从 NPS 信徒到革新者 | 一位调研老兵的二十年行业反思
发布时间：2026/08/26 00:00 浏览：16
作者：克里斯・豪克（Chris Hauck），SCORE Metrics 总裁
来源：
在2010年代初，我曾站在达拉斯-沃斯堡地区一家中型软件公司的会议室里，向管理层介绍一项客户满意度研究项目方案。
CEO是一名务实、不喜欢拐弯抹角的德州企业家。
他认真听完我的介绍后，提出了质疑：
“你是一名咨询顾问，为了卖这个项目，你当然什么都可以说。”
我坚定地回应他：
我并不是在推销一个项目，而是在倡导一种经过验证的方法。这套方法已经在众多行业中帮助企业取得了实际成果。
这种方法，就是净推荐值（Net Promoter Score，NPS）。
得益于弗雷德里克·赖克赫德（Frederick Reichheld）2003年12月发表于《哈佛商业评论》的文章《你需要的一个增长指标》（The One Number You Need to Grow），NPS一度被认为是客户满意度衡量领域的最佳实践。
赖克赫德的研究改变了企业衡量客户满意度的方式，它提出了一种更高标准：
客户是否愿意主动推荐。
过去，企业通常询问客户“是否满意”；而NPS则进一步追问：
“你是否愿意向他人推荐这个品牌？”
这是一次重要的理念转变，而我当时也深信这一方法的价值。
01 NPS设计中的关键缺陷
NPS在当时具有革命性意义，但和所有工具一样，它也需要不断完善。
经过多年实施和分析NPS项目，我逐渐发现其中存在两个根本性问题：
1. 缺少竞争环境背景
标准的NPS问题通常是：
“您有多大可能向他人推荐我们的品牌？”
这个问题是在孤立环境下提出的，默认客户没有其他选择。
但现实中，消费者始终会将某个品牌与他们在某类产品或服务中的其他选择进行比较。
如果缺少竞争背景，NPS就无法体现品牌与竞争对手之间的相对位置，也无法获得比较分析所带来的深度和实际价值。
2. 过度依赖李克特量表（Likert Scale）
NPS采用的是0到10分的李克特评分方式。
这种方法已经存在约90年，并不能真正反映人们自然评价体验或形成态度的方式。
消费者在日常生活中并不会给自己的体验打数字分数。
他们的回答往往受到当时情绪、对品牌的熟悉程度以及长期填写问卷产生的疲劳感影响。
最终结果是：
得到的数据模糊、缺乏区分度，往往无法提供真正可执行的洞察。
02 这些缺陷带来的后果
这些问题已经导致了广泛的消费者调查疲劳。
如今，NPS问题出现得如此频繁，以至于很多受访者甚至不会认真阅读问题。
他们只是习惯性选择一个分数（例如我自己可能会选择8分），然后继续下一题。
大量在线调查已经训练消费者快速作答，而不是认真思考。
这削弱了这个指标本应发挥的作用。
研究人员费尽心思斟酌题干用词，但只要你要求用户打数字分，受访者极大概率根本不会认真读题。
对于NPS而言，消费者被反复询问“是否愿意推荐某品牌”，导致许多人已经不再认真回答，或者只是机械地给出自己的默认评分。
03 更明智的解法：HauckEye “排序与赋分”法（Sort & Score）
在SCORE Metrics，我们开发了一种能够解决当前NPS两个核心问题的方法：
HauckEye Sort & Score（排序与评分法）。
它包括两个步骤：
Sort（排序）
要求受访者按照“最可能推荐”到“最不可能推荐”的顺序，对某一品类中的品牌进行排序。
这种方式引入了竞争环境，同时迫使消费者进行真正有意义的品牌比较。
Score（评分）
受访者将100分分配给这些品牌，以体现他们对各品牌的推荐偏好权重。
这种方式摒弃了刻板的李克特量表，提供了更直观、区分度更高的衡量维度。
结果是：
获得更丰富的数据、更清晰的洞察，以及更准确的消费者态度反馈。
真正的价值在于：
客户能够真切看清自身品牌在消费者心智中与竞品相比究竟处于何种位置。
这种差异使数据更具行动指导价值，也让这一衡量方式真正产生商业价值。
04 实验验证：Sort & Score是否优于传统NPS？
2024年4月，我对HauckEye Sort & Score方法进行了测试。
与YouGov的Brad Jones博士合作，我们针对NPS以及品牌属性评价开展了一项实验。
实验比较了两种方法：
Sort & Score方法通过引入竞争背景，但不采用传统评分量表，来衡量消费者偏好。
该实验采用随机实验设计：
每位招募的受访者都有相同概率进入控制组或测试组。
这种方法被广泛应用于严格的药物临床测试，用于验证新药是否有效。
实验设计是科学研究方法的重要基础，也是比较两种研究方法有效性的最佳方式。
本实验属于简单的“测试组—控制组”设计。
研究变量是：
两个组之间对于品牌属性差异性的识别程度。
我们的假设是：
测试组的数据区分度会显著高于控制组，从而证明新的数据采集方法能够比传统NPS产生更加差异化、更有意义的结果。
实验结果：消费者在Sort & Score中投入更多思考。
我们的第一个观察结果是：
Sort & Score方法在YouGov调查体验满意度评价中的表现，优于一系列李克特量表问题。
当然，我们也意识到其中存在一个有趣的矛盾：
我们使用李克特量表来比较两种调查体验。
平均而言，测试组完成Sort & Score任务需要超过两分钟。
数据显示：
