最近好像看到很多關(guān)于凈推薦值（Net Promoter Score, NPS）的文章揭保，NPS似乎已經(jīng)變成一個大眾的概念了（當(dāng)然從心理學(xué)來說是因為自己主動關(guān)注更多了，所以產(chǎn)生的錯覺）。
簡單介紹一下：
凈推薦值的測量來自于問題“您有多大可能會向您的朋友或同事推薦XX產(chǎn)品熏纯？（0-10分酝蜒，10分表示非常愿意弦悉，0分表示非常不愿意）”。
按照得分將參與評定者分為：推薦者（9-10分）湿故；被動者（7-8分）阿趁；貶損者（0-6分）。然后NPS的值為：（推薦者-貶損者）/總?cè)藬?shù)*100晓锻。
NPS通常用于測量1）產(chǎn)品的用戶體驗：易用性能夠解釋30%~50%的NPS變化歌焦；以及2）用戶忠誠度。NPS的問題最初源于網(wǎng)站用戶體驗測量問卷的SUPR-Q砚哆，因為其便捷性以及和口碑傳播息息相關(guān)(推薦者會主動宣揚你的產(chǎn)品而貶損者則完全相反)的特性而經(jīng)常被單獨使用独撇。
廢話講完了...以下為正文：如何評估‘推薦者’的影響力
推薦影響力
Brooks & Richard在其書作《Answering the Ultimate Question: How Net Promoter Can Transform Your Business》中介紹了這一方法。除了NPS外躁锁，你還需要同時收集3個問題的答案：
Q1. 被推薦行為：你選擇使用XX產(chǎn)品的主要原因是否是你的朋友或者同事對你的推薦纷铣？（是/否）
Q2. 主動推薦行為：在過去12個月中你是否有積極地向你的朋友或同事推薦XX產(chǎn)品？（是/否）
Q3. 主動推薦人次：在過去12個月中你向多少個朋友或同事推薦過XX產(chǎn)品战转？（1,2,3,...,10,...）
然后就可以開始測算了：
1. 通過統(tǒng)計Q2和Q3得到有81%的用戶曾主動向他人推薦該產(chǎn)品搜立，平均每人向4.2人推薦過該產(chǎn)品；
2. 通過被推薦的用戶人數(shù)/總的推薦人次（Q1/Q3）計算推薦轉(zhuǎn)化率為16%槐秧，即大概需要6次推薦可以將一個潛在用戶轉(zhuǎn)化為新的用戶啄踊；
3. 如下圖忧设，將以上3個數(shù)據(jù)相乘即可得到推薦影響力為.081*4.2*0.16=0.54，即每個推薦者會帶來大概0.54個新用戶颠通；
4. 而結(jié)合NPS和其它業(yè)務(wù)數(shù)據(jù)（如用戶的平均消費）址晕，你就可以了解推薦者群體對整體業(yè)務(wù)（如盈利）的具體影響。
貶損影響力
除了推薦者的影響力之外顿锰，你還可以通過同樣的方式來計算貶損者的影響力：
Q1. 貶損行為：在過去12個月中你是否有勸阻過你的朋友或同事不要或者放棄使用XX產(chǎn)品谨垃？（是/否）
Q2. 貶損行為次數(shù)：在過去12個月中你試圖說服過多少你的朋友或同事不要或者放棄使用XX產(chǎn)品？（1,2,3,...,10,...）
測算方式類同：
1. 可以知道有26%的用戶有過貶損行為硼控，分別勸過4個人放棄這個產(chǎn)品刘陶；
2. 轉(zhuǎn)化率的計算為推薦轉(zhuǎn)化率*4，即16%*4=64%（但是由于你很難從競品那里知道有多少用戶是因為聽了你的壞話而去的牢撼，所以計算式中的系數(shù)‘4’是按照其它文獻中負性評價和贊揚對用戶行為的影響力決定的）匙隔；
3. 同樣的，3個數(shù)據(jù)相乘即為貶損影響力0.26*4*0.64=0.67浪默，即一個貶損者會導(dǎo)致你失去0.67個潛在用戶牡直。
Brooks&Richard的書中通過客戶的平均消費數(shù)據(jù)對這兩個影響力的用途進行了舉例。如下圖纳决，在企業(yè)級軟件產(chǎn)品行業(yè)中，貶損者的消費為$655千,而推薦者的消費水平為$1488千乡小，而行業(yè)的平均消費為$1046千阔加。則推薦者的實際消費為1488+1046*0.54=2053，而貶損者的實際消費為 655-1046*0.67=-46(感覺圖中的表述有點兒不對)满钟。
其它
還有一位可用性專家Jeff Sauro采用了相同的問題胜榔，但是不同的計算方式來評估‘推薦者’的影響力，但由于我沒能通過他的計算式得出和他一樣的數(shù)據(jù)湃番，所以在這里就不過多的介紹了夭织。
最后需要注意的是，Brooks & Richard提供的分析方法雖然看似很科學(xué)吠撮，但這種估計的準確性是基于用戶能夠清楚地回憶：是否向他人進行推薦以及推薦了多少人尊惰。但做用戶研究的都知道，用戶的記憶都是模糊的泥兰。所以對于這一點Jeff Sauro認為最好能夠使用數(shù)據(jù)的下限區(qū)間進行計算弄屡。如，在對TurboTax的調(diào)查中鞋诗，117人有61%表示曾經(jīng)向他人進行過推薦膀捷。在置信度為90%的情況下，61%的置信區(qū)間為52%~68%削彬。因此最好使用保守數(shù)據(jù)52%進行后續(xù)的計算全庸。
參考文獻
標(biāo)準化量表在可用性測試中的應(yīng)用中作者介紹了當(dāng)前常用的多種用戶體驗測量問卷秀仲。
尋找更真實的NPS中作者對NPS的使用及使用過程中需要關(guān)注的點進行了介紹。
10 Things to Know About Net Promoter Scores And the User Experience中Jeff Sauro給出了NPS的操作方法和一些建議壶笼。
Answering the Ultimate Question: How Net Promoter Can Transform Your Business則是本文的內(nèi)容來源神僵，超鏈為電子書的購買鏈接，可以點擊閱讀試讀本文所在的章節(jié)拌消。
Business Software UX & NPS Benchmarks是Jeff Sauro為toB產(chǎn)品所做的一次用戶體驗和NPS基線測試的概要報告挑豌。
Quantifying the Value of a Promoter中Jeff Sauro提供了計算推薦者影響力的另一種計算方法。
Predicting Net Promoter Scores From System Usability Scale Scores中介紹了如何通過SUS分數(shù)與NPS分數(shù)之間的聯(lián)系墩崩。
