본 절에서는 병원이용고객의 의료서비스 수요의 행태를 파악하는 수요행태 분석의 일환으로 권유행태 분석을 시도하고자 한다. 권유라 고 하는 것은 서비스에 대한 만족도가 매우 크며, 따라서 본인뿐만 아니라 다른 사람에게도 이용을 유도하는 행태로서 병원의 경영자들 이 잠재고객의 확보를 위해 가장 관심을 가져야 할 부분이라고 여겨 진다.
특히 여기에서는 이미 분석된 결과를 바탕으로 과연 권유의향이 의 료기관 이용고객의 전반적인 만족도와 이를 통한 재방문 행위와 연결 되는지를 확인하며, 권유를 하게 되는 여타 주요 변수들의 특성을 입 원 및 외래환자로 구분하여 살펴보기로 한다.
1. 外來患者의 경우
외래이용환자의 경우 현재 이용한 의료기관에 대해 권유할 의향을 가지고 있는 정도는 약 64%로 나타나 전반적인 만족도(68%)나 재방 문 의향(81%)에 비해 다소 낮게 나타났다.
권유의향의 반응변수를 이용하여 고객특성 세분화 분석을 수행한 결과 <表 4-9>와 [그림 4-9]에서 나타난 것과 같이 가장 큰 규모의 고 객특성 집단은 ‘의사의 친절도에 대체로 만족하고 전반적 서비스에 만족하며 재방문을 한다’는 집단이 전체집단의 30.1%나 차지하고 있 으며, ‘의사의 친절도에 매우 만족한다’는 집단이 전체의 28.2%를 차 지하고 있다. 반면에 ‘의사의 친절도에 만족하지만 재방문할 의향이 없는’ 집단(11.0%)이나 ‘의사의 친절도에 만족하고 재방문할 의향이 있지만 전반적인 서비스에는 불만족한’ 집단(11.2%)도 상당한 부분을
〈表 4-9〉 醫療機關 勸誘意向 Gains Chart(外來)1)
〔그림 4-9〕 醫療서비스 勸誘意向에 관한 集團細分化 分析(外來)
그런데 [그림 4-9]에서 보면 의사의 친절도에 따라 다른 사람들에게
또한 Wald통계량(
( B / SE)
2)은 절편과 기울기에 대한 가설검정의 통계 치로, 이를 이용하여 통계량의 유의 수준을 보면 대기시설의 만족도의 유 의성이 다소 떨어지기는 하지만 나머지 모든 독립변수의 유의도가 매우 크 다고 나타났다. 그리고 R-통계량을 이용한 각 변수의 종속변수에 대한 공 헌도는 재이용여부, 전반적 만족도, 의사의 친절도 등의 순으로 나타났다.한편 분할표를 이용한 전반적 분류의 정확도는 75.52%로 나타났으며, 모형의 적합도를 검증하기 위한 추정치인 -2LL(Log Likelihood)는 상수항만 을 포함했을 경우는 1113.10, 모든 독립변수를 포함했을 때는 889.87이고, 이에 대한 적합도는 869.22이며 설명력(
R
2)은 32%로 나타나 모형 전체의 설명력은 크게 높지는 않지만, 하나의 상수항만을 포함하는 경우와 현 모 형에 대한 -2LL값의 차이를 이용한χ
2통계량(223.24)을 보면 변수의 설명 력이 매우 높게 나타나고 있어 모형이 적합하다고 평가할 수 있다.마지막으로 신경망 모형을 이용해 분석을 수행하였는데, 데이터를 학습시켜 구축된 모델의 분석결과 분석표본의 모델 정확도는 74.73%
로 나타나 앞의 로지스틱 회귀분석의 정확도(74.52%)와 거의 비슷한 결과를 보여 주었다. 다음의 [그림 4-10]은 외래환자의 권유의향에 대 한 예측반응률(RBF)과 종속변수에 대한 기여도가 큰 것으로 판정된 전반적 만족도 및 의사의 친절도(BB28) 간의 관계를 나타내고 있는 데53), 전반적 만족도 및 의사의 친절도가 높을수록 입원환자의 재방 문의 예측반응률이 높아지는 것을 보여주고 있다. 특기할 만한 사항 으로는 그물형태의 기울기가 매우 완만한 형태를 띄고 있는데, 이는 재이용 여부가 권유의향의 예측에 강한 영향력이 있는 변수임을 시사
53) 이 두 변수보다 재방문 여부의 공헌도가 더 크지만 이는 종속변수로 사용되는 변 수이므로 제외시켰다. 전반적 만족도의 경우도 역시 종속변수로 사용되었지만 본 연구에서는 전반적인 만족도가 재방문 및 권유의향에 일방적으로 영향을 미친다 는 가정을 하였으므로 여기에서는 독립변수로서 활용될 수 있을 것이다.
