净推荐值NPS计算器

本地处理

打赏支持
分享链接
反馈建议

NPS 只问一个问题：你有多大可能把我们推荐给朋友或同事（0–10 分）。打分 9–10 是推荐者、7–8 是被动者、0–6 是贬损者。NPS = 推荐者占比 − 贬损者占比，被动者完全不参与计算——这点最常被误解。

推荐者人数（9–10 分）

被动者人数（7–8 分）

贬损者人数（0–6 分）

NPS 得分

有效样本

95% 置信区间

标准误

样本量	推荐者	被动者	贬损者	95% 置信半宽

NPS = (推荐者占比 − 贬损者占比) × 100，取值范围 −100 ~ +100，被动者不计入。比例方差 Var = (pₚ + p_d − (pₚ − p_d)²) ÷ n；标准误 SE = √Var × 100；95% 置信区间 = NPS ± 1.96 × SE。其中 pₚ 为推荐者占比、p_d 为贬损者占比、n 为有效样本数。

一个问题的指标，为什么成了行业通用语言

2003 年贝恩咨询的 Fred Reichheld 在《哈佛商业评论》提出 NPS 时，出发点是对传统满意度调查的反思：问卷又长又复杂，得分却不预测任何真实行为。他发现所有问题里，只有「是否愿意推荐」这一项与复购、增购这些真实增长行为高度相关——因为推荐是要动用自己社会信用的，没人会为无关紧要的东西背书。

计算规则与三个常见误解

被动者不参与计算。NPS 不是「满意客户占比」，被动者在公式里完全消失，只是帮你理解中间地带有多少人。
它不是一个百分比。NPS 的取值是 −100 到 +100 的整数分，写「NPS 60%」是错的。
样本量决定可信度。同样 60 分，20 个样本和 2000 个样本根本不是一回事，本工具会直接算出置信区间。

分数怎么读

NPS 区间	含义	该做什么
低于 0	贬损者多于推荐者，口碑在净流失	优先做贬损者回访，逐条归因
0 – 30	刚过及格线，问题还很明显	找被动者最集中的痛点
30 – 50	良好，属于多数行业的健康水平	把被动者往推荐者推
50 – 70	优秀，口碑开始成为获客引擎	把推荐者机制化（转介绍激励）
70 以上	卓越，极少数品牌能达到	守成，警惕规模扩张稀释体验

最重要的其实是「为什么」

NPS 的真正价值不在那个数字，而在紧随其后的开放题：你打这个分的主要原因是什么。推荐者会告诉你核心竞争力在哪，被动者会告诉你离「完美」还差哪一步，贬损者会毫不留情指出断点。只汇报分数、不做归因和跟进的 NPS 项目，价值会损失九成。

三个容易踩的坑

跨行业盲目比较：B2B 软件和快消品的 NPS 天然不同，行业、地域、调查方式都会造成差异，只跟自己比、跟直接竞品比。
激励污染：用奖励换高分，或让客服「求好评」，会让数据彻底失真。
时机不当：刚出故障、下单失败时立刻发问卷，收到的是情绪而不是评价。要在关键旅程节点（完成购买、续费前、客服闭环后）触发。

顺带说个设计细节：本工具给出的是比例的置信区间，不是预测值。NPS 是个「净差值」，方差比单个比例大，所以它的置信区间通常比你想的宽——这也解释了为什么小样本下 NPS 的月度波动经常毫无意义。

你可能还想问

净推荐值怎么算？

用推荐者占比减去贬损者占比，得到负一百到一百之间的分值；中间的打分者不计入计算，这是它与其他满意度指标的主要区别。

多少分算好？

行业差异很大，没有统一标准；关键是看自身趋势与同类对比，而不是套用一个通用及格线。

样本要多少才可信？

小样本波动大，通常需要上百份有效回收才有参考价值；还要注意回收渠道是否覆盖不同客户类型，避免样本偏斜。