净推荐值的方法论在互联网产品应用探讨

编者注:净推荐值(Net Promoter Score,NPS)原为针对企业良性收益与真实增长所提出的用户忠诚度概念,它是最流行的顾客忠诚度分析指标,在传统行业上应用广泛。本文作者针对NPS在互联网产品上的跨界应用,进行了探索。

净推荐值(Net Promoter Score,NPS)是测量用户忠诚度的一种方法,如果某软件产品的NPS值高则意味着该公司可以考虑进一步的投资与研发;而NPS值低则意味着即使当前销售看上去是令人满意的,但是一旦出现可以替代的其他产品,整体销售额就会下降,进一步的投资与研发存在风险。在商业软件产品百花齐放的今天,很少有产品能长期保持不可替代性。企业用户在选择商业软件的时候,会考虑在B2B或B2C情境下,最适合自己和业务成功的产品。软件供应商得在提供企业商业价值中不断超越才能保持用户忠诚度。本文将简要介绍净推荐值指标,及超越测量数值存在的与业务相结合的方法论与操作模型,并结合商业软件产品,谈谈如何通过NPS调查,理解软件产品的业务驱动力。

1 净推荐值的基本原理与操作模型

1.1 净推荐概述

净推荐(Net Promoter)是Fred Reichheld(2003)针对企业良性收益与真实增长所提出的用户忠诚度概念。请用户回答“您在多大程度上愿意向您的朋友(亲人、同事……)推荐XX公司/产品?”(0-10分,10分表示非常愿意,0分表示非常不愿意),根据用户的推荐意愿,将用户分为三类:推荐者、被动者、贬损者,推荐者与贬损者是对企业实际的产品口碑有影响的用户,这两部分用户在用户总数中所占百分比之差,即净推荐值(Net Promoter Score,NPS),如下图所示。

商业价值:操作方法

净推荐值(NPS)这样一个易操作、易懂的数据本身并不能为我们的业务带来任何变化,只是一个评估监控的结果。而以操作方法为基础,针对某类用户应用净推荐的原理,才能真正实现商业价值。例如,净推荐结果辅助的根源分析可以帮助找到那些阻碍盈利的潜在问题,帮助我们做出商业决策。

概念优势:长期利润

满意与忠诚是两个不同的概念,简单的说,满意的用户仍然会“叛变”。满意度高可能只是意味着我们提供了与该产品描述一致的功能,我们能够及时响应用户遇到的困难等,但并不意味着我们具有竞争优势或增长动力。而净推荐值弥补了这个问题,以更严格的标准避免了我们对产品现状的自我安慰,真实的聚焦于产品增长的驱动力和竞争优势。该指标既考虑了使用者本身直接的经济效益(产品选择行为),又考虑了其作为推荐者潜在的经济效益(产品口碑影响),最终净值整合了当前用户积极的影响与消极的影响,可以有效预测企业/产品未来长期的利润增长情况。

1.2 净推荐的关键原则

前面已经谈到,使得净推荐发挥真正价值的是超越测量数据而存在的,与业务相结合的操作方法。在介绍整个操作模型之前,简单了解一下该操作模型的五个关键原则。

方法论

NPS是一个十分简单的度量,从提出至今,因为其简单而受到很多质疑。但真正使用过该方法的人都会改变最初的想法,简单有效是该方法的魅力所在。不像复杂的财务数据那样需要专业的解读,哪怕是最基层的员工都能够理解,因此说服他们去关注与改变就变得更加容易。当然,单一的度量与单一的问题之间是有差异的,我们需要大量时间来讨论数据和设计调查。总之,要发挥数据真正的价值,做出商业决策,还需要做很多。

哲学观

净推荐内在独特的哲学观:你如何对待用户,用户也将如何对待你。哪怕在市场恶劣的环境下,坚持关注良性收益,为客户提供更好的质量与服务,也能增加用户留存,扩大市场份额。而有损于用户的恶性收益,只能赢得短期效益,对企业/产品的长期发展必然是有害的。

