作者對凈推薦值（NPS）的使用進行了新的嘗試，以客戶評論數(shù)據(jù)切入，劃分推薦者和貶損者，他認為這種方法更有效率獲取到客戶體驗的態(tài)度數(shù)據(jù)，那么具體該如何進行分析，如何從結(jié)果中找到可改進的痛點？文章中進行了說明，感興趣的朋友一起來看看吧~

隨著數(shù)字化轉(zhuǎn)型的浪潮席卷，客戶體驗的接觸點變得愈發(fā)離散。

傳統(tǒng)的凈推薦值（NPS）采取問卷調(diào)查為載體進行，填答率通常在5-8%左右，即便是在抽樣之前進行了配比控制，小樣本的調(diào)研還是會造成抽樣偏差。

對凈推薦值（NPS）不了解的朋友，可以先閱讀：

凈推薦值(NPS)完整行動指南

NPS如何在企業(yè)進行應(yīng)用實踐

NPS 3.0：凈推薦值的補充性財務(wù)指標 – “贏得性增長率(EGR)”

我在想，是不是可以通過把散落在各處的客戶反饋進行整合，以評論數(shù)據(jù)去理解和分析客戶體驗，而不必局限于詢問客戶：你有多大可能性將 [品牌/產(chǎn)品/服務(wù)] 推薦給朋友或同事？

在最近企業(yè)咨詢的項目中，我對凈推薦值（NPS）的使用進行了新的嘗試。

以客戶評論數(shù)據(jù)切入，通過 NLP 分析客戶的情緒傾向，量化計算生成凈推薦值（NPS），以此劃分推薦者和貶損者。

這種方法解決問卷調(diào)查在“數(shù)據(jù)樣本獲取成本、樣本覆蓋率、分析標準一致性，以及缺乏定性信息解釋原因”等問題，可以更有效率獲取到客戶體驗的態(tài)度數(shù)據(jù)，并從中找到發(fā)力點。

這或許是凈推薦值（NPS）使用的新趨勢，一起來了解一下。

一、為什么選擇評論數(shù)據(jù)？

相比于問卷調(diào)查，客戶其實更加傾向于對所消費的產(chǎn)品或服務(wù)進行評論。在線客戶評論作為線下口碑的網(wǎng)絡(luò)延展形式，具有信源可信度高、獲取成本低且不受時間和空間限制等特點，這些評論也在客戶決策參考信息中發(fā)揮著巨大的作用。

研究發(fā)現(xiàn)，客戶的在線評論會影響客戶的決策以及企業(yè)的銷售量，這會給企業(yè)帶來間接的價值（趙萌&齊佳音，2014）。像去逛線上購物會先去看評論、買家秀，去線下吃飯會先去看大眾點評，去看電影先去看豆瓣評分等，潛在客戶會受到這些評論的影響，做出消費行為。

相比之下，雖然客戶并未直接回答凈推薦值（NPS）的問題，但是在進行評價的過程中，同時滿足了「回顧過程+目標對象+推薦動機」的推薦行為三要素。

（“三要素”概念解讀請閱讀：問卷設(shè)計：NPS/CSAT要先問還是后問？）

1）回顧過程：

客戶評論是歷經(jīng)了一個完整的回顧，即思考這個產(chǎn)品或服務(wù)哪里好（壞）。

2）目標對象：

由于大家消費大多會去瀏覽評論，那么客戶在評價的過程，其實是有目標對象的，就是那些未來準備購買的人。

3）推薦動機：

從這一層關(guān)系上推論，客戶在描繪對產(chǎn)品或服務(wù)態(tài)度的同時，在當下社會的消費語境中，自我增強（利己/聲譽/經(jīng)濟激勵）、維權(quán)、負面情緒發(fā)泄等動機會助推客戶評論，讓間接推薦的行為得以順利發(fā)生。

此外，在 Dellarocas,C. & Narayan（2005）的研究中發(fā)現(xiàn)，客戶對產(chǎn)品的滿意度和口碑傳播呈 U 形關(guān)系，即客戶會對產(chǎn)品或服務(wù)「非常滿意」或「非常不滿意」會積極給與反饋評論，這與凈推薦值（NPS）在理念上也是一致的。

