NPS净推荐值：用一个问题衡量产品口碑

可视化演示

展示B+树索引的查找过程：从根节点逐层比较键值，定位到叶子节点中的目标数据，直观呈现多路搜索树的查找路径。

概念起源：一个问题的智慧

老王以前爱做“满意度问卷”，A4纸正反两面，顾客边吃边划拉，最后全是“挺好”“不错”。等他把问卷收回来，发现什么也判断不了。那位餐饮前辈点醒他：真实的推荐意愿，从来不需要十道题来试探。一句“你愿意带朋友来吗”，比一百句“您觉得味道如何”都更有分量。

这个思路正是NPS的核心。2003年，贝恩咨询的弗雷德·赖克霍德提出Net Promoter Score（净推荐值），把衡量品牌口碑简化成一个问题：“你有多大可能把我们的产品推荐给朋友或同事？”用户用0到10分作答。这背后有个精妙假设：一个人愿意动用自己的社交关系为产品背书，说明产品已经进入ta的“必选清单”；相比之下，普通的满意度评价很容易被礼貌和惯性填满。

拿到打分后，先计算“推荐者占比”和“贬损者占比”，二者之差就是NPS：

老王第一次算NPS时，店里正负相抵得了个0。这个数字像一面镜子：安利的食客多，劝退的食客也不少，口碑没有形成净流入。他意识到，NPS测的不是“菜好不好吃”这种抽象感觉，而是“口碑到底在往哪个方向流动”——这是产品口碑的“净流量表”。

用户三分层：安利党、路人与劝退党

老王把十张打分单摊在桌上，发现它们天然分成三摞。打9分10分的那摞，是隔着两条街都要发朋友圈安利的“铁粉”；打7分8分的那摞，是“味道还行、环境凑合，但你要问我推不推荐，我懒得开口”的路人；打0到6分的那摞，是上次等位等出一肚子火、逢聚会导致必吐槽的“劝退党”。

这三摞单子对应NPS官方的三类用户：评分9-10是推荐者（Promoter），他们复购率高、会主动推荐，是口碑增长的引擎；评分7-8是中立者（Passive），他们不抱怨也不安利，一旦有更好的选择就可能流失；评分0-6是贬损者（Detractor），他们不仅自己离开，还可能用负面评价抵消多个推荐者的贡献。有趣的细节是：NPS完全忽略中立者——因为在口碑传播这件事上，“无感”等于“不存在”。

公式化的分类判断如下：

三类人的“分层行为差异”是NPS极简背后的洞察。推荐者贡献复购和转介绍流量，贬损者贡献流失率和负面舆论，中立者构成沉默的大多数。创业团队做用户分层时，常按这个三分法打标签：给推荐者邀约访谈、内测资格；对中立者发改进问卷；对贬损者安排客服回访。NPS的价值不只在那个唯一数字，更在于数字背后看得见的三类人群。

老王盯着三摞单子的高度，第一次知道该为什么高兴、该为什么担心——铁粉摞在变高，劝退摞在变矮。口碑的“交通结构”一目了然。他给服务员开会说：别盯着好评率了，就盯这三摞。

调研执行要点：量血压的规矩

老王刚开始恨不得天天问“推荐吗”，结果结账时问，顾客碍于面子全给10分；外卖盒里塞问卷，回收率不到2%。数据好看到不真实，也真实得没价值。后来他才知道，NPS调研像量血压：量错时机、用错袖带，数字全是噪声。

正确的做法是抓住“关键体验后的沉淀期”。最佳时机是用户使用产品核心功能一段时间之后（比如第7天），让新鲜感消退、真实感受浮现；刚付费或结账时问，容易得到礼貌性高分。样本量也有硬要求：每轮建议收集100份左右有效回复，因为NPS是比例的差值，样本太小会被一两个极端用户带偏。调研频率和渠道同样要固定——每月或每季度一次，始终用同一个渠道（App内推送、邮件或短信），保证不同期的数字可比。

