客户满意度模糊综合评价法优点：思考客户满意度

客户满意度模糊综合评价法优点：思考客户满意度因为 NSS 中会考虑不满意的回复数，而负面的评价在传播上会产生较大的影响。NSS = ((5分回复数 4分回复数)-W权重x (2分回复数 1分回复数))/调查回复数量1）评测功能满意度时，最好是在用户完成当前任务后，通过系统主动触发推送，以网页插件等方式进行即时数据收集。2）评测整体满意度时，可依据业务进行周期性进行，以调查问卷的方式发放，再基于问卷系统完成问卷的回收。CSAT = (5分回复数 4分回复数)/调查回复数量x100%

客户满意度和净满意度都是衡量满意度水平的体验度量指标，但二者有何区别？使用的场景有什么限制？具体的用法如何？作者总结了两种度量指标的区别，一起来看看。

一、CSAT 和 NSS 的介绍

客户满意度（Customer Satifaction，CSAT）和净满意度（Net Satisfaction Score，NSS），都是直接衡量满意度水平的体验度量指标，当我们想了解客户对于产品/服务/功能的满意程度时，可以使用该指标进行度量。

问题：请问你对 XX产品/XX功能/XX流程 的评价是？（以5分制为例）

• 1 非常不满意
• 2 不满意
• 3 一般
• 4 满意
• 5 非常满意

触发时机：

1）评测功能满意度时，最好是在用户完成当前任务后，通过系统主动触发推送，以网页插件等方式进行即时数据收集。

2）评测整体满意度时，可依据业务进行周期性进行，以调查问卷的方式发放，再基于问卷系统完成问卷的回收。

二、计算方法的差异

CSAT = (5分回复数 4分回复数)/调查回复数量x100%

NSS = ((5分回复数 4分回复数)-W权重x (2分回复数 1分回复数))/调查回复数量

因为 NSS 中会考虑不满意的回复数，而负面的评价在传播上会产生较大的影响。

不满意的分数与满意的分数在进行比较时应该先进行加权，W权重一般是 2 倍或者更多。

一般行业会把 4~5 分的得分归类为满意，由于行业的产品标准和服务水平的差异，也有一些行业会认为只有 5 分的得分才算真正意义上的满意。

因此，满意得分值的界定不同，得到的 CSAT 也会不同，在进行满意度调查的界定标准上应该一以贯之，不能随意变更计算方法。

还有，对于填答者选择了“不知道”或“未涉及”等形式的选项，此部分在计算方法上不计入调查回复数量。

三、CSAT和NSS关注群体的差异

NSS 相较 CSAT，属于较为保守的计算方法。

在计算公式中可以看出，CSAT 是看重满意用户占比的情况，而 NSS 更加关注两端的用户，即满意和不满意的用户。

四、CSAT和NSS在数据因子构成的差异

NSS 在理念上是把 5 分值转换为了二元法的“好”与“坏”，在这个过程中属于降维，会损失一部分数据的信息特征，并会把误差的幅度加倍。这个问题在 NPS 指标上同样也存在。

NSS 可以看作是在 CSAT 的基础上，针对调查人群的细化。

因为 NSS 不是单一因子的变化，而是两个因子的相互变化所构成的。那么在 CSAT 和 NSS 在得分波动的觉察上，CSAT 仅体现满意回复数的变化，得分的波动可以很好被识别。

而 NSS 会相对更加隐蔽一些，例如，NSS = 15，可能是由 40% 满意和 25% 不满意的回复数所组成，也可能是 20% 满意和 5% 的不满意回复数所组成。

那么这两个 NSS 值相同，是否能表示相同的意义呢？

显然不行！

NSS 在报告数据结果的时候，需要把「满意度」、「不满意度」、「净满意度」同时汇报，便于获取数据背后的真实表现情况。

NSS 在后续的调查中要证明产品或服务随着时间的改进，需要将样本数加倍，否则无法区别抽样误差。

五、CSAT/NSS和NPS的组合使用差异

从中国质量协会用户委员会发布的 195 个品类满意度（CSAT）和 NPS 数据分析 发现结果是下面样子（每个点代表一个品类）。

这多少有点和我们的直觉相左。一般我们会认为 CSAT 高，NPS 会高；CSAT 低，那么 NPS 也会低。

但是调查数据表示，品类之间的 CSAT 和 NPS 的决定系数 R2 只有 0.25，两者为弱相关关系。

意思是 CSAT 的高低，并不能完全决定 NPS 的数据表现。即 CSTA 高，NPS 也有可能低，反之亦然。

而在 Michael Hou 的《NPS 客户忠诚度和 NSS 满意度预测模型》简报中，论证了 NSS 和 NPS 在内在逻辑的相关性。

在数据表现上，当 NPS 值升高时，其他商业过程 NSS 都大部分都有所提升。显示出很强的正相关性，可以进一步分析客户在具体哪些商业过程上有改善和仍然存在不足。

在NPS的搭配使用上，CSAT NPS 的组合，需要基于 NPS 再次进行细分分析，将客户进行人群细分，然后再对不同类型群体、不同特征下钻其痛点和未被满足的需求，确定驱动要素的改进优先次序。

而 NSS NPS 的组合，由于两者之间的正相关关系，可以进行更加细颗粒度的构成分析，拆解 NSS 和 NPS 中「满意 不满意」和「推荐 贬损」群体的重合程度，以及分别组合出来的群体间的具体差异。

以上。

专栏作家

龙国富，公众号：龙国富，人人都是产品经理专栏作家，CxHub主理人。致力于终身学习和自我提升，分享用户研究、客户体验、服务科学等领域资讯，观点和个人见解。

本文原创发布于人人都是产品经理，未经授权，禁止转载。

题图来自Unsplash，基于CC0协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。