因此我認為，反饋評論數(shù)據(jù)可以用作詢問凈推薦值（NPS）問題的替代品。

二、評論的情緒分析

我們知道人類自然語言中的情感色彩非常豐富，一般會包括情緒（悲傷/快樂）、心情（自在/郁悶）、喜好（喜歡/討厭）、個性（張揚/靦腆）、立場（剛正/搖擺）等等。

情緒分析也稱為“意見挖掘”，主要通過技術(shù)手段去自動分析客戶評論中隱含的情緒傾向，并通過數(shù)值化方式表達。目的是幫助企業(yè)了解客戶對產(chǎn)品/服務(wù)的感受，為產(chǎn)品/服務(wù)改進提供依據(jù)，更好地進行商業(yè)決策。

情緒分析的目標就是從客戶評論的非結(jié)構(gòu)化的文本抽取出「實體、屬性、觀點、觀點持有者、時間」這五個要素，并且對它們的關(guān)系進行分析，最終得出評論內(nèi)容表達的情緒傾向性。其中實體和屬性合并稱為評價對象（target），而觀點持有者與時間這兩個要素可依分析需要加入。

而評論要實踐凈推薦值（NPS）理念的話，需要用到的是情緒分析中的極性分類（Polarity Classification）能力。即在客戶評論的內(nèi)容中，通過情緒極性分析歸類為正面、負面和中性。

正面：表示正面積極的情緒，如高興，幸福，驚喜，期待等。

中性：表示客觀的陳述事實，不涉及個人情緒色彩的表態(tài)，或者是不相關(guān)、包含愿望的信息。

負面：表示負面消極的情緒，如難過，傷心，憤怒，驚恐等。

以某手表商家評論為例：

客戶 A：手表外觀看著就大氣，功能很多，一直都相信 XX 品牌，而且還是防水的，充電速度也快，喜歡。

客戶 B：這是我買來給給家里弟弟使用，還沒開始用。

客戶 C：信用很差，說好的送太空人表盤，需要自己先買，然后再把錢退回來，說好 3 天退，到第 6 天都還沒退，要一直催。

通過情緒分析的極性分類：

客戶 A 的評論為：正面情緒

客戶 B 的評論為：中性情緒

客戶 C 的評論為：負面情緒

人工的判斷可以判別情緒極性，但是計算凈推薦值（NPS）是需要具體的數(shù)值進行計算的，可以怎么做，接著往下看。

三、如何從情緒分析中計算NPS？

得益于自然語言處理 (NLP, Natural Language Processing) 技術(shù)的發(fā)展，從之前 AI2 的 ELMo，到 OpenAI 的 fine-tune transformer，再到 Google 發(fā)布的 BERT 模型。NLP 庫的進步使得從評論內(nèi)容中提取信息更容易、更準確。

我嘗試利用 NLP 通過 4 個步驟，分析客戶評論的正負面評論比例以及情緒值，結(jié)合 NPS 的方法，從而識別推動者和反對者。

具體操作步驟如下。

步驟 1：采集已購買客戶的評論數(shù)據(jù)，依據(jù)客戶 ID 進行評論匯總。

原則上是可以把所有的客戶評論都進行分析。由于我們更加希望關(guān)注購買頻繁客戶的聲音，在實際的應(yīng)用上，可以設(shè)定適用于分析的基準值。比如，一年內(nèi)最低消費次數(shù)為 3 次，作為分析目標對象。

通過數(shù)據(jù)匯總，你大概可以得到下面的表格。

通過這個表格，可以篩選出需要進行分析的客戶范圍?；蛘撸€可以依據(jù)客戶評論數(shù)量設(shè)定不同客戶群，分別進行。

步驟 2：把評論進行NLP情緒分析，依據(jù)客戶ID匯總正面/負面評論數(shù)。

接下來，需要使用到 NLP ，來幫助我們完成極性分類的評分環(huán)節(jié)。

我是使用谷歌的 AutoML Natural Language 創(chuàng)建分析模型，搭建完成后把你需要分析的評論文本信息導入，模型就可以根據(jù)文本內(nèi)容，給出相應(yīng)的極性分類。

情緒值的區(qū)間為 [-1,1]，越靠近 +1，情緒越正面；越靠近 -1，情緒越負面；0 則為中性情緒。

比如，TT 同學的評論為正面情緒（0.84），DD 同學的評論為負面情緒（-0.5）。

下面是評論內(nèi)容情緒分析-極性分類的示例。

經(jīng)過 NLP 情緒分析-極性分類之后，再依據(jù)客戶 ID 進行正面評論數(shù)和負面評論數(shù)匯總。

步驟 3：計算正面/負面評論的平均分，計算評論得分。

為了識別客戶屬于「推薦者、中立者、貶損者」的類型，把該客戶的評論情緒值依據(jù)「正面」和「負面」區(qū)分，分別計算平均數(shù)。

得到平均數(shù)后，參照凈推薦值（NPS）的理念，找出該客戶在整個購買歷程當中，正面和負面的差值占比，以此得到該客戶對于品牌的整體情緒傾向。

計算公式如下：

評論得分 = ((正面評論數(shù) x 正面評論分) + (負面評論數(shù) x 負面評論分) )/評論總數(shù)