해 주고 있다. 따라서 전반적 만족도 및 재방문여부와 예측반응률과 의 관계를 추가로 살펴본 결과 [그림 4-11]과 같이 전반적 만족도와 재방문 의향이 높을수록 권유여부의 예측반응률이 매우 민감하게 작 용되고 있는 점을 확인할 수 있다.
〔그림 4-10〕 勸誘意向 豫測反應率과 主要變數와의 關係(外來): 再訪 問與否를 包含하지 않은 경우
註: RBF는 예측반응률, BB28은 의사의 친절도, 또 한 축은 전반적인 만족도를 나타냄.
2. 入院患者의 경우
입원환자의 경우 현재 이용한 의료기관에 대해 권유할 의향을 가지 고 있는 정도는 외래환자와 마찬가지로 약 64%로 나타났으며 이는 전체 입원환자의 재방문 의향(73%)에 비해 다소 낮았다. 이를 보다 구체적인 고객특성별로 살펴보면 <表 4-11>의 Gains Chart와 같다.
〔그림 4-11〕 勸誘意向 豫測反應率과 主要變數와의 關係(外來): 再訪 問與否를 包含한 경우
註: RBF는 예측반응률, 가로축은 전반적인 만족도, 세로축은 재방문 의향을 나타냄.
Gains의 크기 순서에 따른 항목의 내용을 우선 살펴보면 전체 의료 기관 입원환자의 현재 본인이 이용하고 있는 의료기관에 대한 권유의 향에 영향을 주고 있는 변수를 도출해 낼 수 있다. 즉, ‘반드시 재방 문을 하며 병원에 대한 평판이 좋다고 평가한’ 집단의 경우 99%의 권 유의사를, ‘재방문을 하며 전반적인 진료수준에 만족한’ 집단의 경우 89%의 권유의사를 가지는 것으로 나타났다.
또한 이 두 집단의 경우는 그 누적 집단규모도 약 42%나 되는 것 으로 나타나 입원환자의 경우 진료수준에 대한 만족도와 재방문 여부 가 권유의향에 직접적으로 영향을 받는 것으로 판단된다.
〈表 4-11〉 醫療機關 勸誘意向 Gains Chart(入院)1)
수수속의 절차를 보다 간단하고 신속하게 처리하려는 노력이 이루어진 다면 다른 사람에게 권유하는 의향이 높아질 것이며 이를 통해 병원의 평판이 높아진다면 다시 권유의향이 높아지는 연쇄적인 효과를 가져오 게 될 것이다. 특히 병원의 평판이라고 하는 것은 이미 지적한 바와 같이 장기적인 전략으로서 지역사회에 대한 공헌이나 사회사업 등과 같은 대고객 이미지 제고 정책이나 대외홍보를 통해 자병원의 특성을 현재의 고객 및 잠재고객에게 인식시키는 경우 주위사람들에게 권유하 게 되는 확률에 상당히 큰 영향을 줄 수 있을 것으로 기대된다.
