浅谈NPS及应用举例.docx

浅谈NPS及应用举例.docx

《浅谈NPS及应用举例.docx》由会员分享，可在线阅读，更多相关《浅谈NPS及应用举例.docx（12页珍藏版）》请在冰点文库上搜索。

浅谈NPS及应用举例

浅谈NPS及应用举例

一、研究背景

 5月份印发的黑宝书里面提到NPS概念以来，这个指标逐渐在UE的研究报告中开始了实践探索。

考虑到投入应用的时间较短，目前暂未能在时间和次数深度上对该指标进行精确的验证。

因此本报告作为NPS指标研究的第一期产出，主要阐述了我在文献研究中的一些心得以及具体实践中的一些经验，并做出一些应用方法上的推荐，让大家对该指标有更多的了解。

 二、浅谈NPS

 NPS（Net-PromoterScore），净推荐者得分，通常称“净推荐值”，是一种计量客户向其他人推荐某个企业或商品可能性的测评指标，它由贝恩咨询公司客户忠诚度的创始人FredReichheld首先提出。

这个指标在传统的应用上包括这3个部分：

1、合适的提问[1]：

“你有多大可能（或有多愿意）向你认识的人推荐XXX？

”

        当然，提问方式可以因具体情况稍作调整：

“你有多愿意继续使用/购买XXX？

”

2、恰当的评分[2]：

0-10的评分，10代表“非常愿意”，0代表“根本不想”。

3、可靠的算法[3]：

NPS=P－D，其中P（Promoter）为9-10分，D（Detractor）为0-6分。

图2-1为我们展示了NPS的传统应用范例——

图2-1NPS在外国的应用范例

2.1NPS的由来

 在过去的商业研究中，很多机构都惯用满意度量表或客户忠诚度的一套问题集来预测客户的消费行为。

然而随着时间的推移，人们发现一个产品在大多数人持正面评价的情况下反而出现负增长的情况。

归根到底，是因为一般的满意度测评无法从“正面评价”的客户中区分出“被动的满意者”，这部分客户可能会给予一个宽容的好评，但产品的好感度并不足以令他们重复购买；换言之，满意度测评让我们了解客户的态度但不能获知他们的意向。

而NPS恰恰是从“推荐意愿”这样一个提问展开的，正如FredReichheld所言，但一个客户打算向其他人推荐使用该款产品时，他就要为他的推荐行为负责[4]。

因此NPS能够成为新一代商业研究的信仰，或许正是从一个合适的提问方式开始的。

 2.2NPS的实质：

它和满意度量表的异同

2.2.1NPS和满意度量表的相同之处

 1、他们都是一种测评工具

不考虑NPS在提问上的包装，实际上它和满意度量表一样，都是一种测评工具。

测评，顾名思义就是“测度”和“评价”，它包含了以下这些含义——

 1）恰当的评分机制（采样）：

这2个工具都使用了等距量表的评分；

2）结合评分样本做原因挖掘（测度）：

长期研究某个评分的用户群体，或将样本全体转化成一个新的分值指标进行长期监控；

3）长时间的样本数据拟合（测度→评价）：

通过原因挖掘，找出各个评分样本的特征，并定义出一个划分恰当的评价准则；

4）统一的评价准则（评价）：

用这套评分机制给研究对象做出一个总体评价。

而从指标类型来说，它和满意度量表一样，都是分布指标和质量指标。

[5]

2、采样过程中，用户对评分梯度的认知是一致的

NPS的评分采用了0-10分的11个梯度，而满意度量表一般有3梯度、5梯度或7梯度不等。

而根据过去的用研经验，玩家在问卷中表达他们的好坏评判时，一般只关注选项的梯度，而不关心题目对选项的具体描述或分值。

为了验证这个假设，我6月份在某回合制产品中投放了一份产品印象的小问卷，分别用5级满意度量表和NPS的提问方式对玩家进行提问。

表2-1不同推荐打分的玩家群体的净满意度[6]

这份问卷中，6071个玩家都分别对该产品表达了他们的满意情况和推荐意愿。

按玩家对该产品的推荐分值分组（例如推荐意愿为0分的一组），计算出每组玩家的净满意度[7]，发现玩家的“推荐意愿-满意度”的线性相关性都在0.95以上，且不受游戏年龄影响。

