作者对净推荐值（NPS）的使用进行了新的尝试，以客户评论数据切入，划分推荐者和贬损者，他认为这种方法更有效率获取到客户体验的态度数据，那么具体该如何进行分析，如何从结果中找到可改进的痛点？文章中进行了说明，感兴趣的朋友一起来看看吧~
随着数字化转型的浪潮席卷，客户体验的接触点变得愈发离散。
传统的净推荐值（NPS）采取问卷调查为载体进行，填答率通常在5-8%左右，即便是在抽样之前进行了配比控制，小样本的调研还是会造成抽样偏差。
对净推荐值（NPS）不了解的朋友，可以先阅读：
NPS 3.0：净推荐值的补充性财务指标 – “赢得性增长率(EGR)”
我在想，是不是可以通过把散落在各处的客户反馈进行整合，以评论数据去理解和分析客户体验，而不必局限于询问客户：你有多大可能性将 [品牌/产品/服务] 推荐给朋友或同事？
在最近企业咨询的项目中，我对净推荐值（NPS）的使用进行了新的尝试。
以客户评论数据切入，通过 NLP 分析客户的情绪倾向，量化计算生成净推荐值（NPS），以此划分推荐者和贬损者。
这种方法解决问卷调查在“数据样本获取成本、样本覆盖率、分析标准一致性，以及缺乏定性信息解释原因”等问题，可以更有效率获取到客户体验的态度数据，并从中找到发力点。
这或许是净推荐值（NPS）使用的新趋势，一起来了解一下。
相比于问卷调查，客户其实更加倾向于对所消费的产品或服务进行评论。在线客户评论作为线下口碑的网络延展形式，具有信源可信度高、获取成本低且不受时间和空间限制等特点，这些评论也在客户决策参考信息中发挥着巨大的作用。
研究发现，客户的在线评论会影响客户的决策以及企业的销售量，这会给企业带来间接的价值（赵萌&齐佳音，2014）。像去逛线上购物会先去看评论、买家秀，去线下吃饭会先去看大众点评，去看电影先去看豆瓣评分等，潜在客户会受到这些评论的影响，做出消费行为。
相比之下，虽然客户并未直接回答净推荐值（NPS）的问题，但是在进行评价的过程中，同时满足了「回顾过程+目标对象+推荐动机」的推荐行为三要素。
（“三要素”概念解读请阅读：问卷设计：NPS/CSAT要先问还是后问？）
1）回顾过程：
客户评论是历经了一个完整的回顾，即思考这个产品或服务哪里好（坏）。
2）目标对象：
由于大家消费大多会去浏览评论，那么客户在评价的过程，其实是有目标对象的，就是那些未来准备购买的人。
3）推荐动机：
从这一层关系上推论，客户在描绘对产品或服务态度的同时，在当下社会的消费语境中，自我增强（利己/声誉/经济激励）、维权、负面情绪发泄等动机会助推客户评论，让间接推荐的行为得以顺利发生。
此外，在 Dellarocas,C. & Narayan（2005）的研究中发现，客户对产品的满意度和口碑传播呈 U 形关系，即客户会对产品或服务「非常满意」或「非常不满意」会积极给与反馈评论，这与净推荐值（NPS）在理念上也是一致的。
因此我认为，反馈评论数据可以用作询问净推荐值（NPS）问题的替代品。
我们知道人类自然语言中的情感色彩非常丰富，一般会包括情绪（悲伤/快乐）、心情（自在/郁闷）、喜好（喜欢/讨厌）、个性（张扬/腼腆）、立场（刚正/摇摆）等等。
情绪分析也称为“意见挖掘”，主要通过技术手段去自动分析客户评论中隐含的情绪倾向，并通过数值化方式表达。目的是帮助企业了解客户对产品/服务的感受，为产品/服务改进提供依据，更好地进行商业决策。
情绪分析的目标就是从客户评论的非结构化的文本抽取出「实体、属性、观点、观点持有者、时间」这五个要素，并且对它们的关系进行分析，最终得出评论内容表达的情绪倾向性。其中实体和属性合并称为评价对象（target），而观点持有者与时间这两个要素可依分析需要加入。
而评论要实践净推荐值（NPS）理念的话，需要用到的是情绪分析中的极性分类（Polarity Classification）能力。即在客户评论的内容中，通过情绪极性分析归类为正面、负面和中性。
正面：表示正面积极的情绪，如高兴，幸福，惊喜，期待等。
中性：表示客观的陈述事实，不涉及个人情绪色彩的表态，或者是不相关、包含愿望的信息。
负面：表示负面消极的情绪，如难过，伤心，愤怒，惊恐等。
以某手表商家评论为例：
客户 A：手表外观看着就大气，功能很多，一直都相信 XX 品牌，而且还是防水的，充电速度也快，喜欢。
客户 B：这是我买来给给家里弟弟使用，还没开始用。
客户 C：信用很差，说好的送太空人表盘，需要自己先买，然后再把钱退回来，说好 3 天退，到第 6 天都还没退，要一直催。
通过情绪分析的极性分类：
客户 A 的评论为：正面情绪
客户 B 的评论为：中性情绪
客户 C 的评论为：负面情绪
人工的判断可以判别情绪极性，但是计算净推荐值（NPS）是需要具体的数值进行计算的，可以怎么做，接着往下看。
得益于自然语言处理 (NLP, Natural Language Processing) 技术的发展，从之前 AI2 的 ELMo，到 OpenAI 的 fine-tune transformer，再到 Google 发布的 BERT 模型。NLP 库的进步使得从评论内容中提取信息更容易、更准确。
