NPS净推荐值计算器

这款NPS净推荐值计算器可将推荐者、被动者和贬损者这三个简单的人数转化为全面的客户忠诚度全景图：包括 -100 到 +100 范围内的核心得分；告诉你得分有多少属于真实信号、多少属于样本量噪声的 95% 置信区间；从有待改进一直到世界级的五级健康状况评定；以直观动画而非枯燥数字呈现得分的图形仪表盘；揭示底层推荐者-被动者-贬损者结构比例的堆叠情感条；覆盖 12 个领域的行业基准对比；以及提供实用建议的晋级下一阶段路径指导，能为你精确算出跨入更高评级区间所需的具体转化回复数。它是专门为产品经理、客户成功负责人、RevOps 团队、创始人和数据分析师量身打造的，旨在帮助他们不仅能直观地获知“我的 NPS 是多少”，更能深入理解数字背后的不确定性、在行业中所处的竞争位置，以及接下来的行动方向。

如何使用NPS净推荐值计算器

1. 从您的 NPS 调查结果中导出各群体的回复数量（大多数问卷工具如 Delighted、Wootric、Qualtrics、SurveyMonkey、Typeform 均支持直接导出）。
2. 输入推荐者人数 —— 即在 0-10 分的“推荐意愿”量表上给您打 9 分或 10 分 的受访者人数。
3. 输入被动者人数 —— 即打 7 分或 8 分 的受访者人数。被动者虽然不直接计入核心得分，但能反映出您的“中间摇摆群体”规模。
4. 输入贬损者人数 —— 即打 0 到 6 分 的受访者人数。请注意，即使打 6 分也会被判定为贬损者 —— NPS 量表在设计上刻意采用了不对称机制。
5. 点击计算NPS —— 或者直接在输入时通过实时预览功能查看数据同步更新。
6. 查看核心得分、级别评定、95% 置信区间、行业基准数据以及晋级下一阶段路径的优化建议。

NPS 计算公式

NPS 的五个级别

本计算器的独特优势

• 95% 置信区间与误差幅度 —— 市面上大多数在线 NPS 计算器只显示一个粗略的估算值，忽略了样本量带来的不确定性。例如在 n=20 时拿到 +52 的分数，其实际置信区间大约在 +21 到 +83 之间 —— 在这种样本量下盲目追求 5 个点的波动往往只是在随噪声起舞。本计算器能自动浮现该区间，并在区间过宽时向您发出预警。
• 带有彩色忠诚度区域的动画半圆仪表盘 —— 能够让您直观、瞬间地看出自己的分数属于红、黄还是绿的哪一个档次，而无需在脑海中去费力匹配数字与评级。
• “晋级下一阶段路径”指导 —— 帮您精准计算出将贬损者转化（转化为被动者或直接转化为推荐者）或将被动者转化为推荐者所需的最少人数，从而跨入更高的评级区间。让原本静态的得分变成可以落地执行的目标。
• 边输边验的实时预览 —— 分数、仪表盘、情感条和级别标签会随着您的每一次键盘敲击即时更新。无需等待页面整页提交刷新。
• 堆叠情感条 —— 将单一 NPS 数字可能掩盖的推荐者-被动者-贬损者完整分布情况展现得一目了然。
• 跨 12 个领域的行业基准对比 —— 让您精准了解自己超越了哪些行业的中位数，以及距离哪些行业还有多大差距。
• 带有“您在这里”标记的级别阶梯 —— 在五级量表上清晰标注您当前的位置，且下一个目标级别始终清晰可见。
• 逐步公式拆解说明 —— 拆解每一步公式细节，方便您独立进行文档记录、审计或二次复算。

不对称机制 —— 为什么 7 分不算作推荐者

NPS 量表在设计上刻意采用了不对称的机制。在 0-10 分的量表上，7 分从技术上来看虽然高于中位数，但它只能被判定为被动者，而不是推荐者。Bain & Company 的原始研究发现，只有打 9 分或 10 分的客户才真正具备足够的转推荐热情和复购行为，从而有能力拉动企业业务的持续增长。打 7 分或 8 分的受访者最好被解读为“满意但缺乏热情” —— 他们或许不会向朋友吐槽，但也不会主动帮您引流推荐，而且很容易被竞争对手的优惠活动吸引挖走。这种不对称性虽然是 NPS 最常遭人诟病的地方，但恰恰也是让该指标具备强大流失预警能力的精髓所在。

NPS 行业基准数据 (2025)

样本量对 NPS 的具体影响

NPS 属于样本统计学数据，而非全量绝对值。您的问卷回收量越小，数字围绕核心真实值产生的波动和不确定性就越大。其 95% 置信区间大致可以用公式 \( \pm 1.96 \times \sqrt{\frac{p + d - (p - d)^2}{n}} \times 100 \) 个 NPS 点数来估算。实用的行业经验法则如下：

