NPS的归因分析

在NPS的分析工作中,对于重点问题的定位和NPS产生变化的原因挖掘一直是亟待解决的难题。一方面NPS的分值只能代表用户整体的认知,只有将问题映射到NPS的子项中,才能帮助业务准确的定位问题,进而找到解决问题的抓手;另一方面,当整体的NPS产生一定程度的变化时,能够及时挖掘出导致整体变化的主要原因,帮助业务有针对性的改善问题,对于止损和提升用户NPS起着至关重要的作用。

本文从NPS重点问题定位和NPS变化原因挖掘两个角度出发,详细阐述NPS归因分析的方法和具体算法,希望能够对读者有一定的借鉴价值并欢迎一起探讨。


一、重点问题定位

首先,我们认为,在NPS问卷中用户对0-10分完成选择后,进入到Q2问题也就是具体的推荐贬损原因子项时,做出任何一个子项的选择,都代表对此类问题的关注,也一定程度上体现了此类问题在用户心中的重要性。因此,我们通过选择某一NPS子项问题的用户数占所有参加NPS问卷调研的用户数的比例来定义关注度这个指标,衡量NPS子项问题的重要性。

子项关注度=选择NPS子项问题的用户数/参加NPS问卷调研的总用户数

其次,对于每一个NPS子项问题来说,关注它的用户中推荐者和贬损者人数占比的差异,即子项NPS本身也是这个子项问题在用户心中推荐程度最直接的体现。

子项NPS=子项的推荐者占比-子项的贬损者占比
                      
为了综合评价每个子项问题在NPS问卷中发挥的作用,我们将关注度和子项NPS相乘,作为针对每一类NPS问题相对客观的衡量。乘积较大者,可作为NPS正向问题中的代表,乘积较小者(考虑正负),则是NPS中负向贡献较多,用户反馈较差的问题。例如,一个业务线的总体NPS为30%,其中一个子项问题的关注度为30%,其推荐者和贬损者占比的差异又达到了33%,则这个NPS子项的初始贡献值为30%*33%=10%。

但我们还需要考虑一个问题,即NPS问卷对于Q2中的子项问题是否有选择个数的限制,如果个数限制不是1,则会造成一个推荐者的声音在若干个子项中有所体现,有必要对当前的初始贡献值进行修正。

在这里,我们采用著名心理学家凯利提出的归因模型中的折扣原则,即如果在归因的过程中有多种因素共同产生作用时,需要将各因素进行不同的加权处理。在NPS归因的应用中,对于同时选择多个子项问题的用户,我们在无法衡量其所选子项的重要顺序时,赋予各子项问题相同的权重w,达到每个用户声量总和的归一化,即当一个推荐者同时选择3个子项时,每个子项均代表于1/3个推荐者声音,则修正后子项贡献值=SUM(加权后推荐者数量)-SUM(加权后贬损者数量)/总人数。

权重w=1/用户所选择子项NPS的数量
                       
至此,我们对于NPS重点问题的筛选和定位方法已经有了一套相对完整的算法,可以对每个子项NPS分别计算贡献值,由于考虑到了每个用户在各子项NPS声量总和的归一化,采用这套算法后每个NPS子项分值的算术和,刚好等于总体的NPS分值,这个数学特征对后续我们深入进行NPS变化的分析以及客群差异的对比分析有着重要的作用。

二、变化原因挖掘

       当NPS在一段时期中出现显著变化时,我们希望找到产生变化的主要原因,也就是定位出对于整体NPS变化贡献较大的子项问题。这里我们采用上面的子项NPS贡献值指标,来测算在两个统计周期中子项贡献值的变化幅度对于整体NPS变化的影响。例如,在NPS整体下降5%的情况下,其中某子项NPS贡献值下降了3%,则其对于整体变化的贡献度为60%,当然,也会存在某些子项贡献值与整体NPS变化的方向相反,则为负向贡献因素。最终,全部子项的贡献度总和为100%。                
                         

同样,对于两个不同特征客群间NPS的差异,我们也可以通过子项贡献度模型定位出各个问题对不同客群的影响,并量化不同子项贡献值差异在整体客群NPS差异中的贡献度,找出造成不同客群间差异的主要原因。

综上所述,我们可以利用数据模型,监控用户的主观体验变化,定位体验(NPS)变化的根本原因,并进一步结合客观业务指标,来指导优化业务,提升用户体验,形成真正的体验闭环。