行动和责任

净推荐项目不是简单汇报用户测量的结果,让决策者根据数据采取行动,而是向所有人发起挑战,让所有员工在日常工作中改进与用户的交互行为。得到整合的NPS数据只是开始,员工拿到数据反馈后,有能力理解与分析其中的因果关系,通过进一步的电话回访或实验设计等找到正确的执行方式,优化现有过程,提高用户体验才是我们的目标。例如,获得数据后,如何减少贬损者,如何找到并解决核心用户的痛点等。

情绪性

净推荐让我们看到有多少用户会为我们营造良好口碑,又有多少用户在批评我们,这不仅是一个数据,还能激发我们的情绪,因为没有人希望听到批评,一定程度上弥补了传统满意度模型的不足。

与财务结果对接

对比十多家B2B企业2002-2004的净推荐值与2003-2005的财务结果发现,NPS的变化延迟反应在财务增长上,是先于后者变化的指标。NPS的经济效益可以进一步挖掘,如将用户进一步细分(活跃度、区域、行业等),根据当前绩效目标,发掘最有价值的用户,采用恰当的策略,或创造推荐者,或减少贬损者,或提升被动者,从而实现经济指标的增长。

1.3 净推荐的操作模型

净推荐的概念很简单,但是真正的执行运作并不简单。下图是该操作模型的示意图:六个元素组成的循环环形。首先是价值观——以用户为中心;其次是深思熟虑的计划——企业蓝图(项目目标);第三是制定商业决策的基础——建立可信的数据;第四是为了改进分数,对推荐者、贬损者、忠诚驱动力进行的根源分析;第五是可以让用户知道他们的反馈有作用,促进操作和结构改进的行为和问责制。这五个元素会驱动产品、员工参与度、业务流程、用户体验等的改革和转变,最终实现净推荐项目的成功。

下面将对这六个要素分别进行阐述。

元素1:创造以用户为中心的价值观

这是企业文化,也是NPS的内在文化,让员工了解自身角色、责任,及企业对改善用户忠诚度的重视,有利于整个项目的推行。这一点一直是我们公司强调的理念,不再赘述。

元素2:发展企业/产品蓝图

项目的执行需要有明确的目标与计划。不同的企业/产品会有不同的发展步调,最佳的计划应该基于产品与消费者关系的更新,随着企业所处环境的变化而不断进化与变革。计划需要考虑关键用户的体验点,不同的体验点如何影响全面的用户体验,哪个对忠诚度影响最大。最重要的是,数据的搜集与分析应该是基于消费者驱动的视角,而不是全面内部观点。

元素3:建立可信的数据

数据质量是整个项目成功的根本,数据如果不能准确可靠地代表用户对产品的感知和行为,那么一切都无从谈起。可信的数据首先要找到对的用户(who),然后要确定正确的提问时间(when)。例如,某企业产品的净推荐值,调查管理员还是普通员工,在使用3个月还是使用一年后提问,都会影响到数据的可信度。

元素4:根源分析

企业通常认为很了解用户的行为驱动力,但数据往往证明与我们想象中的很不一样。推理分析(基于回归)和陈述分析(基于开放性问题)都可以帮助我们了解用户的忠诚驱动力。让员工直接阅读用户在开放性问题中对推荐打分的解释,尤其是那些非常正面或非常负面的评论,可以帮助他们更好的认识用户对产品的评价,推动后续的执行。

元素5:驱动行动和问责

前面谈到改善NPS分数是所有人的职责,数据需要与每个员工的工作绩效挂钩,让所有人行动起来。

元素6:改革与变化

净推荐项目的目标是一直随着公司和市场环境而变化的。项目领导者需要反复聆听用户反馈与市场状况,使用复杂的分析技术(包括净推荐的分类,不同群体的反馈,战略规划根源的探讨,用户共创产品、服务和业务流程等)来改革与完善项目。

2 净推荐值与商业驱动力的结合

NPS调查中通常有2个问题,第一个问题是NPS数值,请用户回答“您在多大程度上愿意向您的朋友(亲人、同事……)推荐XX公司/产品?”;第二个问题是开放性的,询问用户对所给分数的解释,需要我们采用特殊的分析方法进行分析。

2.1 商业驱动力分析

什么驱动了高NPS?

