你不想要的NPS:推荐可能不会真的发生


意愿与行为,从二胎政策说起

二胎政策从酝酿到执行,可谓一波三折。其中反对力量主要来自卫计委,彼时卫计委认为,全面开放二胎,中国人口就要爆炸!

卫计委的推算基于2011年,中国人民大学一项针对“单独”家庭已育一孩的妇女二胎生育意愿调查:62%的“单独”夫妇想要生育第二个孩子。

那么问题来了,62%的夫妇“想要”生第二个孩子,能推出62%的夫妇“事实上会”生第二个孩子吗?

结果是:不能!2019年中国出生人口1460万,再创历史新低。开放二胎的4年来也从未达到卫计委预测的最低值。

从意愿到行为,有非常长的一段路要走。动动嘴皮子又不要负责任,用意愿预测行为,很可能是大错特错的。

NPS也是意愿的调研,而非针对实质行为。其真实的预测效度,就很可疑。
而NPS作者首次在哈佛商业评论声称:NPS与重复购买和推荐是有很积极的相关关系的。

NPS的技术缺陷

简单易懂,或者简单粗暴。NPS简单易懂,老板只要看一个数字即可。但简单,就容易粗暴。
1、计量粗糙
明明是个11分制量表,却笼统归为3类,那为什么还要用10分题呢?这跟直接给3个级别的度量指标是一样的效果:不会推荐、不确定、会推荐。
受访用户根本无法区分6分跟7分的区别。NPS虽然简单易理解,但是粗放不精确。
2、信息丢失
7分与8分并不在呈现结果中体现,对应到企业改进工作的抹杀。辛辛苦苦从0分干到6分?没有毛线作用。从8分到9分,就是100%提升。
如果作为一个KPI,显然存在更加取巧的方式。
3、统计验证
在Kristensen和Eskildsen (2014) 的系列研究中,测量超过两千位消费者满意度与忠诚度,NPS在预测这些指标的统计效果上不如EPSI和ACSI。
同时Kristensen和Eskildsen(2014)也发现数据的潜在分布可以很大地影响NPS最终值。通过控制样本量或者投放方式,就可以得到迥然不同的NPS值。


好的调研,例如Netflix

只问过往,不问前程,研究问题最好问过去的行为,而不是未来的行为。
如果受访者被问到下列问题:“你愿意尝试健康的生活方式吗?”或者“你愿意尝试少吃糖吗?”或者“你会购买这个产品吗?” —— 这些问题的要求受访者预测他们未来的行为。
比较好的例子,是Netflix:在过去的六周里,你是否有把某公司介绍给朋友或同事?
事实上,Netflix运营早期向客户提出的就是这个问题。Netflix还问了另一个关键问题:你是否经同事或朋友推荐,才使用我们服务的?
Netflix的实践中,新用户和增长率正是处于高度相关的。这些问题询问了过去的实际行为,而不是对未来行为的预测。另外,如果企业事无巨细,都希望得到NPS反馈,真的很麻烦。因为他们得到的评价毫无意义,只是一堆随机的数字。
Netflix的详细案例:https://www.npsmeter.cn/blog/55650.html