最近好像看到很多关于净推荐值（Net Promoter Score, NPS）的文章，NPS似乎已经变成一个大众的概念了（当然从心理学来说是因为自己主动关注更多了，所以产生的错觉）。
简单介绍一下：
净推荐值的测量来自于问题“您有多大可能会向您的朋友或同事推荐XX产品？（0-10分，10分表示非常愿意，0分表示非常不愿意）”。
按照得分将参与评定者分为：推荐者（9-10分）；被动者（7-8分）；贬损者（0-6分）。然后NPS的值为：（推荐者-贬损者）/总人数*100。
NPS通常用于测量1）产品的用户体验：易用性能够解释30%~50%的NPS变化；以及2）用户忠诚度。NPS的问题最初源于网站用户体验测量问卷的SUPR-Q，因为其便捷性以及和口碑传播息息相关(推荐者会主动宣扬你的产品而贬损者则完全相反)的特性而经常被单独使用。
废话讲完了...以下为正文：如何评估‘推荐者’的影响力
推荐影响力
Brooks & Richard在其书作《Answering the Ultimate Question: How Net Promoter Can Transform Your Business》中介绍了这一方法。除了NPS外，你还需要同时收集3个问题的答案：
Q1. 被推荐行为：你选择使用XX产品的主要原因是否是你的朋友或者同事对你的推荐？（是/否）
Q2. 主动推荐行为：在过去12个月中你是否有积极地向你的朋友或同事推荐XX产品？（是/否）
Q3. 主动推荐人次：在过去12个月中你向多少个朋友或同事推荐过XX产品？（1,2,3,...,10,...）
然后就可以开始测算了：
1. 通过统计Q2和Q3得到有81%的用户曾主动向他人推荐该产品，平均每人向4.2人推荐过该产品；
2. 通过被推荐的用户人数/总的推荐人次（Q1/Q3）计算推荐转化率为16%，即大概需要6次推荐可以将一个潜在用户转化为新的用户；
3. 如下图，将以上3个数据相乘即可得到推荐影响力为.081*4.2*0.16=0.54，即每个推荐者会带来大概0.54个新用户；
4. 而结合NPS和其它业务数据（如用户的平均消费），你就可以了解推荐者群体对整体业务（如盈利）的具体影响。
贬损影响力
除了推荐者的影响力之外，你还可以通过同样的方式来计算贬损者的影响力：
Q1. 贬损行为：在过去12个月中你是否有劝阻过你的朋友或同事不要或者放弃使用XX产品？（是/否）
Q2. 贬损行为次数：在过去12个月中你试图说服过多少你的朋友或同事不要或者放弃使用XX产品？（1,2,3,...,10,...）
测算方式类同：
1. 可以知道有26%的用户有过贬损行为，分别劝过4个人放弃这个产品；
2. 转化率的计算为推荐转化率*4，即16%*4=64%（但是由于你很难从竞品那里知道有多少用户是因为听了你的坏话而去的，所以计算式中的系数‘4’是按照其它文献中负性评价和赞扬对用户行为的影响力决定的）；
3. 同样的，3个数据相乘即为贬损影响力0.26*4*0.64=0.67，即一个贬损者会导致你失去0.67个潜在用户。
Brooks&Richard的书中通过客户的平均消费数据对这两个影响力的用途进行了举例。如下图，在企业级软件产品行业中，贬损者的消费为$655千,而推荐者的消费水平为$1488千，而行业的平均消费为$1046千。则推荐者的实际消费为1488+1046*0.54=2053，而贬损者的实际消费为 655-1046*0.67=-46(感觉图中的表述有点儿不对)。
其它
还有一位可用性专家Jeff Sauro采用了相同的问题，但是不同的计算方式来评估‘推荐者’的影响力，但由于我没能通过他的计算式得出和他一样的数据，所以在这里就不过多的介绍了。
最后需要注意的是，Brooks & Richard提供的分析方法虽然看似很科学，但这种估计的准确性是基于用户能够清楚地回忆：是否向他人进行推荐以及推荐了多少人。但做用户研究的都知道，用户的记忆都是模糊的。所以对于这一点Jeff Sauro认为最好能够使用数据的下限区间进行计算。如，在对TurboTax的调查中，117人有61%表示曾经向他人进行过推荐。在置信度为90%的情况下，61%的置信区间为52%~68%。因此最好使用保守数据52%进行后续的计算。
参考文献
标准化量表在可用性测试中的应用中作者介绍了当前常用的多种用户体验测量问卷。
寻找更真实的NPS中作者对NPS的使用及使用过程中需要关注的点进行了介绍。
10 Things to Know About Net Promoter Scores And the User Experience中Jeff Sauro给出了NPS的操作方法和一些建议。
Answering the Ultimate Question: How Net Promoter Can Transform Your Business则是本文的内容来源，超链为电子书的购买链接，可以点击阅读试读本文所在的章节。
Business Software UX & NPS Benchmarks是Jeff Sauro为toB产品所做的一次用户体验和NPS基线测试的概要报告。
Quantifying the Value of a Promoter中Jeff Sauro提供了计算推荐者影响力的另一种计算方法。
Predicting Net Promoter Scores From System Usability Scale Scores中介绍了如何通过SUS分数与NPS分数之间的联系。
