用户说“太好了”却不再来：NPS与产品黏性

可视化演示

展示NPS净推荐值计算与用户分类、DAU/MAU产品黏性指标体系、NPS与留存率交叉分析揭示高NPS不等于高留存。

一、口碑温度计：NPS基础认知

老张在“未来食堂”门口放了一台平板电脑，每位食客用完餐，屏幕上都会弹出一个问题：“0到10分，你有多愿意把这家店推荐给朋友？”老张原本担心没人理会，没想到打分的人异常踊跃，9分、10分密密麻麻。他乐呵呵地把平板当成“口碑温度计”，逢人就说：“客人是真心喜欢我们！”

这台“口碑温度计”就是NPS——净推荐值。AI产品经理在用户完成一次关键体验后，也会发送同样的问卷，测量“推荐意愿”。它是全球流传最广的用户体验指标之一，逻辑与餐厅门口的平板一模一样：问你愿不愿意把我推荐给别人。

按照分数，用户被分成三组：打9-10分的是推荐者，愿意为你摇旗呐喊；打7-8分的是中立者，满意但不够热情；打0-6分的是贬损者，不但不推荐还可能劝退别人。NPS的计算，就是用推荐者占比减去贬损者占比，最后乘100换算成-100到100之间的分数。

老张的“未来食堂”NPS高达72——平均每10个客人里有7个愿意到处安利。但他误会了这台温度计的测量范围：它只量“你愿不愿意说我的好话”，从不量“你还会不会再走进来”。

二、回头客账本：产品黏性内涵

老张高兴没几天就发现不对劲：开业第一周店里人挤人，一个月后却空了一半。他开始偷偷记账——哪些客人每周都来，哪些只点招牌分子冰淇淋，哪些会把菜单研究个遍。

老张记下的，正是产品黏性的两个核心维度：使用频率（多久来一次）和功能深度（吃得多深、试过几道菜）。AI产品的黏性，就是用户反复使用、越用越深的程度。

团队常用的黏性指标有三个：DAU/MAU比值，即日活跃用户除以月活跃用户，衡量“来得多勤”；功能覆盖率，即用户用过几个核心功能，衡量“用得深不深”；留存率，即新增用户里有多少人第二天、第七天、第三十天还在，衡量“留不留得住”。三者合起来回答一个终极问题：产品有没有进入用户的“肌肉记忆”，形成到点就用的习惯回路。

老张翻开两周的账本，叹了口气：90%的客人只来过一次，点的都是同一道分子冰淇淋，既没频率也没深度。黏性指数告诉他——这些客人只是来打卡的“网红观光团”。

三、叫好不叫座的谜团：高NPS低留存

老张把平板的打分和账本摆在一起，发现一个扎心的事实：打9分以上的“头号安利者”里，超过七成再也没有出现在店里。他们嘴上疯狂安利，身体却诚实得很。

这就是“高NPS低留存”——推荐意愿与实际使用行为严重背离。在AI产品领域，这是最常见的健康度迷惑项：用户惊叹、点赞、发朋友圈，然后卸载。

背后有四个原因。第一，意愿不等于行为：说“我会推荐”零成本，迈开腿来吃饭要成本。第二，打卡心理推高NPS：新奇特的东西人人都想试一次，试完就够本。第三，情绪时点偏差：打分通常发生在体验高潮的“惊喜时刻”，而日常使用是平淡的“任务时刻”。第四，场景频率限制：有人一年只规划一次旅行，但规划时非这工具不用，你不能因此说它没价值。

老张算出了惊人的背离度，惊呼：“我的口碑和行动之间隔了一条河！”但他没有灰心，因为发现真相的第一步，是找到测量这条河的方法。

四、口碑与行动的十字路口：交叉分析框架

老张拿出一张白纸，画了个十字坐标：横轴是“一周内会不会再来”，左低右高；纵轴是“愿不愿意推荐”，下低上高。每个客人都能在这个网格里找到自己的格子。

这就是NPS×使用行为的交叉分析框架：横轴使用行为、纵轴推荐意愿，四个象限对应四种截然不同的用户。

右上角是“传道者”：高推荐、高使用，是产品最宝贵的核心资产，要维护、要奖励。左上角是“过客”：高推荐、低使用，正是虚高NPS的来源，最值得投入转化。右下角是“习惯者”：低推荐、高使用，嘴上嫌弃但离不开，往往是实用主义的老实人。左下角是“流失者”：既不推荐也不用，是最危险的人群。判断产品真实黏性，不能只看推荐者占比，而要看“传道者+习惯者”的合计占比——这就是数据驱动的决策逻辑。

