願。

III. IPA 重要度-表現分析矩陣 Importance-Performance Analysis

Importance-Performance Analysis n = 641

X = 表現均值 (滿意度) • Y = 重要度 (Standardized β) • 十字線 = 各維度均值

四象限策略建議

繼續保持
Keep Up the Good Work
無障礙設施、環境整潔度
優先改善
Concentrate Here
空間舒適度
過度投資
Possible Overkill
(無)
低優先
Low Priority
廁所位置、廁所清潔

策略意涵： 「空間舒適度」落在優先改善象限 — 重要度高但滿意度偏低，是最值得投入資源的面向。 「無障礙設施」和「環境整潔度」表現良好且重要度高，應繼續保持。 廁所相關項目重要度偏低，可作為次要優化項目。

IV. 開放題對應分析 Correspondence Analysis

Q24 期望特色主題 × 年齡層 Biplot 知覺地圖

Dim 1: 49.4% • Dim 2: 26.0% • Total: 75.4% • n = 171

● = 主題類別 • ▲ = 年齡層 • 距離越近代表關聯性越高

對應分析解讀

主要發現
  • 51-60歲偏好「在地特色」— 伴手禮、台灣名產、夜市體驗
  • 20歲以下 & 21-30歲傾向「娛樂活動」與「科技體驗」
  • 61歲以上與「交通便利」相近 — 重視服務便利性
  • 「餐飲美食」位於中心 — 跨年齡層共同需求
策略建議
  • 針對 年輕族群：引入 AR/VR 互動體驗、電競空間
  • 針對 中年族群：強化在地特色商品、伴手禮專區
  • 針對 長者族群：優化無障礙設施、增設休憩座椅
  • 餐飲升級為全客群通用策略，投資報酬率最高
方法論說明

對應分析 (Correspondence Analysis) 將列聯表中的類別資料投影至低維空間， 透過 SVD 分解呈現類別間的關聯結構。圖中距離反映 χ² 距離的近似值， 點越接近代表兩個類別共同出現的頻率越高。 總慣量 (Total Inertia) = 0.2574。