研究表明,基于“直感”(GutFeeling)的商业决策通常比理性评估之后的决策更好;好的感觉会产生好的结果。如果是那样的话,情绪肯定取决于驱动业务成功的业务因素。因此,我们假设:商业软件产品的NPS是受到业务驱动力驱动的。业务驱动力可以包括,效能,易用性,与其他系统的整合,自动化的工作流,整合的商业智能,机密,安全,隐私,以及其他通常出现在软件项目测试标准中的,被称为“非功能性需求”的类似标准。满足业务驱动力,帮助软件使用者实现他们的商业目标可能是软件获得成功最重要的因素。如果NPS调查能够有助于软件产品的开发者找到并选择正确的业务驱动力,那么调查就非常有价值了。

问卷回答者细分

NPS是一个简单的分数测量,但是用户是不同质的。我们可以按照行业或者类目将用户细分,如企业QQ用户中,我们根据对购买决策的影响,分为决策者,影响者,使用者。

又如,某个软件的企业用户可细分为两类:企业和工厂。企业是垂直整合的,有市场,ICT信息通信技术,产品管理。他们在业务流程的点对点中使用软件,关心自己使用软件产品所导致的一切结果,包括所有间接的后续行为。工厂只是使用软件来传递一些不在他们完全掌控下的业务流程的价值链中的一个环节。他们拿到一个订单,将其作为一个服务进行传递,他们的客户关注所有后续的业务流程。因此,虽然需要同样的软件特征,但工厂所感知的价值是相当不同的。与已有信息通信技术应用的整合对工厂来说不是很重要,对企业来说却是至关重要的。工厂相对于企业会更在意价格,企业为了所需的价值愿意承担更高的价格。因此,工厂和企业对同一款软件产品的NPS所代表的也是不同的。产品要服务于不同的细分市场,必须同时满足不同的期望。

例如,每类细分用户得到的反馈结果如表1所示,所有用户的NPS为30%。

表1 根据用户细分得到的NPS文档

逐字分析

逐字分析指对开放性文本中搜集到的打分理由和评论信息采用亲和图的方式进行整理。这个过程需要研究者阅读并解释,很难自动化。根据心理学经验,亲和图的组数不超过7±2个,否则很难对亲和图的模式有一致的识别。亲和图帮助我们从用户那得到备选业务驱动力,这些通常在第一次NPS调查前是未知的。

逐字分析用于评估反馈结果对分数解释的重要性时,不用考虑评论是正面的或负面的。例如无论“目标的适用性”是受到肯定的或受到挑战的,都认为对给定分数的判断是重要的。当对7±2个业务驱动力进行逐字分析时,每条反馈都采用3分法进行分析,这可以使反馈在业务驱动中具有一定的分布。3分法可以是对3条业务驱动力1-1-1的打分,或者是重点强调某一个驱动力的2-1;甚至答案只关注某一个方面的3-0。如果反馈太笼统或观点不清晰,我们可以减少总的分数,如总分为2分或1分,详见【5】。

逐字分析还可以评估用户感知到的产品效能。此时,评论是正面的或负面的就会对分数产生影响,本文篇幅有限,以下仅从重要性角度进行介绍,不考虑效能的满意度。

2.2 商业驱动力的数据转换

转换函数的概念

转换函数起源于对符号和系统(如傅立叶转换)的分析,描述了控制特征向量X如何影响反应特征向量Y的过程:Y=T(X),详见【6】。

对应于NPS调查过程,即通过调查过程T,得到NPS调查向量Y;控制变量是业务驱动力,通过向量X传递,是在软件中已经实现的。调查过程T就是转换函数,描绘了将业务驱动力转换为NPS分数的过程,即模拟反馈者想法的过程。