因此，无论满意度量表是否也和NPS一样保持11个梯度，它所反映出来的玩家喜恶偏好和趋势是和NPS一致的。

2.2.2NPS和满意度量表的不同之处

1、提问方式和认知

如前述，“满意度”只询问了客户的态度评价，而“推荐意愿”则延伸到客户的行为意向上。

提问方式的不同，有可能帮助我们建立更准确的行为预测模型（数据样本暂未有足够的时间长度进行验证）。

 2、评分机制的不同

 1）满意度量表一般会对每个梯度进行描述声明，而NPS只定义了头尾2端的含义：

例如，5级量表一般会是“非常满意”“比较满意”“一般”“不大满意”“很不满意”。

这可能会导致客户在评分梯度认知上的细微差别——如果每个梯度都作出声明，客户在抉择时可能更关注描述和自己的主观态度是否吻合，他对梯度的认知是离散的；如果只告诉客户头尾含义（确定数轴上的喜恶方向），则他抉择时可能更关注梯度，他的认知也是连续性的。

2）NPS的梯度划分更细

更细化的梯度划分，有利于我们做原因挖掘和特征细分（也就是前述的“测度”工作）。

而从FredReichheld的初衷来看，外国人更习惯直观的分数，而0-10分也是普通人常识接受的梯度，符合了客户的心理习惯。

2.3没有绝对权威的测评工具，测评靠的是坚持

目前包括FredReichheld本人在内，都暂未有人建立一个相对准确的数学模型去揭示出NPS和产量指标之间的统计关系。

已有的经验是，NPS越高产量越高（不排除随着时间推移也会出现满意度指标那样的反例），而实际上我们过去的用研经历中，满意分值和净满意度这些满意度指标也和研究对象的产量有这样的关系。

因此，无论是满意度也好，NPS也好，都无法严格论证哪一种更适合我们目前的研究。

但不得不提的是，当我们决定使用一种测评工具后就必须坚持使用，并在长期的监测中验证和修正工具可靠性，并找到样本规律。

事实上，FredReichheld本人也在书中介绍了一个汽车租赁公司长期使用5级满意度量表进行测评并取得卓越成就的案例。

[8]

三、NPS的应用实践

实际上，除了UX本身，公司的客服部门很早就引入了NPS的评分机制来评价服务质量。

下面来介绍一下组内对NPS的应用，以及本人的一些探索经验。

如果将NPS的应用划分阶段，大概是：

评价层面→测度层面，

其中测度层面包括价值挖掘和问题挖掘。

3.1应用现状：

评价层面

3.1.1组内的应用情况

目前，GUX比较常用的是将NPS的评价结果直接引用在报告中，作为一个评价参考。

（图3-1）

图3-1NPS应用案例：

某个系统的满意度调查

这种做法直接呈现了NPS值。

但对于一个尚未建立NPS测评机制和经验的研究团队来说，纯粹的NPS值评价无法和产品的客观表现建立联系，即NPS值的含义说明模糊。

3.1.2评价层面的应用延伸

事实上在评价层面，FredReichheld鼓励我们在拥有大样本的前提下，再细分样本组，然后比较各样本组的NPS值，从而分析这些样本组的不同特征对样本NPS的影响。

[9]

可以说，以样本细分出发的评价层面的应用探索，是下一阶段测度工作的开始。

3.2应用创新：

测度层面

测度的含义就是对已采样的数据使用间接的测度方式（创造新的指标）进行长期监控。

测度的意义在于玩家实际上是潜移默化地对体验质量进行打分，且由于梯度足够细分，他们的质量评判会更加细致，有利于我们捕捉一些微妙的趋势变化。

测度的优势在于我们所看重的是企业/产品的可持续发展，[10]需要一套行之有效的测度体系，而采样过程又不能过于复杂令客户无法理解，因此“推荐意愿”提供了很好的样本素材。

仔细了解FredReichheld对NPS的研究历程，我们就会发现，他是经过多年的实证研究，不断采样、测度，最后归纳出一个最简单暴力的评价标准——NPS指标。

而我们目前的任务是要将NPS本土化移植到公司的网游用户研究中，移植过程不得不面对的问题就是指标的适用性。

因此，我们有必要回归到指标的测度本身，除了做必要的验证工作外，还可以进行一些应用创新。

3.2.1价值挖掘：

良性利润

1、满意度定义

FredReichheld在《终极问题》一书中抛出了“良性利润”的概念，但却没有对该指标进行算法定义。

在某游戏的月度活动研究中，我尝试用5级满意度量表采集到的样本和玩家消费进行拟合，制定了的良性利润算法[11]，在协助产品改善节日活动消费体验的同时，通过监控良性利润比例变化来验证改善效果。