注意：由于負面評論的情緒值為「負數(shù)」，所以這里使用的是加號。概念上，是正面情緒總得分減去負面情緒總得分。

比如，客戶 A，總評論數(shù)為 42，其中正面評論數(shù)為 41，正面評論平均得分為 0.9。負面評論數(shù)為 1，負面評論平均得分為 -0.92。

客戶 A 評論得分 = ((41 x 0.9) + (1 x (-0.9))) / 42

經(jīng)由計算可以知道，客戶 A 的整體評論情緒值為：0.86。

步驟 4：轉(zhuǎn)化為 NPS 分數(shù)，劃分客戶類型，計算NPS得分。

為了消除評論得分之間的量綱影響，需要進行數(shù)據(jù)標準化處理，以解決數(shù)據(jù)指標之間的可比性。這里 NPS 的計算通過把各評論得分轉(zhuǎn)化為 [0-10] 的量級，進行客戶類型的劃分。

計算公式如下：

客戶 NPS = (評論得分 + 1) x 5

品牌 NPS = 推薦者% – 貶損者%

計算示例：

注意：在凈推薦值（NPS）的評分方式上是不存在小數(shù)的分數(shù)值，這里會將 X≤6 劃分為貶損者， 8≥X＞6 劃分為中立者， X>8 劃分為推薦者。

比如，客戶 A 的評論得分是 0.86 分，那么她的 NPS 得分就是(0.86 + 1) x 5 = 9.28，屬于推薦者。

根據(jù)計算，可以知道有 9 位推薦者，2 位貶損者，那么品牌的 NPS 得分為：= (9 – 2) / 12 x 100 = 58.3。

四、如何從結(jié)果中下鉆分析，找到需改進痛點？

我們知道 NPS 的得分并不能為企業(yè)帶來價值，得分背后原因的挖掘才是真正意義所在。同樣，依此方法同樣可以達成。

以某酒店的客戶評論為例，通常酒店在消費者視角，會關(guān)心「服務(wù)、價格、設(shè)施、位置、餐飲、衛(wèi)生」六大維度。

從上面分析所劃分的推薦者和貶損者，依據(jù)這六大維度以及繼續(xù)下鉆。通過劃定的維度，借由 NLP 技術(shù)，分別對于不同維度進行極性分類，獲得情緒值。

另外，可以通過詞云的方式，找到對于推薦者、貶損者客戶群來說，都是哪些接觸點在發(fā)揮作用。

以此，尋找對于不同客戶類型來說，分別可以優(yōu)化改善的發(fā)力點是哪些，并從中找到產(chǎn)品或服務(wù)改善的優(yōu)先次序，幫助你快速掌握客戶的脈搏并采取行動。

總的來說，不同維度轉(zhuǎn)化為數(shù)值之后，后續(xù)的分析等同于常規(guī)的 NPS 分析步驟。

五、寫在最后

這是一種新的凈推薦值（NPS）實踐思路，結(jié)合 NPS 的核心理念和 NLP 技術(shù)，可以確定品牌的推薦者者、貶損者者和中立者，亦可以下鉆通過多維度拆解評論（定性數(shù)據(jù)）找到背后具體的原因。

在數(shù)據(jù)樣本獲取成本、樣本覆蓋率、分析標準一致性，以及缺乏定性信息解釋原因等問題上，該思路基本可以解決上述挑戰(zhàn)。

客戶體驗伴隨著業(yè)務(wù)的進行，同步進行監(jiān)測，可持續(xù)性觀測客戶對于品牌長期以來的態(tài)度變化趨勢。

當然，目前這個模型度量概念還處于需要不斷探討驗證的階段，像不同領(lǐng)域語料庫的完整程度，會直接影響 NLP 的輸出結(jié)果，從而影響整體的數(shù)據(jù)表現(xiàn)。

以上，是我最近關(guān)于凈推薦值（NPS）的實踐總結(jié)，希望對你有所啟發(fā)。歡迎有不同想法的朋友交流學習。