我尝试利用 NLP 通过 4 个步骤，分析客户评论的正负面评论比例以及情绪值，结合 NPS 的方法，从而识别推动者和反对者。
具体操作步骤如下。
步骤 1：采集已购买客户的评论数据，依据客户 ID 进行评论汇总。
原则上是可以把所有的客户评论都进行分析。由于我们更加希望关注购买频繁客户的声音，在实际的应用上，可以设定适用于分析的基准值。比如，一年内最低消费次数为 3 次，作为分析目标对象。
通过数据汇总，你大概可以得到下面的表格。
通过这个表格，可以筛选出需要进行分析的客户范围。或者，还可以依据客户评论数量设定不同客户群，分别进行。
步骤 2：把评论进行NLP情绪分析，依据客户ID汇总正面/负面评论数。
接下来，需要使用到 NLP ，来帮助我们完成极性分类的评分环节。
我是使用谷歌的 AutoML Natural Language 创建分析模型，搭建完成后把你需要分析的评论文本信息导入，模型就可以根据文本内容，给出相应的极性分类。
情绪值的区间为 [-1,1]，越靠近 +1，情绪越正面；越靠近 -1，情绪越负面；0 则为中性情绪。
比如，TT 同学的评论为正面情绪（0.84），DD 同学的评论为负面情绪（-0.5）。
下面是评论内容情绪分析-极性分类的示例。
经过 NLP 情绪分析-极性分类之后，再依据客户 ID 进行正面评论数和负面评论数汇总。
步骤 3：计算正面/负面评论的平均分，计算评论得分。
为了识别客户属于「推荐者、中立者、贬损者」的类型，把该客户的评论情绪值依据「正面」和「负面」区分，分别计算平均数。
得到平均数后，参照净推荐值（NPS）的理念，找出该客户在整个购买历程当中，正面和负面的差值占比，以此得到该客户对于品牌的整体情绪倾向。
计算公式如下：
评论得分 = ((正面评论数 x 正面评论分) + (负面评论数 x 负面评论分) )/评论总数
注意：由于负面评论的情绪值为「负数」，所以这里使用的是加号。概念上，是正面情绪总得分减去负面情绪总得分。
比如，客户 A，总评论数为 42，其中正面评论数为 41，正面评论平均得分为 0.9。负面评论数为 1，负面评论平均得分为 -0.92。
客户 A 评论得分 = ((41 x 0.9) + (1 x (-0.9))) / 42
经由计算可以知道，客户 A 的整体评论情绪值为：0.86。
步骤 4：转化为 NPS 分数，划分客户类型，计算NPS得分。
为了消除评论得分之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。这里 NPS 的计算通过把各评论得分转化为 [0-10] 的量级，进行客户类型的划分。
计算公式如下：
客户 NPS = (评论得分 + 1) x 5
品牌 NPS = 推荐者% – 贬损者%
计算示例：
注意：在净推荐值（NPS）的评分方式上是不存在小数的分数值，这里会将 X≤6 划分为贬损者， 8≥X＞6 划分为中立者， X>8 划分为推荐者。
比如，客户 A 的评论得分是 0.86 分，那么她的 NPS 得分就是(0.86 + 1) x 5 = 9.28，属于推荐者。
根据计算，可以知道有 9 位推荐者，2 位贬损者，那么品牌的 NPS 得分为：= (9 – 2) / 12 x 100 = 58.3。
我们知道 NPS 的得分并不能为企业带来价值，得分背后原因的挖掘才是真正意义所在。同样，依此方法同样可以达成。
以某酒店的客户评论为例，通常酒店在消费者视角，会关心「服务、价格、设施、位置、餐饮、卫生」六大维度。
从上面分析所划分的推荐者和贬损者，依据这六大维度以及继续下钻。通过划定的维度，借由 NLP 技术，分别对于不同维度进行极性分类，获得情绪值。
另外，可以通过词云的方式，找到对于推荐者、贬损者客户群来说，都是哪些接触点在发挥作用。
以此，寻找对于不同客户类型来说，分别可以优化改善的发力点是哪些，并从中找到产品或服务改善的优先次序，帮助你快速掌握客户的脉搏并采取行动。
总的来说，不同维度转化为数值之后，后续的分析等同于常规的 NPS 分析步骤。
这是一种新的净推荐值（NPS）实践思路，结合 NPS 的核心理念和 NLP 技术，可以确定品牌的推荐者者、贬损者者和中立者，亦可以下钻通过多维度拆解评论（定性数据）找到背后具体的原因。
在数据样本获取成本、样本覆盖率、分析标准一致性，以及缺乏定性信息解释原因等问题上，该思路基本可以解决上述挑战。
客户体验伴随着业务的进行，同步进行监测，可持续性观测客户对于品牌长期以来的态度变化趋势。
当然，目前这个模型度量概念还处于需要不断探讨验证的阶段，像不同领域语料库的完整程度，会直接影响 NLP 的输出结果，从而影响整体的数据表现。
以上，是我最近关于净推荐值（NPS）的实践总结，希望对你有所启发。欢迎有不同想法的朋友交流学习。
专栏作家
龙国富，公众号：龙国富，人人都是产品经理专栏作家，人因工程硕士。致力于终身学习和自我提升，分享用户研究、客户体验、服务科学等领域资讯，观点和个人见解。
本文原创发布于人人都是产品经理，未经授权，禁止转载。
题图来自Unsplash，基于CC0协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。