老张的餐厅画像一下子清晰了：一小撮每周都来的熟客不怎么夸人，一大批夸过的人再也不来。他恍然大悟——真正养店的是熟客，好评只是入场券。

五、分子料理为何难留客：AI产品特殊性

老张去参加“AI餐饮峰会”，发现自己不是一个人：很多AI产品体验惊艳、口碑炸裂，用户却跑得比兔子还快。为什么“分子料理”比“兰州拉面”更难留住客人？

因为AI产品构建黏性的游戏规则，与传统软件完全不同，有四个特殊性。

一是替代成本极低：从ChatGPT换到Claude只需几秒，用户没有任何“家当”留在里面；二是信任风险高：模型一旦产生幻觉，一次错误输出就可能摧毁长期积累的信任；三是期望管理难：演示时惊艳四座、日常用平淡如水，落差加速离开；四是数据飞轮：用户用得越多，数据越多，模型越懂用户，价值越大——这是AI产品最深的护城河，可惜启动很慢，早期几乎看不见。

峰会上的前辈点醒老张：“食客记住的不是分子料理的噱头，而是'只有你家能吃到的味道'。”AI产品同理：让用户的数据沉淀成带不走的“专属记忆”，黏性才真正长出来。

六、从指标到桌边：实践应用路径

老张回到店里，把峰会笔记一一落地：平板继续收集推荐意愿，账本升级为电子会员系统，每天自动生成四象限地图。

落地路径分四步：监测、分群、迭代、协作——这也是AI产品团队做黏性增长的通用流程。

监测：把NPS、DAU/MAU、功能覆盖率、30日留存放进同一张看板，拒绝单指标自嗨。分群：针对四象限用户定制策略——给“过客”发场景提醒（“你上次规划的旅行还差三站”），给“习惯者”推深度功能内测，给“流失者”做离开原因调研。迭代：每轮改动都跑A/B实验，用黏性指标而非虚荣指标验收。协作：产品经理定方向、运营做触达、研发保稳定、数据团队出洞察，各司其职，形成一个转动不息的增长闭环。

三个月后，未来食堂的“真实黏性率”翻了一番。老张在复盘会上总结：“好评是入场券，复购才是门票钱。NPS告诉我客人喜不喜欢我，黏性地图告诉我他们会不会留下来。”

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""NPS与产品黏性交叉分析演示"""  def compute_nps(scores):    """根据0-10分推荐意愿列表计算净推荐值"""    total = len(scores)    if total == 0:        return 0.0    promoters = sum(1 for s in scores if s >= 9)    detractors = sum(1 for s in scores if s <= 6)    return round((promoters - detractors) / total * 100, 1)  def classify_user(score, weekly_usage, median_usage):    """将单个用户划分到四象限"""    high_willing = score >= 9    high_usage = weekly_usage > median_usage    if high_willing and high_usage:        return "传道者"    if high_willing and not high_usage:        return "过客"    if not high_willing and high_usage:        return "习惯者"    return "流失者"  def main():    # 模拟数据: (推荐意愿打分, 周使用次数)    users = [        (10, 12), (9, 9), (9, 2), (8, 6),        (7, 5), (6, 1), (9, 3), (10, 14),        (5, 4), (8, 7), (9, 1), (7, 8)    ]    scores = [u[0] for u in users]    usages = [u[1] for u in users]    median_usage = sorted(usages)[len(usages) // 2]     nps = compute_nps(scores)    print("NPS =", nps)     quadrant_count = {}    for score, usage in users:        q = classify_user(score, usage, median_usage)        quadrant_count[q] = quadrant_count.get(q, 0) + 1     for q in ["传道者", "过客", "习惯者", "流失者"]:        n = quadrant_count.get(q, 0)        print(q, "占比", round(n / len(users) * 100, 1), "%")     real_sticky = (        quadrant_count.get("传道者", 0)        + quadrant_count.get("习惯者", 0)    ) / len(users)    print("真实黏性率 =", round(real_sticky * 100, 1), "%")    if real_sticky * 100 < nps:        print("结论: 高NPS低留存，存在过客虚高现象")  if __name__ == "__main__":    main()

1. promoters = sum(1 for s in scores if s >= 9)数出打 9-10 分的推荐者，对应 NPS 公式的分子第一步
2. detractors = sum(1 for s in scores if s <= 6)数出打 0-6 分的贬损者，他们是口碑的负资产
3. return round((promoters - detractors) / total * 100, 1)套用 NPS 公式：正资产减负资产再除以总人数
4. high_willing = score >= 9推荐意愿的判定阈值：9 分以上才算愿意背书
5. median_usage = sorted(usages)[len(usages) // 2]用中位数当“高使用”的分界线，避免极端值干扰
6. high_usage = weekly_usage > median_usage周使用次数超过中位数才算“行动忠诚”
7. quadrant_count[q] = quadrant_count.get(q, 0) + 1用字典累计四象限人数，等价于交叉分析的计数环节
8. real_sticky = (quadrant_count.get("传道者", 0) + quadrant_count.get("习惯者", 0)) / len(users)传道者加习惯者才是真实黏性人群
9. if real_sticky * 100 < nps:把真实黏性率与NPS对照，黏性远低于口碑时亮起“过客虚高”警报

常见误区

面试题