当谈到客户体验管理时，NPS就是一个绕不开的话题，今天就来聊聊NPS。
主要内容为：
一、NPS是什么
NPS（Net Promoter Score），中文名为净推荐值，是客户对品牌/产品的忠诚度得分。
由美国贝恩公司Fred Reichheld（2003）提出，是最流行的顾客忠诚度分析指标，专注于研究客户口碑如何为企业带来良性收益与真实增长。
Fred Reichheld：贝恩公司忠诚度实践的创始人，NetPromoter管理系统的创建者。
二、NPS如何计算
NPS通过询问一个简单的问题来计算：从0到10分，您向朋友或同事推荐该品牌/产品的可能性有多大？
根据评分可以将客户分成三类：推荐者、中立者和贬低者。
推荐者（9-10分）
代表公司最热情的客户。这些人很可能充当品牌大使，提升品牌声誉并增加推荐流量，从而有助于品牌的发展。
中立者（7-8分）
不会积极推荐品牌，但也不太可能贬损品牌。中立者成为推荐者的几率很大，想办法提升他们的评分非常具有战略意义。
贬低者（0-6分）
不大可能向他人推荐公司或产品，不会坚持使用或重复购买。更糟糕的是，他们可能会传播品牌的负面信息，阻止其他潜在客户认识品牌、购买产品。
NPS=推荐者占比-贬低者占比。
NPS始终在-100到100之间。如果企业的推荐者多于贬低者，得分为正；反之则为负。
例如：某企业的推荐者占比30%，贬低者占比20%，则其NPS得分为10。
三、NPS如何评估
NPS得分的好坏需从绝对值和相对值两个角度综合考量评估。
从绝对值角度评估。
从绝对值角度评估是指：仅看企业的NPS得分，不与行业、竞争对手作比较。低于0的分数毫无疑问很差，因为这意味着品牌的贬低者多于推荐者。60分以上则是非常好，顶尖公司的NPS一般在70以上。
据2018年的一份数据，Netflix的NPS得分为64，PayPal为63，Amazon为54， Google为53，Apple为49。
从相对值角度评估。
从相对值角度评估是指：参考行业NPS得分均值、行业竞争对手得分情况。不同行业之间的NPS得分情况差别很大，评估企业NPS得分好坏时不能仅看绝对值。
例如，公司A的NPS为-3，单独看似乎很差，但如果行业均值为-10，那A公司的得分就不那么糟糕了。当然，这并不意味着A公司就能沾沾自喜：当NPS为负值时，企业非常有必要做一些有效的措施来提升分数，以减少贬低者，产生更多推荐者。
四、NPS如何帮助企业做增长
NPS有助于企业改善顾客体验。
企业的NPS得分，基于客户在与其互动过程中产生的体验：看到宣传广告，上网查看评价，购买支付，使用产品，物流，退货等。
NPS的调研手法可以量化客户旅程中的各项体验，找出体验中推荐者和贬低者背后的驱动要素。通过改善这些驱动因素，可以有效地提升客户体验，进而促进增长。
NPS与企业收益有高相关性。
NPS的问法逻辑让客户认真地回想过去与品牌互动的经验并与竞争对手比较，再给出评分。最终得到的NPS分数，与之后的推荐次数高度相关，进而影响品牌的销量和营收。
这在Frederick F. Reichheld的研究中也已得到证实：更高的NPS分数带来更多的推荐次数。
NPS可以用作业务增长的预测指标。
NPS将全公司每个人围绕一个度量标准团结起来：赢得更多推荐者。公司以赢得更多推荐者为中心来设置关键任务，各部门围绕关键任务展开行动，并持续跟踪与量化效果，以维系良好的业务运转，促进业务增长。
五、如何提升NPS
企业的NPS得分，基于客户在与其互动过程中产生的体验。NPS分数低，肯定是整个客户旅程中某些环节的体验出现问题。