相比于连续回答重复性的李克特量表问题，Sort & Score任务需要受访者投入更多思考。
而这种额外的思考时间，带来了明显差异。
在竞争环境下重新衡量NPS
传统NPS通常只针对目标品牌提问。
为了增加比较维度，我们针对移动电话服务行业中的主要品牌提出同样的问题：
“您有多大可能向朋友或同事推荐以下这些品牌？”
当消费者面对一个具有竞争背景、更复杂的评价任务时，数据表现明显不同。
在整体层面，各品牌之间在不同属性上的差异明显扩大。
相比之下，单独询问某个品牌的李克特量表评分，很难体现品牌之间的真实差距。
这项关于消费者偏好的实验表明：
传统李克特量表方法在展示品牌差异方面，明显弱于Sort & Score设计。
通常情况下，传统方法只会询问消费者对自己品牌的评价，而不会同时询问竞争品牌。
因此最终只能得到一个孤立的数据点。
而Sort & Score方法则同时衡量自己的品牌和竞争品牌，使结果天然具备竞争比较背景。
品牌之间明显的数据差异，为企业提供了远超过传统方法的信息价值。
传统李克特量表式的问题设计已经显得陈旧，市场需要新的方法来真正理解消费者和竞争格局。
05 为什么Sort & Score有效？
Sort & Score符合消费者自然思考品牌的方式。
它鼓励消费者进行更深入的评价，并提供一种相对性的品牌表现衡量方式。
企业因此能够更清楚地了解：
-
自己目前处于什么位置；
-
与竞争对手相比有哪些优势和不足；
-
未来需要提升多少。
传统的“推荐可能性”问题只能告诉你：
“恭喜，你的客户平均给你的评分是7.3，这意味着他们总体上属于你的推荐者。”
但这个推荐分数到底告诉了你什么？
你真的知道应该如何利用这个信息吗？
如果你发现：
消费者实际上更愿意推荐你的两个竞争对手，而不是你的品牌呢？
SCORE Metrics采用HauckEye Sort & Score方法，可以告诉你：
你的品牌在竞争市场中的真实位置。
坦率地说，这比知道自己的NPS平均分季度提升了0.2分、年度提升了0.1分更有价值。
我更愿意把自己与竞争对手比较，而不是在一个封闭环境中只和过去的自己比较。
我更关注真实市场竞争中的表现，而不是“训练场上的成绩”。
06 结语：超越NPS，迈向下一阶段
NPS在诞生之初是一次重大突破。
但如今，它已经不足以单独承担衡量客户忠诚度的任务。
正如客户满意度研究曾经发展为NPS一样，现在NPS也需要进一步演进，成为更先进的方法。
HauckEye Sort & Score提供了一种实际可行、有效的方法。
如果你的NPS项目已经陷入停滞，不妨考虑采用像Sort & Score这样的竞争性衡量方法，以更深入地理解你的品牌在市场中的竞争定位。
附-本文专业术语小词典
Net Promoter Score (NPS)
净推荐值 / 净推荐分
衡量用户向他人推荐品牌意愿的核心忠诚度指标（基于 0–10 分打分）。
Customer Advocacy
客户推荐意愿 / 客户拥护
高于一般满意度维度的指标，衡量客户主动自发为品牌背书、转介绍的倾向。
Promoter / Passive / Detractor
推荐者 / 被动者 / 贬损者
NPS体系中的三类人群画像（分别对应 9–10分、7–8分、0–6分）。
Likert Scale
李克特量表
经典的等级评分量表（如 1–5 分、0–10 分），常用于测量态度与体验。
Competitive Context
竞品参照背景 / 竞争语境
在调研题目中引入竞品对照，避免在无参照物的“真空环境”下单评自身品牌。
Sort & Score
排序与赋分法
一种先对品牌梯队排序、再分配固定总分（如100分）以测出相对偏好的调研技术。
Constant Sum Scale
固定总和量表 / 恒和量表
赋分法（如将100分分配给不同品牌/属性）背后的经典测量量表类型。
Experimental Design
实验设计 / 对照实验设计
通过科学分流对比不同方法学或刺激变量差异的严谨验证方法。
Control Cell / Test Cell
对照组 / 测试组（实验组）
实验设计中分别保留基准方案（传统NPS）与测试变量（新方法）的受访样本单元。
Attribute Panel
属性样本组
用于系统性评估品牌在各项功能/情感特征上表现的特定样本集或测试框架。
Differentiation
区分度 / 辨识度
数据在不同品牌或属性之间拉开差距、避免均质化“扎堆”的统计特征。
Aggregate Level
聚合层面 / 宏观汇总层面
将个体样本数据汇聚成大盘、品类或人群整体维度的分析视角。
Survey Fatigue / Respondent Fatigue
调研疲劳 / 作答疲劳
因问卷过长或题型单调导致受访者机械应付、随意填答的数据失真现象。
Baseline Score / Default Score
基准分 / 默认惯性分
受访者在疲劳或不动脑状态下下意识给出的中庸分值（如习惯性打 8 分）。
Actionable Insights
可落地的业务洞察
能够直接指导商业决策、策略调整与产品迭代的有效分析结论。
Competitive Positioning
竞争定位 / 市场卡位
品牌在目标消费者心智中相对于竞品所处的价格、心智及价值坐标。