(window.slotbydup=window.slotbydup || []).push({
id: '2014386',
container: s,
size: '234,60',
display: 'inlay-fix'
下载本文档需要登录，并付出相应积分。（）
(已有1人评价)
下载：3次格式：pdf页数：202贡献者：Donalford上传时间： 18:15
3人评价202页
2人评价11页
0人评价193页
0人评价100页
2人评价22页
所需积分：（友情提示：所有文档均可免费全文预览！下载之前请务必先预览阅读，以免误下载造成积分浪费！）
（多个标签用逗号分隔）
文不对题，内容与标题介绍不符
广告内容或内容过于简单
文档乱码或无法正常显示
若此文档涉嫌侵害了您的权利，请参照说明。浅谈NPS（上）——初识NPS
5月份在网易内部印发的黑宝书里面提到NPS概念以来，这个指标逐渐在网易游戏的用户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。
因此本文作为NPS指标研究的第一期，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。
NPS（Net-Promoter Score），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Fred Reichheld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2-1 NPS在外国的应用范例
·NPS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。
NPS的实质：它和满意度量表的异同
NPS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。
NPS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”
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Fred Reichheld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。
没有绝对权威的测评工具，测评靠的是坚持
目前包括Fred Reichheld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，Fred Reichheld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]
在对NPS有了一定的认识和理解之后，如何运用NPS来丰富UE的测评方法，提高UE的工作质量才是最重要的内容。在浅谈NPS下篇中，将结合网易某款产品的实际运用，来和大家分享NPS在UE中的运用心得和感受。
（或点击熊猫的工作博客进行全篇阅读）
1. Fred Reichheld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o第二章o发现终极问题》：Fred Reichheld）
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o第二章o为问题答案评分》：Fred Reichheld）
3. 在客户比例的类型划分上，这个划分标准是Fred Reichheld对外国公司长期的跟踪调研经验得出。
4.《The One Number you need to grow》：Fred Reichheld——“When customers recommend you, they’re putting their reputations on the line. And they’ll take that risk only if they’re intensely loyal.”
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。
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o第四章oEnterprise汽车租赁公司案例——测评重要事项》：Fred Reichheld}