那提升NPS就需要：将整个客户路程的体验管理起来并进行根因分析，发现体验问题，找出优化方向，持续优化体验、追踪优化效果，不断迭代。
因此，提升NPS是一个系统的大工程。根据我们服务客户的实操经验，流程上主要分为战略规划和成效追踪两大部分，会用到战略NPS、关系NPS、场景NPS三大模型。
1. 战略NPS (Analytical NPS)
战略NPS就是说从整个客户旅程中找到关键体验，针对关键体验制定优化策略。做这件事需要一套科学的方法。
首先是梳理整个客户旅程，行业不同业务不同，客户旅程也会有所区别。以某智能手机品牌的电商业务为例，客户在网上买智能手机的整个旅程为：浏览手机信息并研究对比→售前咨询→下单→发货物流→使用体验→售后服务等。
然后是找到对NPS影响力高的关键体验，一般的做法是通过定量问卷获取客户对每个体验的满意度分数，然后用回归的方式找出每个体验的满意度分数与NPS的相关系数，系数越大则此体验越关键，对NPS影响力越高。找出关键体验后，企业即可有针对性地着手制定优化策略，一般过程为：
- 关键体验是什么
- 我们表现如何
- 哪些关键体验需要改善
- 制定改善策略
通过这套科学的方法，企业就获得了一个体验优化的抓手，知道应该先做什么，具体的优化方向是什么。
2. 关系NPS(Relational NPS )
战略NPS已经帮我们搭建好了客户旅程框架、找到对NPS影响力高的关键体验，接下来就是使用关系NPS模型进行成效追踪，以帮助企业持续追踪体验优化后的效果，不断迭代，最终提升NPS。
追踪的频率可以根据需求来，按天/周/月/季度检查企业关键体验满意度和整体NPS的变化。如果发现分数在某个周期内停滞不前，那可能是关键体验发现或优化策略出现问题，需要重新启动战略NPS做诊断和规划。
3. 场景NPS (Transactional NPS)
交易NPS，监测客户与企业在特定场景下的NPS高低，以预警补救为目的，保障重要环节的体验。
场景NPS对实时性要求较高，需实时追踪客户在某个特定交互场景下的的NPS评分，一旦评分低于6，客户变成诋毁者，相关人员需立即与客户沟通，通过安抚、补偿等各种方式救回客户。
比如滴滴行程结束后投诉司机，马上就会有客服联系您，希望您还是能保持对滴滴的热爱。比如我们八爪鱼发现有客户购买了云版本，却在6h内没采集到云数据，就会致电客户了解情况，指导他们使用。
战略NPS、关系NPS、场景NPS三大模型相辅相成，完成NPS战略规划和成效追踪不同阶段的需求，帮助企业形成客户体验的优化闭环。
六、NPS问卷设计
在最开始我们说过，NPS通过询问一个简单的问题来计算：从0到10分，您向朋友或同事推荐该品牌/产品的可能性有多大？
那在实际操作过程中，NPS问卷需结合多种因素灵活设计，以下为一些常用的设计技巧，在满足业务需求的同时提高回收率。
1. 细分受众群体
将处在客户旅程不同阶段的客户细分成多个群体，并为他们定制不同的问题。这样将便于我们获得更细致的背景信息进行对比，从而理解他们的NPS评分情况，找出对NPS影响力高的关键体验。
举个非常简单的例子，早期我们推送NPS问卷时，并未细分受众群体，结果NPS得分非常低。后面我们将客户分为【首次登陆】、【首次采集】两个群体，发现【首次采集】群体的NPS评分大大高于【首次登陆】群体。这是因为【首次采集】群体至少成功启动采集一次，对八爪鱼的信任和赞同大大增加，这里的【首次采集】这就是一个非常关键的体验。
2. NPS问题设计
