淨推薦值（NPS）是一種計量某個客戶將會向其他人推薦某個企業或服務可能性的指數。
當我們想知道用戶對產品有什麼意見或對產品是否滿意時，常常會通過用戶調研的形式去了解用戶的真實感受。而在用戶調研中，一個非常常見的問題是：
「您是否會願意將「品牌名&產品名」推薦給您的朋友或者同事？」
這個問題其實調研的就是淨推薦值，也叫NPS，意在了解用戶對該品牌或產品主動推薦的意願，是一個常見的用戶忠誠度指標。
背景我們迫切需要了解用戶對app的真實使用感受與評價，因此決定基於NPS做一次用戶調研，目的是計算App的NPS值，並且找出低評價的元素。
定位了低分元素後，會根據其比重指導之後的產品優化方向與重心。
準備基於網上已有的NPS調研方法，經過整理形成了適合自己產品的計劃：
接下來就按照這個計劃去具體執行：
這裡可以理解為淨推薦值和滿意度有一定的相關性，即我們所認為的，如果對產品滿意的話，那麼他有一定意願推薦給其他人使用。因此引入了一個相關係數k來代表二者的相關性。
用1-k來代表其他因素，比如品牌影響力。其他因素我們贊不關心，這裡主要細分到滿意度。
整體滿意度是整個APP的滿意度，可以細分為各分子的滿意度以及其重要性，重要性指的是各分子滿意度和整體滿意度的相關性。因此下一步我們需要知道哪些因素會影響用戶對產品的整體滿意度，並且是我們關心的。
確認滿意度因素這裡我和各個部門溝通，向他們收集可能影響用戶滿意度的因素，這裡每個因素的滿意度都會間接影響到用戶對App的整體滿意度。因此我需要提前確定我們關注哪些因素。
這樣在實際的調研中就可以通過數據定位用戶滿意度在哪塊是非常低的，從而進行針對性的優化。（圖中為示例，非真實數據）
設計問卷問卷問題的設計，主要包括2個方面：
1. 用戶畫像的相關問題年齡、性別、身份、受教育程度、收入水平、找工作類型、找工作頻率（產品屬性是招聘類，因此需要知道找工作的畫像）；
用戶畫像的相關問題，在於做問卷分析時，比較不同類型用戶的數據差異，從而得出客觀全面的結論。
2. 用戶滿意度相關問題首先是整體滿意度：「你對pp的滿意程度(1-10分)」；
然後是各個因素滿意度：
「你對產品設計的滿意度(1表示非常不滿意，5表示非常滿意)：
信息傳達效率（1，2，3，4，5）頁面美觀（1，2，3，4，5）操作流暢性（1，2，3，4，5）……」最後是NPS值：「你向朋友或同事推薦使用app的可能性有多大？（0-10分）」
這些問題分別算的是整體滿意度、各因素滿意度、NPS值。
投放方式與渠道前期計劃通過簡訊形式向曾經使用過我們App的人投放，但由於存在大量的流失用戶，經測試，使用簡訊的回收率過低，從而導致樣本數過少。因此決定在App內通過Banner展示形式向所有活躍用戶投放。
這樣投放的好處在於樣本數足夠，壞處在於由於已流失用戶未計入樣本中，會導致整體滿意度和NPS偏高。
這裡建議如果有條件，儘量還是通過簡訊方式定向人群投放，這樣可以保證投放範圍即在理想的隨機範圍內，保證收集數據的客觀性與隨機性。
通過第三方調研問卷的工具（問卷星，金數據等）生成問卷後，即可進行投放。接下來就是最重要的數據計算、數據分析的工作了
數據分析數據分析主要依靠的是spss工具，計算的是各因素的平均滿意度以及和整體滿意度的相關係數，即各因素的重要性。具體的計算方式網上都有現成的計算公式，這裡不再細講。
最終會得到這樣一份數據（圖中數據為實例，非真實數據）：
即每個因素都會計算出兩個指標：滿意度、重要性
滿意度代表這個因素的獨立滿意度
重要性代表這個因素的滿意度和整體滿意度的相關性。
通過對用戶畫像的組合，我們可能會得到多組不同畫像用戶的數據。同上圖，接下來就是將各個因素進行組合分析。
四分圖模型橫軸為重要性，縱軸為滿意度，將各個因素按其數據代入圖中，我們會得到這樣一個四象限分布的圖，也叫四分圖模型。
這個模型即客觀反饋了我們需要重要優化的地方，有優勢的地方，優先級不高的地方，以及繼續保持即可的地方。
再細分，可以按照不同類型業務來分，如下：
從圖中可以看到，需要優先改進的是活動真實性、活動更新頻率。它們的重要性很高，但滿意度卻很低。因此我們需要重點關注這3個方面的優化問題。
NPS計算淨推薦值(NPS)=(推薦者數/總樣本數)×100%-(貶損者數/總樣本數)×100%。
結論不同用戶畫像的滿意度數據存在差異，比如學生用戶對用戶體驗方面要求更高，因此在用戶體驗方面的滿意度會偏低；比如女生用戶更看中運營活動；NPS在整個行業中屬於偏高水平，但由於統計標準不一致，因此存在一定誤差；最終將問題定位在1，2，3，4，5等因素上，這些因素是明顯重要性很高，但滿意度很低的因素。說明用戶非常看重這些因素，但並不滿意。通過以上結論，我們可以定時去監測用戶對產品的滿意度變化，並且定位當前優先級高的問題，並觀察解決效果。
歡迎大家來討論~
#專欄作家#王偉華，微信公眾號：夜漫產品（learnerwwh），一隻略帶文藝情懷的產品汪，擅長社交，資訊領域產品，心理學愛好者，目前正處於知識體系搭建階段。
本文原創發布於人人都是產品經理，未經許可，不得轉載。
題圖來自Unsplash，基於CC0協議
收藏已收藏 | {{ postmeta.bookmark }} 點讚已贊 | {{ postmeta.postlike }}