專有名詞說明與計算公式

p 值 (p-value)
統計定義：在虛無假設為真的前提下，觀測到目前或更極端結果的機率。
說明：「如果兩組其實沒有差異，卻碰巧觀測到這麼大差異的機率有多高？」p 值越小，代表差異越不可能只是巧合。
p < .05：統計顯著（有信心說差異是真的）
p ≥ .05：未達顯著（差異可能只是偶然）
顯著水準 α = .05
統計定義：研究者事先設定的可接受「犯錯機率」門檻，通常設為 5%。
說明：「我們願意接受最多 5% 的機率判斷錯誤。」若 p 值小於 α，就認定差異是真實存在的，而非偶然。本報告所有分析皆採用 α = .05。
ANOVA 單因子變異數分析
統計定義：比較三組或以上的平均值是否存在顯著差異的檢定方法。產出 F 統計量，F 值越大代表組間差異越大。
說明：「不同年齡層對滿意度的評分有沒有明顯不同？」ANOVA 就是一次性比較多組的工具，避免兩兩比較造成的誤差累積。
Tukey HSD 事後比較：當 ANOVA 發現整體有差異時，進一步找出「到底是哪兩組之間不同」。
獨立樣本 t 檢定 (Independent t-test)
統計定義：比較兩組獨立樣本的平均值是否有顯著差異。
說明：「低費力組和高費力組的 NPS 分數，真的有差嗎？」t 檢定就是專門比較兩組的工具。
Cohen’s d 效果量：衡量「差異有多大」的指標。d = 0.2 小效果、d = 0.5 中效果、d = 0.8 大效果。說明：「p 值告訴你差異是不是真的，d 值告訴你差異有多大。」
卡方檢定 (Chi-square test, χ²)
統計定義：檢驗兩個類別變項之間是否存在關聯性（非獨立）。
說明：「本國旅客和外國旅客的消費分布，是不是真的不一樣？」卡方檢定適用於比較「比例」而非「平均值」的情境。
Cramér’s V 關聯強度：衡量關聯程度的指標，0 = 完全無關，1 = 完全相關。V < 0.1 弱、0.1-0.3 中等、> 0.3 強。
誤差線與 95% 信賴區間 (Error Bars & 95% CI)
統計定義：信賴區間表示如果重複抽樣 100 次，約有 95 次母體真值會落在此區間內。圖表上的誤差線即為此區間的視覺化呈現。
說明：「柱狀圖上方的 I 形線段，代表真實平均值大概在哪個範圍。」線段越短表示估計越精準；兩組的誤差線如果沒有重疊，通常意味著有顯著差異。
多元迴歸分析 (Multiple Regression)
統計定義：分析多個自變項對一個依變項的影響程度與方向。
說明：「哪些面向對整體滿意度影響最大？」迴歸分析就是同時考量所有因素後，找出各因素的「淨影響力」。
標準化 β (Beta)：各因素的影響力係數，已去除量尺差異，可直接比較大小。|β| 越大代表影響越強，正值 = 正向影響，負值 = 負向影響。
R² 判定係數 (R-squared)
統計定義：迴歸模型所能解釋的依變項變異比例，介於 0 至 1 之間。
說明：「我們找到的這些因素，能解釋多少比例的滿意度高低？」R² = 0.48 表示模型解釋了 48% 的變異，剩下 52% 來自未測量的其他因素。
≥ 0.25：社會科學中算良好
0.10 - 0.25：尚可
< 0.10：模型解釋力偏低
IPA 重要度-表現分析 (Importance-Performance Analysis)
分析定義：將各服務面向依「重要度」（迴歸 β 值）與「表現」（滿意度均值）繪製在四象限矩陣上，協助決定資源配置優先順序。
說明：「哪些事情很重要但做得不好（需要優先改善）？哪些做得好也很重要（繼續保持）？」IPA 矩陣就是把「重不重要」和「做得好不好」畫在同一張圖上，一目了然。
右上 優先改善 • 左上 繼續保持 • 右下 過度投入 • 左下 低優先
對應分析 (Correspondence Analysis)
分析定義：將列聯表（交叉表）中的類別資料投影至二維空間，透過 SVD 奇異值分解呈現類別間的關聯結構。
說明：「不同年齡層分別偏好哪些需求主題？」對應分析把年齡和主題畫在同一張地圖上，距離越近表示關聯越強。例如圖上「51-60歲」靠近「在地特色」，代表這個年齡層特別偏好在地商品。
解釋力 (Inertia)：Dim1 + Dim2 解釋了原始資料 75.4% 的變異，代表這張二維圖已捕捉到大部分的關聯資訊。
計算公式
1. ANOVA F 統計量
FORMULA
F = 組間變異 ÷ 組內變異
說明：F 越大代表「組與組之間的差異」遠大於「組內個體間的自然波動」
本次結果：F(5, 648) = 1.51, p = .185（未達顯著）
2. Cohen’s d 效果量
FORMULA
d = (M₁ − M₂) ÷ SDpooled
說明：兩組平均值的差距，除以共同的標準差，代表差異「幾個標準差大」
本次結果：d = 0.33（小至中效果）
3. 卡方統計量 χ²
FORMULA
χ² = Σ (O − E)² ÷ E
說明：每個格子的「實際值和理論值的差距」平方，再加總起來
本次結果：消費 χ²(6) = 18.38, p = .005 ★
4. 標準化 β 係數
FORMULA
β = b × (SDx ÷ SDy)
說明：將各因素的影響力換算成同一尺度，數字越大代表影響力越強
本次最強驅動因素：空間舒適度 β = 0.68（對 NPS）
5. R² 判定係數
FORMULA
R² = 1 − (SSres ÷ SStot)
說明：模型能解釋依變項多少比例的變化，例如 0.48 代表解釋了 48%
滿意度 R² = .482 • NPS R² = .278
6. Cramér’s V
FORMULA
V = √(χ² ÷ (n × (k−1)))
說明：類似相關係數，衡量兩個類別變項的關聯強度，0 = 無關，1 = 完全相關
消費 V = 0.168 • NPS V = 0.184（中等關聯）