• n ≤ 30： 误差幅度通常会超过 15 个 NPS 点数 —— 此时低于 15 分的任何分值变动基本上都可以视作不确定的噪声。
• n = 100： 在典型的 NPS 数据分布下，误差幅度大约在 8–10 个 NPS 点数左右。
• n = 400： 误差幅度能有效收窄至 4–5 个点上下 —— 已经非常适合用来做季度维度的追踪分析。
• n ≥ 1,000： 误差幅度控制在 3 个点以内，此时哪怕非常细微的分数挪动也具备统计学上的参考意义。

如果结果面板上方显示了样本量的警示红灯，建议优先扩充回复样本量，切勿盲目下结论或过早向外部汇报该分数。

减少贬损者 vs 创造推荐者 —— 哪一种转化方式效益更高？

对于低 NPS 的组织而言，数学计算给出了非常清晰的答案：减少贬损者在单份回复上的杠杆效应更高。将一个客户从贬损者转化为推荐者，能让 NPS 提升 2 ÷ n × 100 点 —— 这达到了将被动者转化为推荐者所带来增幅的两倍。而且贬损者还会产生负面口碑和线上差评，从而悄然侵蚀您的获客能力，而这些是主分数字无法直接体现的。然而，对于 NPS 已经突破 50 的高分组织来说，这一算式逻辑将会发生逆转 —— 因为此时贬损者池子的基数已经很小，将被动者转化为推荐者反而成了边际成本更低的破局手段。本工具自带的路径指导功能会自动为您推荐最适合您当前人群结构的低成本转化路径。

测量 NPS 时常见的误区

• 盲目进行跨行业对比。 电信行业 25 分的 NPS 与消费科技行业 60 分的 NPS 完全没有可比性。行业内部的中位数才是唯一具备参考价值的外部基准。
• 无视样本量限制。 在 n=30 的情况下，分数从 45 提升到 50 完全属于合理的误差幅度波动。如果不把置信区间和分数一同汇报，您极易陷入盲目追逐噪声的窘境。
• 只面向特定满意客户发问卷。 如果您的问卷只触达了活跃度极高的重度核心用户，那么得出的分数必然存在虚高。分母应当公平地覆盖您各层级的客户群体 —— 而非仅仅是本周登录过系统的这部分人。
• 误把“分数上涨”等同于“忠诚度提升”。 客户结构的变动有时也会在忠诚度并未改变的情况下拉高分数 —— 例如，流失了一大批不满意的客户，由于分母变小，即便您什么都不做，NPS 也会被动上涨。
• 将被动者当做“准推荐者”。 他们绝不是。相反，他们其实是最脆弱、最易流失的群体 —— 极易被竞争对手的优惠方案挖走。应当将他们视为一个具备独立诉求的独立细分层级。
• 只看整体大数而忽略层级穿透。 一个非常优秀的整体 NPS 往往会掩盖某个核心子业务线低至 −20 分的残酷事实。务必根据用户套餐等级、使用周期、触达渠道以及所在区域进行交叉切片细分。
• 一年只测量一次。 NPS 在高频、交易型场景下（如入驻引导完成、工单支持结束、续约完成）才能发挥其最大的行为指导价值 —— 而非仅仅作为一种年度例行公事的关怀调研。

NPS 与其他客户忠诚度指标的对比

• NPS vs CSAT (客户满意度)。 CSAT 偏向于测量用户对某一次特定交互的满意情况（如“您对本次客服电话的满意度如何？”），通常采用 1-5 或 1-7 分制。而 NPS 测量的是跨越单一体验、面向整个品牌的整体忠诚度，采用 0-10 分制。建议将二者结合使用 —— 用 CSAT 监控战术级交互质量，用 NPS 把握战略级忠诚度。
• NPS vs CES (客户费力度)。 CES 主要询问用户为了达成某个特定诉求所需付出的精力大小。它是针对服务支持类交互场景下预测流失率最强有力的工具。NPS 的覆盖面虽然更广，但在具体单次服务交互层面的流失预测上不如 CES 精准。
• NPS vs 流失率 (Churn Rate)。 流失率属于典型的滞后指标 —— 意味着您已经失去了该客户。而 NPS 则是前瞻性指标 —— 贬损者通常在接下来的 6–12 个月内属于高流失风险人群。您可以将本工具与流失率计算器配合使用，来建立因果关系链模型。
• NPS vs 留存率 (Retention Rate)。 留存率与流失率互为镜像 —— 它告诉你谁留了下来。而 NPS 则进一步告诉你，这些留下来的人是否真的认可你。高留存率配上低 NPS，往往意味着用户面临着极高的解约壁垒或迁移成本，而非出于真正的品牌忠诚。

常见问题解答 (FAQ)

