本站小編為你精心準備了電信企業NPS調研數據分析方法參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1NPS體系概述

1.1NPS定義

NPS，即凈推薦值，是衡量客戶是否會向其他人推薦某款產品或服務的指數，專注于顧客口碑如何影響企業成長。NPS最早由貝恩咨詢公司客戶忠誠度業務的創始人佛瑞德•賴克霍徳（FredReichheld）提出。可以僅僅通過一個問題——“您向朋友推薦這個產品的可能性有多大?”來評估公司在創造積極、可重復的顧客體驗方面的效率。NPS要求客戶按照10級量度進行打分，并根據打分結果將客戶分為：推薦者（得分在9~10）：是具有狂熱忠誠度的人，他們會繼續購買并推薦給其他人。中立者（得分在7~8）：總體滿意但并不狂熱，將會考慮其他競爭對手的產品。貶損者（得分在0~6）：使用并不滿意或者對你的公司沒有忠誠度。NPS分值為推薦者百分比與貶損者百分比之差。

1.2NPS指標的意義

NPS幫助管理者更好地理解消費者行為，包括理性和感性2個方面。它揭示了消費者是否相信產品提供了較高的性價比和性能，幫助管理者了解消費群體的真正需求。NPS能夠揭示消費者未來行為的決定因素，它為企業發現需要改進的領域、評估品牌的健康狀況、預測新產品是否能取得成功都提供了一個更好的基礎。

2電信企業nps應用

中國品牌評級權威機構Chnbrand于2015年推出了中國首個顧客推薦度評價體系（C-NPS），根據最新數據顯示，通信服務行業NPS均值為16.3，高于服務行業整體均值。2015年，中國移動在業內首開先河引入NPS，期望通過建立上下貫通的NPS運營體系，全面推進客戶忠誠度的培養與提升，增強企業的價值運營能力，之后中國電信、中國聯通相繼引入NPS體系。電信企業在NPS調研過程中除了最基本的“推薦度”問題，同時會調研網絡、服務等用戶體驗各要素滿意度。某地（市）運營商委托第三方機構進行NPS調研，除了“推薦度”問題，同時對語音質量、數據質量、服務質量、業務質量共計四大要素34個問題進行調研，形成有效數據70份。

3主成分分析

識別NPS影響要素本次調研的4個因素都在不同程度上反映這個課題的某些信息，一方面變量過多增加了分析的復雜性，另一方面各個因素之間具有一定的相關性，影響分析結果，因此引入主成分分析法進行處理。主成分分析法是一種降維的統計方法，將原來具有一定相關性的變量X1，X2，…，Xp（p個變量），重新組合成一組較少個數的互不相關的綜合指標來代替原來指標，使其既能最大程度地反映原變量所代表的信息，又能保證新變量之間保持相互獨立。每一個主成分所提取的載荷量可用其方差來度量，第1主成分F1是所有變量的線性組合中方差最大的稱為第1主成分F1，其次是第2主成分F2，依次類推，最多具有p個主成分，一般提取累計載荷量在70%以上的前幾個主成分即可。

3.1主成分分析方法

a）檢查數據質量，對于缺失值、異常值進行處理。b）對數據進行Z標準化：z=（x-μ）/σ，其中z為標準分數，μ為平均數，σ為標準差，消除不同因素間不同量綱的影響。c）計算各因素相關矩陣及相關矩陣的特征值和特征向量。d）計算各主成分和載荷量，一般情況下保留的主成分累計載荷量要達到70%以上，可利用凱撒正態化最大化方差法進行正交旋轉，便于分析。

3.2主成分結果分析

根據主成分結算結果，繪制貶損者和推薦者的主成分載荷圖（見圖2），橫坐標為第1主成分F1，縱坐標為第2主成分F2。分析4個因素在F1上的投影可知，貶損者的貶損點主要為服務質量和數據質量，推薦者的推薦點主要為業務、語音和服務質量，數據質量推薦度最低。對比分析貶損者和推薦者，可以得出以下結論：a）數據質量貶損度高，推薦度低，數據覆蓋較差，最需要提升。分析該地（市）網絡側數據發現4G目前僅覆蓋主城區，且深度覆蓋不足，行政村覆蓋率僅40%左右，造成數據質量較差，后續應加大4G網絡投資，加強城區深度覆蓋和農村廣覆蓋。b）語音質量貶損度低，推薦度高，語音覆蓋質量較好。該地（市）語音網通過2G/3G綜合覆蓋，城區、農村覆蓋良好，和分析結果吻合。c）業務質量貶損度低，推薦度高，說明業務質量如資費便宜、套餐合適、計費準確等因素獲得了用戶的肯定。d）服務質量貶損度高，推薦度也高，在各類用戶中重要性都最大，是提高NPS的核心因素和關鍵點。

4貝葉斯網絡預測

NPS用戶分類探索NPS分類用戶與用戶基本屬性、行為屬性之間的關聯性，建立數學模型，對未調研的客戶進行識別，找出潛在的貶損者和推薦者。

4.1收集用戶屬性信息收集3類用戶基本屬性和行為屬性，并對數據進行預處理，對ARPU、MOU、DOU、入網時長進行Z標準化，消除不同量綱影響，同時檢查數據異常性，剔除2個標準差外的異常值，避免極值對后續建模產生影響，剩余有效樣本57個。4.2建模算法介紹由于預測目標為分類數據，所以采用分類預測方法，利用貝葉斯網絡算法建模。貝葉斯分類算法通過計算得出屬于某一類的概率，具有最大概率的類便是該對象所屬的類別，貝葉斯分類算法是將概率統計應用于復雜領域進行不確定性推理和數據分析的工具，能夠系統地描述隨機變量之間關系的工具。

4.3建模步驟本次建模構建的貝葉斯網絡，NPS分類為類變量，通過已知樣本進行模型訓練，方法如下：a）根據各個屬性對的互信息值降序排序，保留互信息值更高即關聯依賴性高的邊，依次取出其中的節點對，遵循不產生環路的原則，構造最大權重跨度樹。b）上述過程構成一個無向圖，由于年齡節點連接了其他7個節點，故選擇年齡節點作為根節點，由根節點向外的方向為屬性節點之間的方向，如箭頭方向所示。c）為每一個屬性節點添加父節點（NPS），至此貝葉斯網絡結構構造完畢。

4.4建模結果分析模型預測正確率達到84.2%，正確率較高（見表7）。后續可收集未調研用戶的屬性信息，利用模型進行預測，識別推薦者和貶損者，提前采取措施干預。

5結束語

本文研究了NPS調研數據挖掘的方法和應用，但仍有幾點不足，需要在后續研究中完善。a）需要避免數據過度擬合。由于有效調研問卷只有70份，樣本較少，在進行貝葉斯網絡建模時有可能造成過度擬合，需要增加樣本量，對模型進行優化修正。b）本文只是針對單次調研結果的分析，無法反應NPS的變化趨勢。可以通過對多次調研結果進行對比分析，進一步驗證方法的科學性和有效性。c）沒有規避NPS的固有不足。如將0~6分定義為“貶損者”的計分方式不合理，推薦意愿并不能衡量負面口碑，即不推薦≠貶損，這樣的計分會造成貶損用戶的占比被夸大，可以引入口碑指數（WOMI）的概念，在調研中額外增加一題衡量用戶的負面評價。

作者：黃亞洲；劉彥婷；于黎明 單位：中訊郵電咨詢設計院有限公司上海分公司