数字：净推荐值 (NPS) 并不是唯一可以依赖的数字
过去 10 多年里，公司似乎缺乏安全感。他们不断向客户询问“您会推荐我们吗？”这种趋势已经蔓延到城市、大学甚至美国童子军都在问这个问题。自 2003 年进入商界以来，它迅速流行起来，就像贾斯汀·比伯样。然而，就像“比伯一家”一样，它的实用性受到质疑，似乎没有人停止谈论它，但内心深处似乎确实有价值。
当然这个问题
越南数据分析通过提供可操作 越南数据 的市场趋势和消费者行为洞察，彻底改变了业务决策。解锁正确的数据以了解您的受众，找到增长机会并优化策略。让有效的分析通过提高客户参与度来增强您推动业务增长的明智选择。发掘您在越南市场的潜力，今天就开始您的成功之旅！
是用来计算净
推荐值（NPS）的。NPS 故事 的三句话版本是：
- 2003 年，《哈佛商业评论》发表了弗雷德·赖歇尔德 (Fred Reichheld) 的文章“增长所需的一个数字”后不久，这一概念便引起了轰动。
- 个数字”的计算方法是将“极有可能”推荐该公司的人的百分比减去“不太可能”推荐该公司的人的百分比（得出净推荐值）。
- 有人声称，通过使用这个简单的问题来管理业务，公司可以更快地发展。
已成为董事会
讨论的话题，被广泛应用于衡量和管理成功，一些公司甚至将高管和员工薪酬与实现特定的 NPS 目标挂钩。
问题是，声称该评分与增长相关其实是错误的。实际上，使用该工具的公司的增长速度似乎更慢。
正如贾斯汀比伯所说让我们步步
- 什么是 NPS？通过询问“您向朋友或同事推荐 [公司 X] 的可能性有多大（0 到 10 分）”来获取“一个数字”。然后将所得数 东亚家庭里，所有人都在困境中 | 专访《出走的决心》导演尹丽川 据汇总为推荐者（分数为 9 和 10）、贬损者（分数为 0-6）和被动者（分数为 7 和 8）。通过将推荐者的百分比减去贬损者的百分比，您就得到了净推荐值。
- 它为什么会如此受欢迎？这似乎合乎逻辑；宣传与收入相关是有道理的。这似乎可信；它发表在《哈佛商业评论》上，据称是基于数据的。它很容易监控；只需要问一个问题，一个值就可以轻松传达并用于管理绩效。
- 我们怎么知道它不起作用？为了验证这一说法，我们进行了一项实验。我们从贝恩公司（该工具的强烈支持者）报告的使用此指标的公司开始。我们选择了标准普尔 500 指数中列出的所有公司。然后，我们计算了所有这些公 销售线索 司的增长率，并将这些结果与从标准普尔 500 指数中随机抽取的同等数量的公司（总共近 100 家公司）进行了比较。我们发现的结果与您的预期相反：据报道，使用净推荐值的公司中有 62% 实现了正增长（2012 年至 2015 年复合年增长率）。然而，从标准普尔 500 指数中随机抽取的公司中有 68% 在同一时期实现了正增长。
- 即便如此，跟踪 NPS 分数也不算坏事，对吧？错了。事实证明，推荐者与批评者百分比的增加可能表明公司正在改善，但事实并非如此。为了避免过于深入研究数字，我们仅考虑一个例子（图 1 和图 2）。2015 年至 2016 年间，该公司的 NPS 增加了 5 个百分点（从 15 增加到 20）。这一增长可能被视为成功。但是，从数据来看，15 分的 NPS 分数反映出公司在客户中的地位比公司增加到 20 分时更好。
- 那么，NPS 的真正价值是什么？从商业角度来看，如果设计得当、实施有效、解释恰当，NPS 可以发挥诸多优势：它可以衡量客户情绪；它可以鼓励外部客户关注；它可以激发对话。
与贾斯汀比伯样
NPS 并不适合所有人。对于企业来说，即使您是粉丝并已采用衡量 NPS 的流程，深入了解也至关重要。提出一个“神奇”问题可能看起来很诱人，并且可以提供一个参考点。然而，将员工薪酬与 NPS 挂钩是不明智的。在倾听客户意见时，要依靠各种问题，并关注客户在选择您提供的产品或服务时认为最重要的属性；“推荐”可能是其中的一部分，但不太可能是唯一的部分。
不要再使用除法了
最后，你可能不得不限制你的量化目标。例如，对于我们示例中的 5,000 个目标，如果你将可接受的误差幅度调整为 5%，则只需要 357 个响应。你可能还不得不停止在计算器上进行除法。假设利益相关者希望将研究结果投射到英国、法国、德国、俄罗斯和美国，如果你没有足够的响应来有意义地做到这一点，请不要尝试。说真的，不要试图从 10 个不同的国家/地区收集 357 个响应并为每个国家/地区进行预测。这只是糟糕的数学。
此外您可能必须
限制基于人物、头衔或行业的分析水平。例如，如果您正在研究关键的购买标准，您可能能够弄清楚一个组织的购买方式以及谁是典型购买委员会的成员。但您无法深入了解每个买家的购买方式或受到影响的方式。
不要传递幻想。尽量避免将错误数据作为坚定的结论。如果你的调查样本不能准确代表你试图研究的人群，你可能不得不做出艰难的选择，完全放弃量化分析。否则，你会根据有缺陷的统计数据做出一系列错误的决定。