已知调查T,可以直接求出向量X,这是逐字分析中所得到的反馈者对备选业务驱动力的权重。T(X)描述了NPS文档——反馈者对备选业务驱动力的反应。

向量文档T(X)与观测向量Y的差异是业务驱动力是否解释了观测反馈的指标。可以通过向量差异|| T (X) – Y||进行评估,称为收敛间隙。

特征向量的使用

这个方法来自QFD,通过评估转置矩阵X = TT(Y)预测了控制向量X,再评估收敛间隙来看转换函数的评估是否正确,详见【7】。

当从NPS调查结果中获取业务驱动力的时候,收敛间隙小则说明对反馈的逐字分析是对的,在这个意义上它匹配了反馈者意图。

信号的衰减

在NPS调查中,被动者也对他们的打分进行了文本解释,但是NPS度量只覆盖两类推荐值的百分比。当文本的信号相同时,高比例的被动者相比于低比例的被动者更削弱了NPS。因此,从最初的总分数中进行逐字分析时,有必要吸收额外的文本信号。表2显示了4种文本解释的衰减,都有200个被测者,且推荐者与贬损者的比例都是2:1。

表2 文本信号弱化的例子

这种信号的衰减反映了被动者的NPS行为受到接收的总体信号的弱化。从被动者那接收的分数对NPS和文本分析点的价值都很少。

逐字分析的测量误差

收敛间隙表示了测量误差。当研究者阅读和分析用户的文本时,存在解释的空间,通常这一步很难做正确的。“正确”意味着给解释NPS的文本赋予的分数与用户反馈的分数是一样的,收敛间隙为0。如果收敛间隙不接近0,要么是分析得到的业务驱动力不能解释观测到的分数,要么是一些文本被赋予了错误的业务驱动力。

2.3 商业驱动力的案例分析

表3逐字分析得到的7个备选业务驱动力(虚拟案例)

图1 NPS调查中分析业务驱动力重要性的QFD转换函数

将业务驱动力的频次数标准化为0-9。虽然每类反馈的人数不同,但这里默认具有一样的权重。将每对{NPS,业务驱动力}的标准化权重填入QFD矩阵,详见【8】。

特征向量的长度标准化为5,收敛因子为0.26,这表明特征Y和T(TT(Y))的差异只有5%,差异处于可容忍范围,设定的收敛极限为0.5。对于调查来说,处于可接受限值内,表明7个业务驱动力对反馈者评分的决策标准来说,是有效的。

2.4 商业驱动力分析方法的局限性

A、用户在NPS调查的开放性问题中,很少反馈需要什么新功能,即这类型的调查本身不能决定哪些功能需要开发,如果希望得到用户的建议,我们需要直接问用户。

B、作为通用的预测,未来的购买行为会受到很多其他因素,如经济前景、或产品模式突变等,这些通过逐字分析的方法无法获知。

C、用户不受问题的限制,反馈的文本涉及很多不同方面的内容,所以往往需要先对文本进行初步筛选。

D、当收敛间隙较大时,我们需要对文本再次进行逐字分析,工作量较大。

F、容易受到参与调查用户本身表达能力的影响。

以上简要介绍了NPS的概念及操作方法,以及如何通过调查理解软件产品业务驱动力。最后总结一下NPS的优缺点。

优点:与长期利润增长正相关,可操作性强,易理解和接受,能直接与竞品比较,帮助企业明确业务优先级,弥补了用户满意度调查(ACSI)所得信息太多又缺乏重点的问题。

缺点:需要结合用户的具体信息去考虑,如“生命周期”等;净推荐值≠用户满意度,它只能为企业提供“预警装置”;最后,它不能给你解释,需要结合其它定性定量的方法来分析原因。

Tips:目前对外公布的企业(付费产品),最佳NPS为50-80%,平均NPS为5-10%,有些甚至是负数。互联网公司目前也有进行该数据的统计,但没有对外公布。Satmetrix2010年对“互联网服务”的调查发现,各国的NPS有所不同,下图是法国的数据。