标准问题设计。标准问题为：从0到10分，您向朋友或同事推荐该品牌/产品的可能性有多大？标准问题问法可根据需求灵活更换推荐人群、加入特定场景等。
- 更换推荐人群举例：从0到10分，您向类似您这样的人推荐该品牌/产品的可能性有多大？
- 加入特定场景举例：您已确认收货，从0到10分，您向朋友或同事推荐该品牌/产品的可能性有多大？
开放性问题设计。为了使价值最大化，在标准问题后，通常设计1-2个开放性问题，以挖掘NPS等分背后的驱动因素。
- 如果客户选择评分为0-8分（贬低者-中立者），可对负面体验表示歉意，并询问我们如何才能提高您的评分？
- 如果客户选择9或10（推荐者），请热情地跟进，并询问得分的主要原因是什么？
- 甚至可以添加第3个问题，询问我们还能在哪些方面做的更好？（选择题或开放性回答）
七、NPS问卷发放
NPS问卷发放的常规渠道有弹窗、电子邮件、短信、微信等，根据不同的需求进行选择。
1. 网页/APP弹窗
通过网页/APP弹窗发放NPS问卷的实时性最强，多用在搜集当前互动场景下的NPS分数。
可在主要转化节点上设置问卷弹窗，例如滴滴行程结束后的评价、扫地机器人清扫结束后的评价、确认收货后的致谢和评价、结束在线客服会话后的评价。
2. 邮件
邮件在产生互动和获取NPS反馈之间存在明显的延迟，同时需要客户做更多的操作（打开邮箱，点开邮件等），回收率相对较低，尤其是在国内。
但通过邮件也有一个好处，它使得客户更为冷静地从各方面评估品牌/产品，进而给出一个不冲动的NPS评分。
3. 短信
短信的实时性处于弹窗和邮件之间，从我们的实操经验来看，短信渠道的问卷回收效果挺好。
但是它成本比较高，要求我们在进行细分受众群体、进行问卷设计时更加细致。
4. 微信
微信是非常重要的渠道，现在很多NPS问卷公司都提供微信接口，通过绑定微信公众号向客户推送NPS问卷。
通过微信推送NPS问卷实时性高、方便实惠，但前期需要通过一些方法，将客户引流到微信公众号中。
八、NPS问卷分析
收回NPS问卷后，下一步就是对其进行分析，为展开体验优化行动提供提供指引。
1. 数值型分析
对NPS得分的数值型分析相对比较简单，任何公司都能做。确认一些分析维度，以可视化报表展示出来，是大家都有的常规操作。以下为一些常见分析维度：
自动计算NPS分数与各人群占比：
按天/周/月/季度跟踪NPS优化效果：
2. 文本型分析
前面提到，在NPS标准问题之后，一般会紧跟1-2个相关的、开放性问题。这类问题获取的回答多为文本类型。
当文本数据很少时，人工很快就能分析出来。但是企业启动NPS系统后，搜集的反馈是大量的、持续增加的，这时候就需要使用基于深度学习的自然语言处理技术（NLP）去全自动的分析。这是一件比较有难度的事情，如果NLP准确度不高，分析结果有偏差，将不能指引企业行动。
我们的云听团队在这文本分析方面很有优势：拥有优秀的NLP团队，识别准确率行业领先，在特定场景下准确率可达85%，甚至90%。由于篇幅原因，具体技术细节本文不展开讲，如果大家有兴趣可以找我们交流。
给大家看看NLP其中一个分析维度：从海量回答文本中，量化分析推荐者和贬低者的关注点，找出影响NPS评分的关键体验和优化方向：
转载字：http://www.yuntingai.com/blog/archives/1228
DataTALKS(数易创研)是专业的市场研究与数据采集机构
数易创研 | 策略型专项市场研究
数据说™ | 敏捷调研服务+自助调研平台
有礼科技 | 移动端在线样本平台
扫描或识别二维码
获取数易创研服务简介 | 案例 | 报价
