净推荐值历史记录
探索净推荐值的历史、该指标是如何引入的、有关其方法的关键事实、Fred Reichheld 在开发该指标中的作用以及有关 NPS 的主要研究。
净推荐值是如何开始的
净推荐值 (NPS) 是一种围绕一个推荐问题构建的客户忠诚度指标：某人向朋友或同事推荐公司、产品或服务的可能性有多大。
根据维基百科，该指标由 Fred Reichheld 开发，并在 2003 年《哈佛商业评论》文章《你需要增长的一个数字》中得到普及。
核心 NPS 方法
标准评分模型根据 0 到 10 的评分等级将受访者分为推荐者、被动者和批评者。
分数是通过从支持者的百分比中减去批评者的百分比来计算的。
| 回复 | 团体 | 在分数中的作用 |
|---|---|---|
| 9–10 | 促销员 | 积极倡导者提高分数 |
| 7–8 | 被动 | 中性受访者计入样本但不计入公式 |
| 0–6 | 批评者 | 降低分数的不满意受访者 |
- NPS 范围为 -100 至 +100。
- +100 分意味着每个受访者都是推广者。
- -100 分意味着每个受访者都是批评者。
时间表和采用事实
维基百科将 NPS 的起源追溯到 2003 年，当时 Reichheld 认为推荐问题比其他几个客户态度问题更能实际预测回头客和口碑。
同一篇文章指出，NPS 后来被大公司广泛采用，因为该方法简单、易于解释，并且易于随着时间的推移进行跟踪。
维基百科还指出，截至 2020 年，大约三分之二的财富 1000 强公司使用了 NPS 版本。
NPS的重点研究和研究
关于净推荐值的研究文献褒贬不一。一些研究支持使用 NPS 作为实用的品牌健康或忠诚度信号，而另一些研究则认为，在预测业务绩效时，它并不明显优于客户满意度或其他指标。
这种平衡很重要。强大的历史页面应该展示 NPS 的原始案例以及后来围绕它的学术辩论。
| 年 | 学习 | 主要外卖 |
|---|---|---|
| 2003 | Frederick F. Reichheld，《你需要增长的一个数字》 | 介绍了 NPS 理念，并认为推荐意图可以作为一个强大的管理指标。 |
| 2006 | 摩根和雷戈，营销科学 | 发现与某些满意度指标相比，基于推荐的指标几乎没有或没有预测价值。 |
| 2007 | Keiningham、Cooil、Andreassen 和 Aksoy，《营销杂志》 | 未能复制 NPS 在预测公司收入增长方面明显更胜一筹的说法。 |
| 2013 | van Doorn、Leeflang 和 Tijs，《国际营销研究杂志》 | 结论是，NPS 与其他客户指标相比既不优越也不逊色，并且对未来增长的预测能力有限。 |
| 2021 | 市场营销科学院学报实证调查 | 认为 NPS 的变化在某些条件下可以具有预测价值，但也证实了早期的方法论批评。 |
基础来源和直接链接
以下是一些被引用最多、最有用的来源，可帮助您了解 NPS 的发展以及围绕它的争论。
- Frederick F. Reichheld，《你需要成长的一个数字》（《哈佛商业评论》，2003 年 12 月）： https://hbr.org/2003/12/the-one-number-you-need-to-grow
- 贝恩公司，关于净推荐值系统： https://nps.bain.com/about/
- 贝恩公司《忠诚度经济学》： https://www.bain.com/insights/the-economics-of-loyalty/
- Morgan 和 Rego，不同客户满意度和忠诚度指标在预测业务绩效方面的价值（营销科学，2006 年）： https://ideas.repec.org/a/inm/ormksc/v25y2006i5p426-439.html
- Keiningham、Cooil、Andreassen 和 Aksoy，《净推荐值和公司收入增长的纵向检验》（《营销杂志》，2007 年）： https://zendy.io/title/10.1509/jmkg.71.3.039
