用户虔诚度指标:净保举值(NPS)
本文摘要:订阅专栏撤销订阅 大众号《夜漫产品》业余做面试辅导简历优化1.4万63净引荐值(NPS)是一种计量某个客户将会向其别人引荐某个企业或效劳可能性的指数。当我们想知道用户对产品有什么定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。
订阅专栏撤销订阅 大众号《夜漫产品》业余做面试辅导简历优化

1.4万

63

净引荐值(NPS)是一种计量某个客户将会向其别人引荐某个企业或效劳可能性的指数。

当我们想知道用户对产品有什么定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,一个十分常见的问题是:

“您是否会情愿将“品牌名 产品名”引荐给您的朋友或者同事?”

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

我们火急需要了解用户对app的真实使用感受与评价,因此抉择基于NPS做一次用户调研,意图是核算App的NPS值,并且找出低评价的元素。

定位了低分元素后,会依据其比重辅导之后的产品优化方向与重心。

基于网上已有的NPS调研方法,通过整理构成了合适自己产品的方案:

接下来就依照这个方案去详细执行:

这里可以了解为净引荐值和满意度有一定的相关性,即我们所认为的,假如对产品满意的话,那么他有一定意愿引荐给其别人使用。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怀,这里主要细分到满意度。

全体满意度是整个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全体满意度的相关性。因此下一步我们需要知道哪些因素会影响用户对产品的全体满意度,并且是我们关怀的。

确认满意度因素

这里我和各个部门交流,向他们收集可能影响用户满意度的因素,这里每一个因素的满意度都会直接影响到用户对App的全体满意度。因此我需要提前确定我们重视哪些因素。

这样在实践的调研中就能够通过数据定位用户满意度在哪块对错常低的,从而进行针对性的优化。(图中为示例,非真实数据)

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

年纪、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

首要是全体满意度:“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表明十分不满意,5表明十分满意):

信息传达功率(1,2,3,4,5) 页面美观(1,2,3,4,5) 操作流畅性(1,2,3,4,5)

终究是NPS值:“你向朋友或同事引荐使用app的可能性有多大?(0-10分)”

这些问题分别算的是全体满意度、各因素满意度、NPS值。

投放方式与渠道

前期方案通过短信形式向早年使用过我们App的人投放,但因为存在很多的流失用户,经测试,使用短信的回收率过低,从而导致样本数过少。因此抉择在App内通过Banner展示形式向所有活跃用户投放。

这样投放的优点在于样本数足够,害处在于因为已流失用户未计入样本中,会导致全体满意度和NPS偏高。

这里建议假如有条件,尽量仍是通过短信方式定向人群投放,这样可以保证投放规模即在抱负的随机规模内,保证收集数据的客观性与随机性。

通过第三方调研问卷的东西(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核算、数据分析的工作了

数据分析主要依靠的是spss东西,核算的是各因素的均匀满意度以及和全体满意度的相关系数,即各因素的重要性。详细的核算方式网上都有现成的核算公式,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):

即每一个因素都管帐算出两个指标: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全体满意度的相关性。

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

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散布的图,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当地,有优势的当地,优先级不高的当地,以及继续坚持即可的当地。

再细分,可以依照不同类型事务来分,如下:

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

NPS核算

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

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; NPS在整个行业中属于偏高水平,但因为统计规范不一致,因此存在一定差错; 最终将问题定位在1,2,3,4,5等因素上,这些因素是显着重要性很高,但满意度很低的因素。说明用户十分垂青这些因素,但其实不满意。

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,并且定位其时优先级高的问题,并观察解决效果。

欢迎我们来评论~

#专栏作家#

王伟华,微信大众号:夜漫产品(learnerwwh),一只略带文艺情怀的产品汪,拿手社交,资讯领域产品,心思学喜好者,现在正处于常识体系搭建阶段。

本文原创发布于人人都是产品主管,未经答应,不得转载。

题图来自Unsplash,基于CC0协议


文中假设“这里可以了解为净引荐值和满意度有一定的相关性,即我们所认为的,假如对产品满意的话,那么他有一定意愿引荐给其别人使用。”想知道,全体满意度和NPS的相关系数是多少?假设是否得到验证?


请问各因子满意度和重要性散布的四分图是怎么得出来的呀,为何一项要素对应多个坐标点,并且还区分不出来呢,谢谢大佬


不是一项要素,而是一类要素。比如运营类的要素有5个,我们不知道这5个哪一个差,那就把这5个元素的坐标标出来。横轴中线是所有元素横坐标的均值,纵轴一样。


人人都是产品主管(woshipm)是以产品主管、运营为核心的学习、交流、分享平台,集媒体、培训、社群为一体,全方位效劳产品人和运营人,建立9年举行在线讲座500+期,线下分享会300+场,产品主管大会、运营大会20+场,掩盖北上广深杭成都等15个城市,内行业有较高的影响力和知名度。平台集合了众多BAT美团京东滴滴360小米网易等知名互联网公司产品总监和运营总监,他们在这里与你一同生长。

相关内容