之前在可用性测试的分享中，提到了一种完成任务后做的一种问卷调查方法：NPS。仔细研究了NPS后，发现如果不能深刻理解NPS，会造成误解甚至隐患。
1、什么是NPS
NPS，净推值。它看似非常简单，基于一个大家再熟悉不过的问题：“你向朋友或同事推荐某公司的可能性有多大？”以0-11分为评分范围，0代表“根本不可能”，10代表“非常有可能”，让受访者从中用一个数字，并且问受访者给出该评分的理由。
2、如何计算NPS
NPS=推荐者% - 贬损者%
举个例子，比如一份NPS问卷结果：15个人是推荐者(9到10分)，50个人是中立者(7到8分)，35个人是批评者(0到6分)。那么NPS=15%-35%=-20%，分数是-20。
NPS分数会受到行业影响，一般来说，NPS>0就会被认可为不错，>50就算杰出，>70以上则被认为是一流的公司。
3、NPS指标本身的不足
以下对一些NPS的缺点进行简单分析，并给出使用时可以使用哪些改进的方法。
1）💔11点量表过长，导致不同人对相邻的分数理解不同、造成测量误差。更糟糕的是，NPS的算法任性地指定了6-7分、8-9分是临界分数，让这个问题雪上加霜。
2）💔任性地把0-6分、7-8分、9-10分划分为三类人，并且在计算NPS时直接忽略7-8分者的人数占比，这个做法非常武断，在跨文化研究中经常被诟病。
3）💔NPS本质是一个比例差，这意味着会有信息损失以及更高的误差：
信息损失：
NPS得分相同，但是情况完全不同：50%的推荐者和50%的批评者，10%的推荐者和10%的批评者。长期观察NPS的值，分数不变，但是人群占比分数可能完全不同。
更高误差：
本身在大样本下，误差控制不超过±5%，但是两个值相减，误差就会扩大到±10%
4、针对不足的推荐方法
1）❤️同时计算NPS及推荐意愿平均值，并给出两个数值的置信区间，提供一个全景。
这个做法的好处很多：一方面，在NPS很低时，有可能发现平均值还可以，没有那么令人惊悚，比如最近一个项目发现NPS只有1%但是平均值有7分左右； 另一方面，这个做法能直观地让管理层知道NPS的算法会带来更大的误差区间，对日后监测时分数波动会有心理准备。
2) ❤️同时给到每一档人数的分布，未来即使NPS分数不变，也应去看三类人群的占比分布是否有变化。
3）❤️7~8分者在计算公式时会被忽视，但是在随后的推荐/不推荐理由追问题中不要忽略他们。通常对这类用户同时问“为什么愿意推荐”“是什么阻止了更高的推荐意愿”。
5、NPS在实操过程中的复杂性
1）🏠一个分数无法简单衡量用户体验，需要结合场景
用户体验本质是多环节、多场景的。越场景化、具体化，用户主观打分会越准确、越有实操性。衡量用户体验还是必须建立覆盖重点场景和环节的指标体系，而不是只看单一的综合性指标。
2）🏠询问NPS分数的理由，目的是找出关键的满意因素和不满因素，而无法衡量全盘的用户体验。要达成后者，需要通过对各个环节的单独测量。所以，不要期待用推荐/不推荐这道问题，得出各个环节的体验问题。
🌰反例：某公司在“发现”页的NPS调研问卷中，把“广告质量好”作为推荐理由的一个选项。但用户不会因为广告质量好就推荐给其他人使用的。设置这个问题可能是迫于压力衡量发现页的广告体验，但是使用了不合理的衡量方法。
3）🏠拿着NPS分数与行业、竞品对比
不同调研机制之下的结果严格来说是不可比的。调研机制（目标人群定义、抽样方式、样本加权方式、投放时间、投放渠道、问题设问、问卷UI）不同，极大影响了分数。
拿着NPS分数与行业、竞品对比，会产生极大的误解和隐患，除非是所有竞品都使用了一致的调研机制平台，NPS才有参考意义。
所以，在可用性测试中完成任务后对产品做的NPS问卷，因为任务是假设了场景的，更重要的是得到的NPS是一个参考，更深的原因还需深挖。
参考资料：
1、Net Promoter Score Considered Harmful (and What UX Professionals Can Do About It）