图3-2某游戏不同节日活动的良性利润比例

2、NPS定义

上述的良性利润测度基于玩家的满意度调查，相对于NPS的测度方法，由于满意度量表的梯度较少，无法更精准地监控出各个体验质量层次的消费量。

而用11级推荐分值来划分利润比例，则可以达到这个目的。

（图3-3）

图3-3按推荐分值细分的利润比例

对比图3-2，可以发现月份1和月份2的良性利润VS不良利润的比例差值在NPS定义下被缩小了。

这是因为NPS对“推荐者”的界定比“满意者”更严格，也就是说，NPS定义下的良性利润质量更高，且分层更细致。

3.2.2问题挖掘：

问题诊断

FredReichheld指出，推高推介型用户比例和降低贬损型用户比例，是2件不同的事，而且同等重要。

[12]因此，我们对NPS的应用创新，除了进行价值挖掘，还要进行问题挖掘。

而在某产品7月初推出的好友系统第1期用研报告[13]中，我首次尝试了利用推荐分值的样本进行问题严重度的研究。

1、均值算法：

规划问题层次和严重度定义[14]

在这里，我通过均值算法，将传统的NPS评分转化为一个分值指标。

例子如图3-4——

图3-4问题严重度的指标探索

通过推荐分值的逆向转化，定义出各个功能模块的体验状况，从而让策划对系统整体的迭代优先级有一个全局认识。

2、词频算法：

为产品找出当前最迫切修改的VIP问题

在一些敏捷开发中，产品只能有针对性地局部修复问题，这时候，他们更需要UE为他们找出玩家群体最迫切的用户体验问题，而非对系统的全局做可用性评估。

这时，我们可以通过统计推荐分值=0（可以因应具体情况放宽至0~某个分值）的用户集中反馈的问题模块次数（词频），来找出这些VIP问题。

继续以该产品的好友系统用研来做举例，如图3-5——

图3-5词频统计范例

[1]FredReichheld在一次客户忠诚度指标的研究中，发现“愿意推荐”的提问采集到的数据最能反映客户忠诚度和公司发展趋势。

（《终极问题·第二章·发现终极问题》：

FredReichheld）

[2]采用这种评分，因为尺度和分类最容易被理解，同时梯度划分也相对细致便于拓展研究。

（《终极问题·第二章·为问题答案评分》：

FredReichheld）

[3]在客户比例的类型划分上，这个划分标准是FredReichheld对外国公司长期的跟踪调研经验得出。

[4]《TheOneNumberyouneedtogrow》：

FredReichheld——“Whencustomersrecommendyou,they'reputtingtheirreputationsontheline.Andthey'lltakethatriskonlyifthey'reintenselyloyal.”

[5]分布指标：

显示样本总体在不同分段的比例分布；质量指标：

关注体验质量而非直接的盈利产量。

（《节日活动研究-指标体系标准》：

梁帆，2011-09）

[6]净满意度是指“正面评价者”与“负面评价者”的比例差值。

在5级量表中，正面评价是指“非常满意”“比较满意”；负面评价是指“不大满意”“很不满意”。

[7]净满意度的定义详见《节日活动研究-指标体系标准》：

梁帆，2011-09

[8]《终极问题·第四章·Enterprise汽车租赁公司案例——测评重要事项》：

FredReichheld

[9]《TheOneNumberyouneedtogrow》：

FredReichheld——“Yournet-promoterscoreprovidesvaluableinsightsintohowtogetmorepromotersandfewerdetractors.Forexample,compareyourcompany'sscoresregiontoregion,branchtobranch,salesreptosalesrep,andcustomersegmenttocustomersegment.Uncoverrootcausesofdifferencesandsharebestpracticesfromyourhighest-scoringgroups.Alsosurveyyourcompetitors'customersusingthesamemethod.Howdoseyourcompanystackupagainsttheveryhighbarof75%to80%net-promoterscore?

”

[10]第一财经日报对FredReichheld的专访报道《NPS：

如何将不良利润转化为良性利润》

[11]这里按照5级满意度来划分：

“非常满意”“比较满意”的正面评价者的消费量划分为良性利润，“不大满意”“很不满意”的负面评价者的消费量划分为不良利润。

[12]《终极问题·第二章·如何测评成功》：

FredReichheld

[13]《[X产品]好友聊天系统第1期投放跟进报告》：

2011-06，梁帆

[14]严重度：

推荐分值的评分范围为0~10分，一个玩家的评分样本反映的严重度定义为“质量水平与满分的差值”；所有玩家样本的严重度分值则为这些玩家的平均差值，即

∑（10-对该问题作出缺陷反馈的各玩家的推荐分值）/对该问题作出缺陷反馈的玩家数量