具体执行时，老王把方案定为：顾客第一次下单后第7天，App内弹一次打分；每轮目标回收120份；每月1号出上一轮报告；渠道从不更换。他甚至会记录每轮的来源渠道，防止渠道变化让样本成分漂移。这些看似繁琐的“固定动作”，才是NPS可信的前提。

三个月后，老王手里攒了三条完整的数据线。他意识到，调研不是随性而为的聊天，而是标准化取样。就像量血压时“静坐五分钟、同一只手臂”，NPS只有在统一的时机和口径下，数字之间才有对话的资格。

数据解读基准：先看赛道再看分

老王算出NPS=20，觉得“正数！稳了！”。老李一句话泼醒他：“你知道这条街上平均水平多少？”老王查了一圈行业资料，发现同一分数放在不同赛道完全是两个世界——有的行业NPS平均还在零下，有的行业低于50都算不及格。

NPS是相对指标，必须放进基准里读。通用参考区间是：50以上优秀，30-50良好，0-30一般，低于0属于口碑危险区。但更重要的是行业对照：SaaS产品平均在30-40，消费品牌多在20-30，传统餐饮往往更低。创业者判断自己时，要先问“我在哪个盘子比”，再问“我得了几分”。

另一个关键原则是“看趋势而非快照”：单次NPS可能被版本事故、促销活动影响，连续3-6期的趋势才反映口碑的真实方向。同时，NPS必须“结合定性反馈”——在打分题后追问一句“为什么给这个分数”，推荐者的理由是增长卖点，贬损者的抱怨是改进清单。数字告诉你“好不好”，文字告诉你“为什么好或差”。

老王看清楚两件事：小灶台的20分在“家常菜馆”赛道不算丢人，但在“网红餐厅”里排不上号；更重要的是，他的NPS在过去三个月从-5爬到20，方向是对的。他第一次学会：别用海拔攀比，要看自己的爬升轨迹。

NPS与PMF：开分店前的试金石

老王想开分店，但心里没底：万一是亲戚朋友捧场呢？他想起餐饮圈一句经验：NPS在30以上的店，开分店成功率明显高；长期为负的店，投再多广告也像往漏水的桶里倒水。NPS成了他判断“产品与市场是否匹配”的试金石。

PMF（Product-Market Fit，产品市场匹配）指产品恰好满足一批真实用户的强需求，用户主动使用、主动传播。NPS之所以被当作PMF的参考信号，是因为“愿意推荐”直接说明产品提供了用户愿意背书的价值。经验参考线是NPS≥40：当推荐者占比显著超过贬损者，说明核心用户群已经出现，口碑具备自传播的潜力；长期低于这条线，则说明产品还没找到真正的“非你不可”人群。

NPS对PMF的价值不止于判断，更是“产品改进引擎”：把贬损者的低分和吐槽归因到具体功能模块，变成迭代清单。它还是“增长决策依据”——NPS不达标前盲目投放，只会放大负面口碑；先修复体验再扩量，ROI才稳。对内，它把产品、运营、客服拉向同一个焦点：把更多用户从“路人”推向“推荐者”，这是极好的“团队目标对齐”工具。

老王把NPS=42的曲线截图放进了融资PPT，投资人的问题从“你怎么证明有人需要”变成了“你的用户愿意带朋友来吗”。一句话的变化，背后是评判标准从自说自话切换成用户投票。

跟踪优化方法：把NPS当成日常血压

老王没高兴多久。入夏后食材保鲜出了岔子，NPS从42掉到15。他查了分群数据，发现最先流失的其实是外卖用户——他们收到的菜品和堂食差距太大。老王这才明白，NPS不是期末考试，而是日常血压：得定期量、长期记。

有效的NPS使用方式是“定期调研机制”加“趋势管理”：固定每月测算，建立时间序列；每轮结束后做“反馈闭环”，把贬损者的开放回答整理成改进清单，下一轮调研验证改进是否生效；同时做“分群对比分析”，按新老用户、使用频次、渠道来源分别计算NPS，才能定位波动到底出在哪一群人、哪个环节。这些动作合在一起，就是“行动改进计划”。

