电信企业NPS调研数据分析方法范文

本站小编为你精心准备了电信企业NPS调研数据分析方法参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1NPS体系概述

1.1NPS定义

NPS，即净推荐值，是衡量客户是否会向其他人推荐某款产品或服务的指数，专注于顾客口碑如何影响企业成长。NPS最早由贝恩咨询公司客户忠诚度业务的创始人佛瑞德•赖克霍徳（FredReichheld）提出。可以仅仅通过一个问题——“您向朋友推荐这个产品的可能性有多大?”来评估公司在创造积极、可重复的顾客体验方面的效率。NPS要求客户按照10级量度进行打分，并根据打分结果将客户分为：推荐者（得分在9~10）：是具有狂热忠诚度的人，他们会继续购买并推荐给其他人。中立者（得分在7~8）：总体满意但并不狂热，将会考虑其他竞争对手的产品。贬损者（得分在0~6）：使用并不满意或者对你的公司没有忠诚度。NPS分值为推荐者百分比与贬损者百分比之差。

1.2NPS指标的意义

NPS帮助管理者更好地理解消费者行为，包括理性和感性2个方面。它揭示了消费者是否相信产品提供了较高的性价比和性能，帮助管理者了解消费群体的真正需求。NPS能够揭示消费者未来行为的决定因素，它为企业发现需要改进的领域、评估品牌的健康状况、预测新产品是否能取得成功都提供了一个更好的基础。

2电信企业nps应用

中国品牌评级权威机构Chnbrand于2015年推出了中国首个顾客推荐度评价体系（C-NPS），根据最新数据显示，通信服务行业NPS均值为16.3，高于服务行业整体均值。2015年，中国移动在业内首开先河引入NPS，期望通过建立上下贯通的NPS运营体系，全面推进客户忠诚度的培养与提升，增强企业的价值运营能力，之后中国电信、中国联通相继引入NPS体系。电信企业在NPS调研过程中除了最基本的“推荐度”问题，同时会调研网络、服务等用户体验各要素满意度。某地（市）运营商委托第三方机构进行NPS调研，除了“推荐度”问题，同时对语音质量、数据质量、服务质量、业务质量共计四大要素34个问题进行调研，形成有效数据70份。

3主成分分析

识别NPS影响要素本次调研的4个因素都在不同程度上反映这个课题的某些信息，一方面变量过多增加了分析的复杂性，另一方面各个因素之间具有一定的相关性，影响分析结果，因此引入主成分分析法进行处理。主成分分析法是一种降维的统计方法，将原来具有一定相关性的变量X1，X2，…，Xp（p个变量），重新组合成一组较少个数的互不相关的综合指标来代替原来指标，使其既能最大程度地反映原变量所代表的信息，又能保证新变量之间保持相互独立。每一个主成分所提取的载荷量可用其方差来度量，第1主成分F1是所有变量的线性组合中方差最大的称为第1主成分F1，其次是第2主成分F2，依次类推，最多具有p个主成分，一般提取累计载荷量在70%以上的前几个主成分即可。

3.1主成分分析方法

a）检查数据质量，对于缺失值、异常值进行处理。b）对数据进行Z标准化：z=（x-μ）/σ，其中z为标准分数，μ为平均数，σ为标准差，消除不同因素间不同量纲的影响。c）计算各因素相关矩阵及相关矩阵的特征值和特征向量。d）计算各主成分和载荷量，一般情况下保留的主成分累计载荷量要达到70%以上，可利用凯撒正态化最大化方差法进行正交旋转，便于分析。

3.2主成分结果分析

根据主成分结算结果，绘制贬损者和推荐者的主成分载荷图（见图2），横坐标为第1主成分F1，纵坐标为第2主成分F2。分析4个因素在F1上的投影可知，贬损者的贬损点主要为服务质量和数据质量，推荐者的推荐点主要为业务、语音和服务质量，数据质量推荐度最低。对比分析贬损者和推荐者，可以得出以下结论：a）数据质量贬损度高，推荐度低，数据覆盖较差，最需要提升。分析该地（市）网络侧数据发现4G目前仅覆盖主城区，且深度覆盖不足，行政村覆盖率仅40%左右，造成数据质量较差，后续应加大4G网络投资，加强城区深度覆盖和农村广覆盖。b）语音质量贬损度低，推荐度高，语音覆盖质量较好。该地（市）语音网通过2G/3G综合覆盖，城区、农村覆盖良好，和分析结果吻合。c）业务质量贬损度低，推荐度高，说明业务质量如资费便宜、套餐合适、计费准确等因素获得了用户的肯定。d）服务质量贬损度高，推荐度也高，在各类用户中重要性都最大，是提高NPS的核心因素和关键点。

4贝叶斯网络预测

NPS用户分类探索NPS分类用户与用户基本属性、行为属性之间的关联性，建立数学模型，对未调研的客户进行识别，找出潜在的贬损者和推荐者。

4.1收集用户属性信息收集3类用户基本属性和行为属性，并对数据进行预处理，对ARPU、MOU、DOU、入网时长进行Z标准化，消除不同量纲影响，同时检查数据异常性，剔除2个标准差外的异常值，避免极值对后续建模产生影响，剩余有效样本57个。4.2建模算法介绍由于预测目标为分类数据，所以采用分类预测方法，利用贝叶斯网络算法建模。贝叶斯分类算法通过计算得出属于某一类的概率，具有最大概率的类便是该对象所属的类别，贝叶斯分类算法是将概率统计应用于复杂领域进行不确定性推理和数据分析的工具，能够系统地描述随机变量之间关系的工具。

4.3建模步骤本次建模构建的贝叶斯网络，NPS分类为类变量，通过已知样本进行模型训练，方法如下：a）根据各个属性对的互信息值降序排序，保留互信息值更高即关联依赖性高的边，依次取出其中的节点对，遵循不产生环路的原则，构造最大权重跨度树。b）上述过程构成一个无向图，由于年龄节点连接了其他7个节点，故选择年龄节点作为根节点，由根节点向外的方向为属性节点之间的方向，如箭头方向所示。c）为每一个属性节点添加父节点（NPS），至此贝叶斯网络结构构造完毕。

4.4建模结果分析模型预测正确率达到84.2%，正确率较高（见表7）。后续可收集未调研用户的属性信息，利用模型进行预测，识别推荐者和贬损者，提前采取措施干预。

5结束语

本文研究了NPS调研数据挖掘的方法和应用，但仍有几点不足，需要在后续研究中完善。a）需要避免数据过度拟合。由于有效调研问卷只有70份，样本较少，在进行贝叶斯网络建模时有可能造成过度拟合，需要增加样本量，对模型进行优化修正。b）本文只是针对单次调研结果的分析，无法反应NPS的变化趋势。可以通过对多次调研结果进行对比分析，进一步验证方法的科学性和有效性。c）没有规避NPS的固有不足。如将0~6分定义为“贬损者”的计分方式不合理，推荐意愿并不能衡量负面口碑，即不推荐≠贬损，这样的计分会造成贬损用户的占比被夸大，可以引入口碑指数（WOMI）的概念，在调研中额外增加一题衡量用户的负面评价。

作者：黄亚洲；刘彦婷；于黎明 单位：中讯邮电咨询设计院有限公司上海分公司