大家好，又见面了，我是你们的朋友全栈君。
1.NPS监控原理及意义
原理：
通过定期调研市场用户的净推荐值，牵引质量在具体领域的改进；
优势：
践行绝对的用户导向
以NPS为主线进行融合分析（将品牌影响力、产品销量、市场份额与历史数据表现联系起来）
2.NPS数据回收
以手机产品为例，从用户使用产品之日起的整个使用体验周期分三次发送调研问卷：首月，6月，18月；
问卷题目设置：
满意度（0-10），推荐度（1-10），打分原因，回访意愿，其他信息（非必填）
3.NPS监控指标体系
NPS：产品NPS
NPS1,NPS2,NPS3：按生命周期阶段分NPS1,NPS2,NPS3
δNPS：阶段差值为δNPS=NPSM-NPS1
领域NPSM
关注度
好评率
差评率
**用户群九宫格分群：**
核心产品NPS=绝对推荐-绝对贬损
绝对好评=绝对推荐=9-10分好评
绝对差评=绝对贬损=0-6分差评
（与产品NPS的相关性>90%即可代表核心NPS使用）
领域好评容忍度=好评贬损用户观点数/领域总观点数
领域差评容忍度=差评推荐用户观点数/领域总观点数
**贡献度计算：**
贡献度的计算引入了扩充系数贝塔，从而将核心NPS的样本范围从有观点用户扩充到全量打分用户，可以避免因有观点/无观点打分用户间分数的不均匀分布（无观点用户高分多，有观点用户吐槽多）带来的偏差
贡献度是体现NPS在领域表现的综合性指标，贡献度的影响因子有：绝对推荐、绝对贬损、关注度；这三个因子导致的NPS变差，需要采取不同的策略优化；
4.NPS数据处理
5.NPS分析逻辑
NPS 数据配合FFR+舆情数据使用，精准定位目标用户群+目标场景
NPS监控：当周期NPS（下降的机型）—>当周期下降机型（需关注的模块）
NPS分析：NPS监控中（需关注的机型模块）—>小版本对比—>场景陈列—>领域改善建议（提升关注度、提升好评、减少差评）—>已有策略进展
6.其他
如果无GDPR等隐私限制，还可以通过用户的社会属性字段数据进行用户画像分析，得出需重点关注的用户群体与功能领域
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/136852.html原文链接：https://javaforall.net