一个实用的季度节奏是：月初发调研、月中读三类人群反馈、月末排改进项、下月初看NPS是否回升。比如月度对比表里，新用户NPS从20升到35，说明新手引导有效；老用户NPS从50降到48，可能是一次改版动了核心体验。数字的“变化量”比“绝对值”更早暴露问题。

一年后，老王的小灶台NPS台账画出了一条从-20爬到50的曲线。他给店员的月度目标只有一句：让更多食客从“路人党”变成“安利党”。口碑不是玄学，是每周盯着的仪表盘——定期测、分群看、闭环改。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""NPS 净推荐值计算与模拟演示"""import random  class NPSTracker:    """NPS 调研数据收集与统计"""     def __init__(self, min_sample=100):        self.scores = []        self.min_sample = min_sample     def add_score(self, score):        if not (0 <= score <= 10):            raise ValueError("Score must be 0-10")        self.scores.append(score)     def classify(self, score):        if score >= 9:            return "推荐者"        if score >= 7:            return "中立者"        return "贬损者"     def get_stats(self):        total = len(self.scores)        if total == 0:            return {"total": 0, "promoter": 0, "passive": 0, "detractor": 0, "nps": 0}        types = {"推荐者": 0, "中立者": 0, "贬损者": 0}        for score in self.scores:            types[self.classify(score)] += 1        nps = round((types["推荐者"] - types["贬损者"]) / total * 100)        return {            "total": total,            "promoter": types["推荐者"],            "passive": types["中立者"],            "detractor": types["贬损者"],            "nps": nps,        }     def simulate(self, n=120):        """模拟 n 位用户的打分, 权重向 9-10 分倾斜"""        weights = [1, 1, 2, 3, 5, 8, 12, 18, 22, 28, 60]        total_w = sum(weights)        for _ in range(n):            r = random.randint(1, total_w)            acc = 0            for score, w in enumerate(weights):                acc += w                if r <= acc:                    self.scores.append(score)                    break     def report(self):        stats = self.get_stats()        if stats["total"] == 0:            print("暂无数据")            return        pct = lambda x: x / stats["total"] * 100        print("===== NPS 调研报告 =====")        print("受访总人数: %d" % stats["total"])        print("推荐者(9-10): %d 人, %.1f%%" % (stats["promoter"], pct(stats["promoter"])))        print("中立者(7-8): %d 人, %.1f%%" % (stats["passive"], pct(stats["passive"])))        print("贬损者(0-6): %d 人, %.1f%%" % (stats["detractor"], pct(stats["detractor"])))        print("NPS = %d" % stats["nps"])        if stats["total"] < self.min_sample:            print("提示: 样本不足 %d 份, 结果仅供参考" % self.min_sample)        elif stats["nps"] >= 40:            print("结论: NPS >= 40, 接近 PMF, 可考虑加大投入")        elif stats["nps"] >= 0:            print("结论: 口碑为正但未达 PMF 强信号, 建议持续优化")        else:            print("结论: NPS 为负, 优先处理贬损者的核心抱怨")  if __name__ == "__main__":    tracker = NPSTracker(min_sample=100)    tracker.simulate(120)    tracker.report()

1. def classify(self, score):打分先过这个“分拣机”，决定进入哪一摞：推荐者、中立者还是贬损者。
2. types[self.classify(score)] += 1每位受访者的打分先分类，再累加到对应的桶里。
3. nps = round((types["推荐者"] - types["贬损者"]) / total * 100)这就是NPS的核心算式。
4. weights = [1, 1, 2, 3, 5, 8, 12, 18, 22, 28, 60]权重数组模拟真实打分分布向9-10分偏移，而非均匀随机。
5. if stats["nps"] >= 40:用40分经验参考线，判断产品是否接近PMF。
6. tracker.simulate(120)模拟120位受访者的打分，满足每轮百份样本的建议门槛。

常见误区

面试题