参考文献

[1] Mazur, J., Bylund, N.: Globalizing Gemba Visits for Multinationals. In: Transactionsfrom the 21st Symposium on Quality Function Deployment, Savannah, GA (2009)

[2] Creveling, C.M., Slutsky, J.L., Antis, D.: Design for Six Sigma, Prentice Hall, NJ (2003)

[3] Fehlmann, Th.: The Impact of Linear Algebra on QFD. In: International Journal ofQuality & Reliability Management, Vol. 21 No. 9, pp. 83--96. Emerald, Bradford, UK(2005)

[4] Fehlmann, Th.:Linear Algebra for QFD Combinators.Combinatory Metrics for Software,18 October,V1.1-7(2003)

[5] Reichheld, F.“The One Number You Need to Grow.”Harvard business Review, Dec.2003, pp.46-54.

[6] Reichheld, F. The Ultimate Question:Driving Good Profits and True Growth. Boston:HarvardBusiness School Press, 2006

[7] Richard, O., Laura, B. Answering the Ultimate Question: How Net Promoter Can Transform Your Business. Wiley,2008.

[8] Taylor,H.“Does Internet Research Work?Comparing Online Survey Results with Telephone Survey.”International Journal of Market Research, 2000, 42(1), 51-63.

版权声明:

转载请注明出自腾讯大讲堂,请勿摘录并用于商业用途发布。

原文发布于微信公众号 - 腾讯大讲堂(TX_DJT)

原文发表时间:2015-01-23

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏灯塔大数据

经验谈丨如何在一年之内成为一名数据挖掘工程师?

? ? 不管是数据分析师还是数据挖掘工程师,我们的目标都是认识数据,从数据中发现需要的信息。 ? ? 所需要的技能 ? 做数据分析,统计的知识肯定是需要的,E...

3355
来自专栏机器之心

业界 | DeepMind首次披露旗下AI专利申请情况,引发热议

DeepMind 是一家总部位于伦敦的顶尖人工智能研究公司,成立于 2010 年并于 2014 年被 Google 以 4 亿英镑收购。2017 年,DeepM...

950
来自专栏ATYUN订阅号

【业界】AI发展得有多快? 斯坦福大学给出了一份成绩单

事实证明,我们很难预测AI的新进展何时会发生。在1956年的the Dartmouth Summer Research Project研究项目中,科学家们认为也...

35310
来自专栏新智元

谷歌 TPU 的强大与局限:TPU/GPU/CPU性能功耗全面对比

【新智元导读】谷歌公布 TPU 论文(被ISCA-17 接收)引发新一轮讨论,连英伟达CEO黄仁勋都亲自撰文回应。使用 TPU 代表了谷歌为其人工智能服务设计专...

6829
来自专栏java一日一条

糟糕的程序员面试

“谷歌式”面试真心是让人又爱又恨,它糟糕透了:好的应聘者落选,坏的应聘者背背答案就能通过,呵呵。

902
来自专栏大数据文摘

人机对话这件事为什么难?| 清华x-lab人工智能研习社

1191
来自专栏大数据文摘

Teradata CTO:将筛选数据的时间用来决策,机器学习如何改变商业决策模式

2064
来自专栏钱塘大数据

【大咖说】英特尔首席工程师:大数据是上帝智能

本文作者:吴甘沙 全文3214字,建议阅读时间:5分钟 上期回顾:【大咖说】吴军:数据为王和机器智能的时代 一、大数据之道 我认为把一件事情讲清楚,就要从这五个...

3596
来自专栏大数据文摘

[干货] 一个数据科学家的新年计划

16510
来自专栏PPV课数据科学社区

【数据分析】互联网和金融,在数据挖掘上究竟存在什么区别?

一、数据挖掘的层次 一直想整理下对数据挖掘不同层次的理解,这也是这两年多的时间里面,和很多金融领域、互联网做数据相关工作的小伙伴,聊天交流的一些整理和归纳。大概...

3839

扫码关注云+社区