之前在可用性測試的分享中，提到了一種完成任務後做的一種問卷調查方法：NPS。仔細研究了NPS後，發現如果不能深刻理解NPS，會造成誤解甚至隱患。
1、什麼是NPS
NPS，淨推值。它看似非常簡單，基於一個大家再熟悉不過的問題：“你向朋友或同事推薦某公司的可能性有多大？”以0-11分爲評分範圍，0代表“根本不可能”，10代表“非常有可能”，讓受訪者從中用一個數字，並且問受訪者給出該評分的理由。
2、如何計算NPS
NPS=推薦者% - 貶損者%
舉個例子，比如一份NPS問卷結果：15個人是推薦者(9到10分)，50個人是中立者(7到8分)，35個人是批評者(0到6分)。那麼NPS=15%-35%=-20%，分數是-20。
NPS分數會受到行業影響，一般來說，NPS>0就會被認可爲不錯，>50就算傑出，>70以上則被認爲是一流的公司。
3、NPS指標本身的不足
以下對一些NPS的缺點進行簡單分析，並給出使用時可以使用哪些改進的方法。
1）💔11點量表過長，導致不同人對相鄰的分數理解不同、造成測量誤差。更糟糕的是，NPS的算法任性地指定了6-7分、8-9分是臨界分數，讓這個問題雪上加霜。
2）💔任性地把0-6分、7-8分、9-10分劃分爲三類人，並且在計算NPS時直接忽略7-8分者的人數佔比，這個做法非常武斷，在跨文化研究中經常被詬病。
3）💔NPS本質是一個比例差，這意味着會有信息損失以及更高的誤差：
信息損失：
NPS得分相同，但是情況完全不同：50%的推薦者和50%的批評者，10%的推薦者和10%的批評者。長期觀察NPS的值，分數不變，但是人羣佔比分數可能完全不同。
更高誤差：
本身在大樣本下，誤差控制不超過±5%，但是兩個值相減，誤差就會擴大到±10%
4、針對不足的推薦方法
1）❤️同時計算NPS及推薦意願平均值，並給出兩個數值的置信區間，提供一個全景。
這個做法的好處很多：一方面，在NPS很低時，有可能發現平均值還可以，沒有那麼令人驚悚，比如最近一個項目發現NPS只有1%但是平均值有7分左右； 另一方面，這個做法能直觀地讓管理層知道NPS的算法會帶來更大的誤差區間，對日後監測時分數波動會有心理準備。
2) ❤️同時給到每一檔人數的分佈，未來即使NPS分數不變，也應去看三類人羣的佔比分佈是否有變化。
3）❤️7~8分者在計算公式時會被忽視，但是在隨後的推薦/不推薦理由追問題中不要忽略他們。通常對這類用戶同時問“爲什麼願意推薦”“是什麼阻止了更高的推薦意願”。
5、NPS在實操過程中的複雜性
1）🏠一個分數無法簡單衡量用戶體驗，需要結合場景
用戶體驗本質是多環節、多場景的。越場景化、具體化，用戶主觀打分會越準確、越有實操性。衡量用戶體驗還是必須建立覆蓋重點場景和環節的指標體系，而不是隻看單一的綜合性指標。
2）🏠詢問NPS分數的理由，目的是找出關鍵的滿意因素和不滿因素，而無法衡量全盤的用戶體驗。要達成後者，需要通過對各個環節的單獨測量。所以，不要期待用推薦/不推薦這道問題，得出各個環節的體驗問題。
🌰反例：某公司在“發現”頁的NPS調研問卷中，把“廣告質量好”作爲推薦理由的一個選項。但用戶不會因爲廣告質量好就推薦給其他人使用的。設置這個問題可能是迫於壓力衡量發現頁的廣告體驗，但是使用了不合理的衡量方法。
3）🏠拿着NPS分數與行業、競品對比
不同調研機制之下的結果嚴格來說是不可比的。調研機制（目標人羣定義、抽樣方式、樣本加權方式、投放時間、投放渠道、問題設問、問卷UI）不同，極大影響了分數。
拿着NPS分數與行業、競品對比，會產生極大的誤解和隱患，除非是所有競品都使用了一致的調研機制平臺，NPS纔有參考意義。
所以，在可用性測試中完成任務後對產品做的NPS問卷，因爲任務是假設了場景的，更重要的是得到的NPS是一個參考，更深的原因還需深挖。
參考資料：
1、Net Promoter Score Considered Harmful (and What UX Professionals Can Do About It）