- van Doorn、Leeflang 和 Tijs，满意度作为未来绩效的预测因子：复制 (2013)： https://research.rug.nl/en/publications/satisfaction-as-a-predictor-of-future-performance-a-replication/
- 使用净推荐值来预测销售增长：实证调查的见解（营销科学学会杂志，2021 年）： https://link.springer.com/article/10.1007/s11747-021-00790-2
研究在实践中的说法
NPS 最初的从业者案例很简单。领导者可以轻松解释分数，比较团队之间的结果，并围绕推荐者和批评者的反馈建立操作例程。
学术批评集中在另一个问题上：NPS 实际上是否是增长的最佳预测指标。几项被广泛引用的研究对这一说法提出了质疑，并发现其他客户指标在某些情况下表现相似或更好。
最近的研究表明了一个中间立场。当团队跟踪一段时间内的变化、将分数与具体的运营后续行动联系起来并避免将其视为完美的独立收入预测指标时，NPS 可能会很有用。
弗雷德·赖克霍尔德是谁？
Fred Reichheld 出生于 1952 年，是一位美国作家、演说家和商业战略家，以其在忠诚度、保留和宣传方面的研究而闻名。
维基百科将他描述为净推荐值系统的创建者，并指出他自 1977 年以来一直是贝恩公司的研究员。
他曾就读于哈佛大学，后来获得哈佛商学院 MBA 学位。
与 Reichheld 相关的书籍和想法
Fred Reichheld 最著名的著作包括《忠诚效应》、《忠诚规则！》、《终极问题》和《终极问题 2.0》。
他后来的工作将讨论扩展到分数本身之外，并将 NPS 视为更广泛的管理系统的一部分，重点关注客户忠诚度和持久增长。
维基百科还指出，他于 2021 年出版了《Winning on Purpose》，扩展了他在净推荐人思维方面的工作并获得了增长。
重要背景和批评
维基百科关于 NPS 的文章也指出，该指标也受到批评。争论的焦点是一个问题是否可以完全预测所有行业的客户忠诚度或收入增长。
Morgan 和 Rego 于 2006 年发表的学术论文、Keiningham 及其合著者于 2007 年发表的学术论文以及 van Doorn 及其合著者于 2013 年发表的学术论文在这场辩论中经常被引用，因为他们质疑 NPS 是否始终优于其他指标。
这很重要，因为 NPS 最好用作多个实用信号中的一个，而不是作为客户体验绩效的唯一衡量标准。
来源： https://en.wikipedia.org/wiki/Net_promoter_score
- 在解释分数时，行业背景很重要。
- 调查时间和抽样质量会影响结果。
- 随着时间的推移的趋势通常比单个孤立的分数更有用。
为什么历史在今天仍然重要
了解 NPS 的历史有助于解释为什么该指标如此受欢迎：它提供了一个简单的框架，领导者可以快速理解并一致采取行动。
它还有助于解释该指标的局限性。当团队将 NPS 与开放式反馈、运营跟进以及与自己的历史数据进行比较相结合时，NPS 最为强大。
如果您想直接应用这些想法，请使用本网站上的净推荐值计算器来计算您自己的分数。
NPS 计算器的相关页面
常见问题解答
谁创造了净推荐值？
净推荐值由 Fred Reichheld 开发，并通过他 2003 年《哈佛商业评论》的文章而普及。
NPS 何时引入？
NPS 的起源通常可以追溯到 2003 年，当时 Reichheld 在《哈佛商业评论》上介绍了这个想法。
弗雷德·赖克霍尔德 (Fred Reichheld) 因什么而出名？
Fred Reichheld 因其对忠诚度的研究和创建净推荐值系统而闻名。
NPS 只是一个指标吗？
并非总是如此。赖克霍尔德后来将其视为更广泛的管理方法的一部分，通常称为净推荐值系统。
关于 NPS 的争论中最常引用哪些研究？
经常被引用的来源包括 Reichheld 2003 年在《哈佛商业评论》上发表的文章、Morgan 和 Rego 在 2006 年在《营销科学》杂志上发表的论文、Keiningham 及其合著者在 2007 年在《营销杂志》上发表的论文、van Doorn 和合著者在 2013 年发表的复制研究，以及 2021 年《营销科学学会杂志》上重新审视这一争论的文章。