한편 입원환자의 권유의향을 반응변수로 이용하여 고객특성 세분화 분석을 수행한 결과 <表 4-11>과 [그림 4-12]에서 나타난 것과 같이 가장 큰 규모의 고객특성 집단은 ‘재방문을 하며 전반적인 진료수준 에 만족한’ 집단이 전체집단의 34.2%나 차지하고 있으며, ‘반드시 재 방문하지만 병원의 평판이 나쁘다고 평가한’ 집단이 전체의 11.6%를,
‘재방문하고 전반적인 서비스에는 만족하지만 진료수준에는 불만족스 런’ 집단이 전체의 11.0%를 차지하고 있다.
특기할만한 사항으로는 반드시 재방문하겠다는 고객의 11% 정도가 본인이 이용한 병원의 평판이 좋지 않다고 느끼고 있다는 점이며, 따 라서 현재 병원들의 홍보나 이미지 제고 노력이 매우 부족한 것으로 판단되며, 이에 병원은 평판을 제고시키려는 노력과 진료수준의 향상 을 위한 지속적인 노력을 수행하는 경우 본 병원을 이용한 환자들에 게 다른 잠재고객을 유치할 수 있는 충분한 유인을 제공하게 되는 것 이다. 반면에 ‘절대로 재방문을 하지 않으며’ 따라서 권유에 매우 부 정적인 의사를 가지고 있는 집단도 13%나 되는 것으로 나타나 현재 입원환자들의 만족도가 상당히 낮음을 확인시켜 주었다.
〔그림 4-12〕 醫療서비스 勸誘意向에 관한 集團細分化 分析(入院)
또한 [그림 4-12]에서 보면 재방문 여부에 따라 다른 사람들에게 권유
또한 Wald통계량(
( B / SE)
2)은 절편과 기울기에 대한 가설검정의 통계치로, 이를 이용하여 통계량의 유의 수준을 보면 접수과정의 만 족도의 유의성이 다소 떨어지기는 하지만 나머지 모든 독립변수의 유 의도가 매우 큰 것으로 나타났다. 그리고 R-통계량을 이용한 각 변수 의 종속변수에 대한 공헌도는 재이용여부, 전반적 만족도, 진료수준의 만족도, 병원의 평판 등의 순으로 나타났다.한편 분할표를 이용한 전반적 분류의 정확도는 81.92%로 나타났으며, 모형의 적합도를 검증하기 위한 추정치인 -2LL(Log Likelihood)는 상수항만 을 포함했을 경우는 815.62, 모든 독립변수를 포함했을 때는 549.67이고, 이에 대한 적합도는 731.22이며 설명력(
R
2)은 48%로 나타나 모형 전체의 설명력은 크게 높지는 않지만, 하나의 상수항만을 포함하는 경우와 현 모 형에 대한 -2LL값의 차이를 이용한χ
2통계량(265.95)을 보면 변수의 설명 력이 매우 높게 나타나고 있어 모형이 적합하다고 평가할 수 있다.마지막으로 신경망 모형을 이용해 분석을 수행하였는데, 데이터를 학습시켜 구축된 모델의 분석결과 분석표본의 모델 정확도는 76.83%
로 나타나 앞의 로지스틱 회귀분석의 정확도(81.92%)에 비해 다소 낮 은 정확도를 보여 주었다. 다음의 [그림 4-13]은 입원환자의 권유의향 에 대한 예측반응률(RBF)과 종속변수에 대한 기여도가 큰 것으로 판 정된 전반적 만족도 및 진료수준의 만족도(CB2) 간의 관계를 나타내 고 있는데,54) 전반적 만족도 및 진료수준의 만족도가 높을수록 입원 환자의 재방문의 예측반응률이 높아지는 것을 보여주고 있다.
로 나타나 앞의 로지스틱 회귀분석의 정확도(81.92%)에 비해 다소 낮 은 정확도를 보여 주었다. 다음의 [그림 4-13]은 입원환자의 권유의향 에 대한 예측반응률(RBF)과 종속변수에 대한 기여도가 큰 것으로 판 정된 전반적 만족도 및 진료수준의 만족도(CB2) 간의 관계를 나타내 고 있는데,54) 전반적 만족도 및 진료수준의 만족도가 높을수록 입원 환자의 재방문의 예측반응률이 높아지는 것을 보여주고 있다.