什么是净推荐值（NPS）？

净推荐值（Net Promoter Score）是 Bain & Company 的 Fred Reichheld 于 2003 年创立的单一客户忠诚度指标。它主要通过一个核心问题来切入 —— “在 0 到 10 的量表上，您有多大可能向您的朋友或同事推荐我们？” —— 并用推荐者（打 9–10 分）的百分比减去贬损者（打 0–6 分）的百分比来计算最终得分。被动者（打 7–8 分）则直接从核心数字中剔除。最终的得分介于 −100 到 +100 之间，通常直接报告为一个具体分值（例如 “我们的 NPS 是 47”），而不是一个百分数。

NPS是如何计算的？

NPS 等于推荐者的百分比减去贬损者的百分比。举个例子，假设在收回的 100 份回复中，包含 62 个推荐者、28 个被动者和 10 个贬损者：那么推荐者比例为 62%，贬损者比例为 10%，因此您的 NPS = 62 − 10 = 52。请注意，按照行业惯例，NPS 最终输出时不需要带上百分号，尽管它是由两个百分比计算得来的 —— 这一惯例细节往往容易让初学者感到困惑。

什么样的NPS分数算好？

根据 Bain 经典的划分标准：高于 0 算作良好，高于 30 算作优秀，高于 50 算作极好，高于 70 算作顶级世界级。然而，最具备实际参考意义的依然是您自身所在的行业基准，而非盲目看全球大平均。例如，电信业的平均分往往在 20 分上下挣扎，而科技巨头则普遍能突破 60 分 —— 随意的跨行业对比往往带有误导性。您可以参考上方行业基准面板，了解自己的分数在 12 个核心领域中所处的水平。

为什么NPS会有误差幅度？

因为您的问卷回复只代表了您整体客户群体的一个样本，而非全部总数。样本规模越小，用该数字去推导总体真实 NPS 时的不确定性就越大。本计算器采用公式 \( \pm 1.96 \times \sqrt{(p + d - (p - d)^2) / n} \times 100 \) 来为您呈现 95% 的置信区间，其中 p 和 d 为推荐者与贬损者的比例，n 为样本量。当回复数仅有 50 个时，其误差幅度可能会突破 10 个 NPS 点数 —— 此时若两个周期的分数相差不到 10 分，其实在统计学上并没有本质区别。

推荐者、被动者和贬损者之间有什么区别？

推荐者（9–10分）是忠诚的热心支持者，他们会持续增购并积极帮您引流推荐。被动者（7–8分）属于满意但缺乏热情的群体 —— 他们虽然不至于向外吐槽，但也不会主动帮您获客，且随时可能被竞品的更优价格吸引。贬损者（0–6分）属于不满意人群，极易通过负面口碑或线上差评对您的品牌造成实质损害。这里存在着明显的不对称性：即使是 7 分（在 0-10 的量表上技术上属于中点偏上）也无法算作推荐者。这是刻意为之的设计 —— Bain 的原始研究表明，只有顶格的 9–10 分才能真正有效预测客户的实际引流拉新行为。

我应该专注于创造推荐者还是减少贬损者？

对于整体 NPS 低于 30 的企业来说，优先减少贬损者往往具备极高的杠杆效率。将一个贬损者成功转化为推荐者，其对 NPS 得分的拉动作用是将被动者转化为推荐者的两倍（因为您在消灭一个负数的同时增加了一个正数）。而且贬损者还会通过糟糕的负面评论、社交媒体吐槽和劝退潜在客户对您的品牌造成隐性伤害，这些是单纯看分数无法体现的。而当企业的得分已经突破 50 之后，数据逻辑将会逆转：此时转化被动者往往成了边际成本更低、更为实际的突破手段。

我应该隔多久测量一次 NPS？

这取决于您的具体业务场景。高频的交易型 NPS（通常安排在用户完成新手引导、解决售后工单、触发续约之后）具备极高的行为指导价值，应当基于具体事件持续触发。而针对整体品牌大盘的关系型 NPS 调研，在 B2B SaaS 行业通常推荐每季度或每半年盘点一次，而在直面消费者的消费订阅制行业，则更适合按月做小样本滚动调研。要竭力避免一年才测一次的偷懒做法 —— 因为往往在您终于发现问题的时候，不高兴的客户早就已经流失殆尽了。调研的频次应当与您团队对洞察做出的响应速度相匹配。

NPS 会出现负数吗？

完全会 —— 出现负数意味着您的样本中贬损者人数多于推荐者。整个分值的取值范围处于 −100（所有受访者皆为贬损者）到 +100（所有受访者皆为推荐者）之间。负数的 NPS 常见于高度管制或缺乏行业信任度的基础服务行业（如部分有线电视、传统老牌电信网络或某些特定险种），它是极度明确的客户流失风险红灯信号。解决这一局面的上策往往是马上去逐字逐句精读每一条批评者的核心反馈，归纳出排名前两位的核心痛点，并在采取任何业务扩张动作之前，不惜代价在 90 天内将它们优先解决掉。