域名频道资讯站
我们一直在努力制造惊吓

用户忠诚度指标:净推荐值(NPS)


净推荐值(NPS)是一种计量某个客户将会向其他人推荐某个企业或服务可能性的指数。

用户忠诚度指标:净推荐值(NPS)

当我们想知道用户对产品有什么意见或对产品是否满意时,常常会通过用户调研的形式去了解用户的真实感受。而在用户调研中,一个非常常见的问题是:

“您是否会愿意将“品牌名&产品名”推荐给您的朋友或者同事?”

这个问题其实调研的就是净推荐值,也叫NPS,意在了解用户对该品牌或产品主动推荐的意愿,是一个常见的用户忠诚度指标。

背景

我们迫切需要了解用户对app的真实使用感受与评价,因此决定基于NPS做一次用户调研,目的是计算App的NPS值,并且找出低评价的元素。

定位了低分元素后,会根据其比重指导之后的产品优化方向与重心。

准备

基于网上已有的NPS调研方法,经过整理形成了适合自己产品的计划:

用户忠诚度指标:净推荐值(NPS)

接下来就按照这个计划去具体执行:

用户忠诚度指标:净推荐值(NPS)

这里可以理解为净推荐值和满意度有一定的相关性,即我们所认为的,如果对产品满意的话,那么他有一定意愿推荐给其他人使用。因此引入了一个相关系数k来代表二者的相关性。

用1-k来代表其他因素,比如品牌影响力。其他因素我们赞不关心,这里主要细分到满意度。

整体满意度是整个APP的满意度,可以细分为各分子的满意度以及其重要性,重要性指的是各分子满意度和整体满意度的相关性。因此下一步我们需要知道哪些因素会影响用户对产品的整体满意度,并且是我们关心的。

确认满意度因素

用户忠诚度指标:净推荐值(NPS)

这里我和各个部门沟通,向他们收集可能影响用户满意度的因素,这里每个因素的满意度都会间接影响到用户对App的整体满意度。因此我需要提前确定我们关注哪些因素。

这样在实际的调研中就可以通过数据定位用户满意度在哪块是非常低的,从而进行针对性的优化。(图中为示例,非真实数据)

设计问卷

问卷问题的设计,主要包括2个方面:

1. 用户画像的相关问题

年龄、性别、身份、受教育程度、收入水平、找工作类型、找工作频率(产品属性是招聘类,因此需要知道找工作的画像);

用户画像的相关问题,在于做问卷分析时,比较不同类型用户的数据差异,从而得出客观全面的结论。

2. 用户满意度相关问题

首先是整体满意度:“你对pp的满意程度(1-10分)”;

然后是各个因素满意度:

“你对产品设计的满意度(1表示非常不满意,5表示非常满意):

  • 信息传达效率(1,2,3,4,5)
  • 页面美观(1,2,3,4,5)
  • 操作流畅性(1,2,3,4,5)
  • ……”

最后是NPS值:“你向朋友或同事推荐使用app的可能性有多大?(0-10分)”

这些问题分别算的是整体满意度、各因素满意度、NPS值。

投放方式与渠道

前期计划通过短信形式向曾经使用过我们App的人投放,但由于存在大量的流失用户,经测试,使用短信的回收率过低,从而导致样本数过少。因此决定在App内通过Banner展示形式向所有活跃用户投放。

这样投放的好处在于样本数足够,坏处在于由于已流失用户未计入样本中,会导致整体满意度和NPS偏高。

这里建议如果有条件,尽量还是通过短信方式定向人群投放,这样可以保证投放范围即在理想的随机范围内,保证收集数据的客观性与随机性。

通过第三方调研问卷的工具(问卷星,金数据等)生成问卷后,即可进行投放。接下来就是最重要的数据计算、数据分析的工作了

数据分析

数据分析主要依靠的是spss工具,计算的是各因素的平均满意度以及和整体满意度的相关系数,即各因素的重要性。具体的计算方式网上都有现成的计算公式,这里不再细讲。

最终会得到这样一份数据(图中数据为实例,非真实数据):

用户忠诚度指标:净推荐值(NPS)

即每个因素都会计算出两个指标:满意度、重要性

满意度代表这个因素的独立满意度

重要性代表这个因素的满意度和整体满意度的相关性。

通过对用户画像的组合,我们可能会得到多组不同画像用户的数据。同上图,接下来就是将各个因素进行组合分析。

四分图模型

用户忠诚度指标:净推荐值(NPS)

横轴为重要性,纵轴为满意度,将各个因素按其数据代入图中,我们会得到这样一个四象限分布的图,也叫四分图模型。

这个模型即客观反馈了我们需要重要优化的地方,有优势的地方,优先级不高的地方,以及继续保持即可的地方。

再细分,可以按照不同类型业务来分,如下:

用户忠诚度指标:净推荐值(NPS)

从图中可以看到,需要优先改进的是活动真实性、活动更新频率。它们的重要性很高,但满意度却很低。因此我们需要重点关注这3个方面的优化问题。

NPS计算

用户忠诚度指标:净推荐值(NPS)

净推荐值(NPS)=(推荐者数/总样本数)×100%-(贬损者数/总样本数)×100%。

结论

  1. 不同用户画像的满意度数据存在差异,比如学生用户对用户体验方面要求更高,因此在用户体验方面的满意度会偏低;比如女生用户更看中运营活动;
  2. NPS在整个行业中属于偏高水平,但由于统计标准不一致,因此存在一定误差;
  3. 最终将问题定位在1,2,3,4,5等因素上,这些因素是明显重要性很高,但满意度很低的因素。说明用户非常看重这些因素,但并不满意。

通过以上结论,我们可以定时去监测用户对产品的满意度变化,并且定位当前优先级高的问题,并观察解决效果。

欢迎大家来讨论~

本文素材来自互联网

赞(0)
分享到: 更多 (0)

中国专业的网站域名及网站空间提供商

买域名买空间