最近净推荐值被越来越多的公司采用，作为评估的一种手段。
自己之前一直想要更加透彻的了解一下这个方法，也买了《终极问题》这本书来认真学习一下。但是看完书后发现，好像书中对这个方法的使用并不能直接借鉴到我们的工作中，也在网上搜索了很多相关的资料，更多的是对这个方法内容的介绍，比如三类人群是什么，净推荐值是如何计算的，再进一步的内容就很难找到了，尤其是案例相关的内容。
有幸的是，自己有机会进入了一家真正是在做NPS的公司，而且是由上至下来驱动的，非常难得的一个机会。所以也对这种方法的使用有了一点心得，虽然不算深刻，但是能够更好的理解这种方法的运用，以及对产品的帮助。
1. 选择净推荐值方法来进行研究是对的吗？
要做的研究到底是为了发现产品最新版本中存在的问题，还是为了作为一种KPI考核指标，还是为了提升公司整体的体验情况。满意度和净推荐值还是非常不同的两种方法，早先的时候我总想把两种方法做个融合，将满意度模型结构与净推荐值融合在一起，这样可以把净推荐值像满意度一样，更加结构化的发现影响用户推荐的因素。
但是经过一段时间之后发现，满意度和净推荐值是完全不同的概念。比如用户对产品是推荐的，但是对产品的满意度却是低的。比如下表。
在某次大版本的改变后，做了一次满意度调查，顺便也增加了净推荐值问题。结果发现，越高级的用户对产品新版的满意度越低，但是净推荐值确是越高的。也就说明，老用户对你的产品是持推荐态度的，但是对你新改版的版本满意度低，尤其是颠覆式改版后，势必会影响老用户原来已经形成的使用习惯。如果单纯的采用净推荐值，是不是就不能够发现这种差异的存在了。
2. 既然决定要做，首先要做好界定
（1）调研推荐范围的界定
很多公司并不是只有一个产品，而且各产品的用户群也并不是完全独立的，如果要针对某个产品进行净推荐值调研，一定要做好产品界定。在该产品渠道上进行调研，同时突出显示问题中对该产品的说明。就算是这样，也很难保证用户是否正确的理解你需要他评价的对象究竟是你这个产品还是你的公司。尤其是对单个产品下各业务线产品进行调研时，这种影响很难消除。所以，通常不建议对细分业务进行净推荐值调研，
对业务线1进行净推荐值调研，用户群1、2、3都是他的用户，但是又同时是其他业务的用户，那么用户在评价是，势必会收到其他业务的影响，且这种影响用户自己也很难发现。
（2）净推荐值研究周期的界定
净推荐值和满意度一样，单看数值的绝对值意义并不能带来任何的作用，而是要通过多维度、持续的对比，发现某些方面的提升和下降，进而找出需要改进和保持的方向，所以通常是做周期性调研。但是一定要对研究对接人或者汇报人提前做说明，净推荐值与满意度一样，并不适合频繁的使用。周期最好控制在一个季度或者半年期，如果每个月都进行调研，一是时间太短，用户无法显著感受到差异性；二是也会引起用户疲惫，如果是电话调研的方式，也会对用户造成打扰，尤其是产品用户量不大的情况下。
3. 得到净推荐值之后该怎么做？
首先要看得到的净推荐值处在一个什么范围内，如果是负分，肯定是一个不良的范围，如果是六七十分，那么应该算是不错的范围。
另外，如果有行业数据可以与行业进行对比，也可以与竞品公司进行对比，看看为什么会存在差异。
其次，单看数值肯定是无法找出问题的原因，虽然能够了解自己处于一个什么样的水平，起到对比的作用，但是我们还是需要以提升净推荐值为目的，找出影响推荐值的问题和方面，以做针对性的解决方案，逐步的提升净推荐值。
4. 关于样本的问题
（1）多少样本是合适的？
通过多次净推荐值的调研经验来看，通常几十份的样本量时，获得的数值准确度相对要低，而且多次调研的数据波动较大，对于这种波动不容易做出解释。随着样本量的增大，数据趋于稳定，趋势趋于平缓。
（2）需要进行抽样吗？
在一次汇报中，我有提到公司产品的净推荐值。这次调研中，接受调研的用户以老用户的占比高，新用户的占比低，这也符合产品平常活跃用户的分布情况。但产品所有用户的分布是新用户的比例高，老用户的比例低。汇报中领导说了一句，应该分层看一下。意思是调研用户中老用户多，肯定推荐值就高。当时我也做出了解释，而且在研究报告中也有关于用户分层分析的部分，不知道我的解释有没有让领导明白。
过后我也做了反思。当时只是把调研结果直接拿来展现，没有做严谨的分层抽样。
净推荐值的采集应该是针对产品的活跃用户人群，新用户虽然占所有用户的比例大，但是活跃的用户还是老用户的比例更多。新用户可能大多数都不活跃或者只来过一次两次，甚至对产品都不了解，所以并不能按照产品所有用户的分布比例来进行抽样，还是要以活跃用户的比例来进行抽样。本身净推荐值也是采集那些了解产品、使用过产品的用户对产品的态度。应该先调取一个时间段范围内的活跃用户，统计不同维度用户（会员等级、注册时长、资历等）的比例分布，可以是一个也可以是多个维度，然后对调研结果进行同比例抽样，这样就会严谨很多，虽然多数情况下结果差异不会很大，但更让人感受到你的专业性。
所以，我们还是需要把事情做细一些，尤其是做研究。
另外还有关于净推荐值方法使用过程中，需要注意的一些问题点，以及净推荐值这种方法的不足，会在下次继续跟大家分享，希望您能够关注铭盐，我们一起来聊聊用户研究这点事儿。
微信公众号：铭研笔记（mingyanbiji）
网友评论