文章從預測性NPS是什麼、為什麼要使用、怎麼使用和其局限性4個方面對預測性NPS展開了討論，一起來看看~
當你在向公司領導彙報完本期的NPS數據表現，詳細分析上升、下降變化原因后；會議上有人challenge你：未來NPS的走向是什麼樣的？如果不加人為控制，NPS值最高/低是多少？
也許你依據經驗迅速反饋了一個數據。有人繼續challenge你：預測的依據是什麼？你是如何保證科學性的？瞬時你會感覺敵方「攻擊力」達到了「火力全開」；小編曾經也遇到過類似challenge 的場景，今天就和大家分享下如何「開掛」擊退「敵方」。
一、什麼是預測性NPS
相信不少互聯網用戶研究/體驗師聽說過RNPS、TNPS或者CNPS等，但預測性NPS不少人還是第一次聽說。很多人的下意識反應：這是個什麼鬼？是正宗的NPS嗎？
預測性NPS是不直接與調研用戶接觸，基於歷史NPS數據，將結構性和非結構性數據源轉變為評分的輸入，利用馬爾科夫鏈，預測未來NPS的走向。
使用預測性NPS的前提是滿足馬爾科夫鏈中的「馬氏性」和「平穩性」，
也就是假定每期NPS值只與上期NPS結構（貶損、中立、推薦）有關，而與其餘前期的狀態無關，這就滿足了「馬氏性」。
同時，在外部經濟環境穩定、社會輿論穩定、人口特徵比較穩定、企業管理技術和方法沒有發生重大變化的情況下，可以認為用戶推薦態度由一種狀態轉移到另一種狀態的概率在各期是保持不變的，即每期的轉移概率矩陣基本保持穩定，滿足了馬氏鏈的「平穩性」要求。
這樣，就可以通過往期的數據資料模擬出比較精確的預測性NPS。
貝恩公司公開推廣預測性NPS在2018年，其最早有跡可循的是其公司官網在2017年發表的一篇文章：「The Future of Feedback: Sometimes You Don’t Have to Ask」
二、為什麼要採用預測性NPS
1. 預測性NPS的洞察更全面、不受回收用戶的限制
現在幾乎全部的NPS調研都是通過發放問卷，讓用戶填寫；但問卷調研的天然短板限制了不一定所有用戶都會回答問卷，這樣實際NPS值，也就是對客戶推薦度的有限了解和洞察。
預測性NPS基於往期受訪者，對「從未響應」的用戶進行推測，得到的預測性NPS值，可以更加全面、不受限制的了解和洞察用戶。
2. 減輕用戶調研負擔，快速洞察
現在常規的問卷調研，無論線上還是線下，遇到的顯著問題就是：回收率較低、回收用戶結構有偏差、用戶因經常收到調研問卷，而產生抱怨、惱怒等負面情緒；但預測性NPS可以跳過直接調研，減輕用戶的「調研負擔」。
常規的NPS調研，從問卷制定、用戶選取、問卷推送、數據分析、報告呈現，最快也需要15-30天左右的時間。預測性NPS，基於歷史數據，通過優化分析和決策制定，可以更快速地執行洞察和服務補救；可以讓你在一日、甚至幾個小時之內，得到未來多期的數據。
三、預測性NPS是怎麼計算的
舉個例子，A公司NPS調研按照月度進行，1月NPS值為30%（推薦、中立、貶損分別為50%、30%、20%）；想知道在目前形式保持不變的情況下，12個月後的NPS值是多少？
第一步：選取1月回收的推薦、中立、貶損各4K名用戶（按照回收400，回收率10%，推算），再次發送NPS問卷。
第二步：計算原來推薦用戶新的態度佔比，即回收用戶中推薦、中立、貶損的佔比；假設原來推薦用戶中推薦、中立、貶損的比例分別為（70%，20%，10%）；原來中立用戶中推薦、中立、貶損的比例分別為（30%，60%，10%）；原來貶損用戶中推薦、中立、貶損的比例分別為（10%，40%，50%）；
第三步：預測推算
- 2月份的NPS值為S2=S1*P，(倆矩陣相乘)，其中S1=（50%，30%，20%），P就是轉化率；
- 3月份的NPS值為S3=S2*P，(跟S1無關，只跟S2有關)
- 4月份的NPS值為S4=S3*P，(跟S1、S2無關，只跟S3有關)
- …
- 12月份的NPS值為S12=S11*P，(只跟它前面一個狀態相關)
具體，S2的詳細計算過程，可以參考如下腦圖：
四、預測性NPS的局限性
1. 很難預測新服務的客戶體驗
如上所述，預測性NPS是基於過往歷史NPS數據進行的計算，新服務/產品由於沒有過往數據，而無法預測。
2. 預測性NPS只是用戶體驗數據源的擴充，而非取代直接用戶調研
眾所周知，NPS是主觀的用戶體驗指標，很容易受到輿論的影響；預測性NPS的前提條件是在現有狀態保持不變的情況下，其中主要的一個維度就是社會輿論，因此預測性NPS只是對現有NPS的無限進化。但現在社會輿論變化極快，因此也決定了預測性NPS不能代替每期直接的用戶調研，只能是作為用戶體驗數據源的擴充。
作者：三金體驗；微信公眾號：用戶在左 體驗在右