NPS 净推荐值分析
Contents
1 背景........................................................................................................................2
2 理论........................................................................................................................2
3 操作........................................................................................................................2
4 SPSSAU 输出结果 .................................................................................................3
5 文字分析.................................................................................................................3
6 剖析........................................................................................................................4
NPS 净推荐值，是用于研究用户向他人推荐某品牌/产品/服务可能性的指数，
用于了解用户对品牌/产品/服务的主动推荐意愿情况，是一个常见的忠诚度指标。
NPS 净推荐值的数据收集方式很简单，只需要设计一个问卷题，比如“你向朋
友/同事推荐使用 SPSSAU 的可能性有多大（打分 0~10 分）”，最低打分为 0 分，
最高为 10 分，分值越高代表推荐意愿越强。收集完成数据后直接进行计算即可。
首先将分值进行分组，共分为三组，分值介于 0~6 分为贬损者，分值介于 7~8 分为
被动者，分值高于 8 分为推荐者；当然希望推荐者越多且贬损者越少越好，而 NPS
值则衡量这种推荐程度，NPS 值计算公式为：NPS 值=推荐者% - 贬损者%，即推
荐者的占比减去贬损者占比。
至于 NPS 值多高算高，这并没有固定标准，通常 50%是一个比较高的值。研究
者可收集多次数据，然后对比查看 NPS 值及 3 种类型用户的变化情况，综合衡量用
户的忠诚度变化情况。
1 背景
当前市场部门同事希望研究公司品牌的忠诚度情况，分别在年初，年中和
年末收集三次 NPS 数据，每次收集的样本数据为 116 份。现希望了解用户的忠
诚度情况，并且判断忠诚度变化情况。
2 理论
NPS 的计算非常简单，首先需要注意一点，即数据打分一定是介于 0~10
分（包括 0 分和 10 分），数字越大代表推荐可能性越高。将分值进行分组，分
值介于 0~6 分为贬损者，分值介于 7~8 分为被动者，分值高于 8 分为推荐者，
当然分组的过程由 SPSSAU 自动处理，最终计算 NPS 值，其计算公式为 NPS
值=推荐者% - 贬损者%。
特别提示：
NPS 原始数据分值一定需要介于 0~10 分之间（包括数字 0 和 10），
如果不是这样，可使用 SPSSAU 数据处理->数据编码进行处理，将数
字进行替换后再分析 NPS。
3 操作
本例子中共收集三次 NPS 数据，除了想了解用户的忠诚度情况，还想查
看用户忠诚度的变化情况，操作截图如下：
如果想把用户类别（即贬损者，被动者和推荐者）保存起来，用于其它的
分析使用，比如研究不同性别群体（如果有这样的数据）与用户类别的差异情况，那么
选中‘保存类别’项即可。
4 SPSSAU 输出结果
SPSSAU 共输出 2 类表格；第一个表格是各分数段占比情况，该表格列
出 0~10 分时，分别每个分数的占比百分比情况（或者数字频数情况）；第二
个表格展示各类型占比（或数字频数情况）及 NPS 值，并且通过图形展示结
果。
5 文字分析
% % %
%
第3次NPS打分 % % % % % % % %
% % % % % %
% % % % %
第2次NPS打分 % % % %
8分 9分 10分
第1次NPS打分 % % % % % %
各分数段占比情况
项 0分 1分 2分 3分 4分 5分 6分 7分
上表格展示各打分值的占比情况，明显可以看到，打分基本集中在 5 分或以上，
以 8~10 分较多，特别需要注意 5 分即贬损者的情况，第 2 次时占比较高。同时第 1
次 NPS 打分时，有个别样本会选择 1，2，3 分，可能有个别用户对产品产生反感情
绪。
上表格展示出三种类型用户，分别三次 NPS 打分的占比情况，并且可通过下图
查看数据情况。从 NPS 值来看，第 1 次和第 2 次均在 10%左右，推荐者比贬损者
占比多出 10%左右，整体用户忠诚度相对不高，第 3 次时 NPS 值为 %，明显高
于第 1 和第 2 次，意味着用户忠诚度有着明显的提升。
6 剖析
涉及以下几个关键点，分别如下：
第3次NPS打分 % % % %
第1次NPS打分 % % % %
第2次NPS打分 % % % %
各类型占比情况
项 贬损者（0~6分） 被动者（7~8分） 推荐者（9~10分） NPS值
NPS 原始数据分值一定需要介于 0~10 分之间（包括数字 0 和 10），
如果不是这样，可使用 SPSSAU 数据处理->数据编码进行处理，将数
字进行替换后再分析 NPS。
如果想把用户类别（即贬损者，被动者和推荐者）保存起来，用于其
它的分析使用，比如研究不同性别群体（如果有这样的数据）与用户
类别的差异情况，那么选中‘保存类别’项即可。
