什么是预测性NPS

当你在向公司领导汇报完本期的NPS数据表现，详细分析上升、下降变化原因后；会议上有人challenge你：未来NPS的走向是什么样的？如果不加人为控制，NPS值最高/低是多少？

也许你依据经验迅速反馈了一个数据。有人继续challenge你：预测的依据是什么？你是如何保证科学性的？瞬时你会感觉敌方“攻击力”达到了“火力全开”；小编曾经也遇到过类似challenge 的场景，今天就和大家分享下如何“开挂”击退“敌方”。

一、什么是预测性NPS

相信不少互联网用户研究/体验师听说过RNPS、TNPS或者CNPS等，但预测性NPS不少人还是第一次听说。很多人的下意识反应：这是个什么鬼？是正宗的NPS吗？

预测性NPS是不直接与调研用户接触，基于历史NPS数据，将结构性和非结构性数据源转变为评分的输入，利用马尔科夫链，预测未来NPS的走向。

使用预测性NPS的前提是满足马尔科夫链中的“马氏性”和“平稳性”，

也就是假定每期NPS值只与上期NPS结构（贬损、中立、推荐）有关，而与其余前期的状态无关，这就满足了“马氏性”。

同时，在外部经济环境稳定、社会舆论稳定、人口特征比较稳定、企业管理技术和方法没有发生重大变化的情况下，可以认为用户推荐态度由一种状态转移到另一种状态的概率在各期是保持不变的，即每期的转移概率矩阵基本保持稳定，满足了马氏链的“平稳性”要求。

这样，就可以通过往期的数据资料模拟出比较精确的预测性NPS。

贝恩公司公开推广预测性NPS在2018年，其最早有迹可循的是其公司官网在2017年发表的一篇文章：“The Future of Feedback: Sometimes You Don’t Have to Ask”

现在几乎全部的NPS调研都是通过发放问卷，让用户填写；但问卷调研的天然短板限制了不一定所有用户都会回答问卷，这样实际NPS值，也就是对客户推荐度的有限了解和洞察。

预测性NPS基于往期受访者，对“从未响应”的用户进行推测，得到的预测性NPS值，可以更加全面、不受限制的了解和洞察用户。

现在常规的问卷调研，无论线上还是线下，遇到的显著问题就是：回收率较低、回收用户结构有偏差、用户因经常收到调研问卷，而产生抱怨、恼怒等负面情绪；但预测性NPS可以跳过直接调研，减轻用户的“调研负担”。

常规的NPS调研，从问卷制定、用户选取、问卷推送、数据分析、报告呈现，最快也需要15-30天左右的时间。预测性NPS，基于历史数据，通过优化分析和决策制定，可以更快速地执行洞察和服务补救；可以让你在一日、甚至几个小时之内，得到未来多期的数据。

举个例子，A公司NPS调研按照月度进行，1月NPS值为30%（推荐、中立、贬损分别为50%、30%、20%）；想知道在目前形式保持不变的情况下，12个月后的NPS值是多少？

第一步：选取1月回收的推荐、中立、贬损各4K名用户（按照回收400，回收率10%，推算），再次发送NPS问卷。

第二步：计算原来推荐用户新的态度占比，即回收用户中推荐、中立、贬损的占比；假设原来推荐用户中推荐、中立、贬损的比例分别为（70%，20%，10%）；原来中立用户中推荐、中立、贬损的比例分别为（30%，60%，10%）；原来贬损用户中推荐、中立、贬损的比例分别为（10%，40%，50%）；

第三步：预测推算

具体，S2的详细计算过程，可以参考如下脑图：

如上所述，预测性NPS是基于过往历史NPS数据进行的计算，新服务/产品由于没有过往数据，而无法预测。

众所周知，NPS是主观的用户体验指标，很容易受到舆论的影响；预测性NPS的前提条件是在现有状态保持不变的情况下，其中主要的一个维度就是社会舆论，因此预测性NPS只是对现有NPS的无限进化。但现在社会舆论变化极快，因此也决定了预测性NPS不能代替每期直接的用户调研，只能是作为用户体验数据源的扩充。

——————

数据分析能帮助企业发现很多问题，但是超过80%的人都不擅长，也很难为此投入太多精力。

「满意吧」作为专业的在线满意度调研平台，我们通过顶尖行业专家的精妙算法，将企业服务与管理相关的问题通过智能算法形成任何人都能看懂的可视化图表，数据无需人工分析；最妙的是，多达7类20个维度的数据分析报告全部自动生成，它们将为您的企业提供更深入透彻的调研反馈和分析。