客户体验：结合NLP分析客户评论情绪，生成净推荐值（NPS）

Guofu 第 65⭐️ 篇原创干货分享

写在前面

随着数字化转型的浪潮席卷，客户体验的接触点变得愈发离散。

传统的净推荐值（NPS）采取问卷调查为载体进行，填答率通常在 5-8% 左右，即便是在抽样之前进行了配比控制，小样本的调研还是会造成抽样偏差。

对净推荐值（NPS）不了解的朋友，可以先阅读：

净推荐值(NPS)完整行动指南

如何在 Excel 中计算 NPS

NPS如何在企业进行应用实践

NPS 3.0：净推荐值的补充性财务指标 - "赢得性增长率(EGR)"

我在想，是不是可以通过把散落在各处的客户反馈进行整合，以评论数据去理解和分析客户体验，而不必局限于询问客户：你有多大可能性将 [品牌/产品/服务] 推荐给朋友或同事？

在最近企业咨询的项目中，我对净推荐值（NPS）的使用进行了新的尝试。

以客户评论数据切入，通过 NLP 分析客户的情绪倾向，量化计算生成净推荐值（NPS），以此划分推荐者和贬损者。

这种方法解决问卷调查在“数据样本获取成本、样本覆盖率、分析标准一致性，以及缺乏定性信息解释原因”等问题，可以更有效率获取到客户体验的态度数据，并从中找到发力点。

这或许是净推荐值（NPS）使用的新趋势，一起来了解一下。

1、为什么选择评论数据？

相比于问卷调查，客户其实更加倾向于对所消费的产品或服务进行评论。在线客户评论作为线下口碑的网络延展形式，具有信源可信度高、获取成本低且不受时间和空间限制等特点，这些评论也在客户决策参考信息中发挥着巨大的作用。

研究发现，客户的在线评论会影响客户的决策以及企业的销售量，这会给企业带来间接的价值（赵萌&齐佳音，2014）。像去逛线上购物会先去看评论、买家秀，去线下吃饭会先去看大众点评，去看电影先去看豆瓣评分等，潜在客户会受到这些评论的影响，做出消费行为。

相比之下，虽然客户并未直接回答净推荐值（NPS）的问题，但是在进行评价的过程中，同时满足了「回顾过程+目标对象+推荐动机」的推荐行为三要素。(“三要素”概念解读请阅读：问卷设计：NPS/CSAT要先问还是后问？)

1) 回顾过程：客户评论是历经了一个完整的回顾，即思考这个产品或服务哪里好（坏）。

2) 目标对象：由于大家消费大多会去浏览评论，那么客户在评价的过程，其实是有目标对象的，就是那些未来准备购买的人。

3) 推荐动机：从这一层关系上推论，客户在描绘对产品或服务态度的同时，在当下社会的消费语境中，自我增强（利己/声誉/经济激励）、维权、负面情绪发泄等动机会助推客户评论，让间接推荐的行为得以顺利发生。

此外，在 Dellarocas,C. & Narayan（2005）的研究中发现，客户对产品的满意度和口碑传播呈 U 形关系，即客户会对产品或服务「非常满意」或「非常不满意」会积极给与反馈评论，这与净推荐值（NPS）在理念上也是一致的。

因此我认为，反馈评论数据可以用作询问净推荐值（NPS）问题的替代品。

2、评论的情绪分析

我们知道人类自然语言中的情感色彩非常丰富，一般会包括情绪（悲伤/快乐）、心情（自在/郁闷）、喜好（喜欢/讨厌）、个性（张扬/腼腆）、立场（刚正/摇摆）等等。

情绪分析也称为“意见挖掘”，主要通过技术手段去自动分析客户评论中隐含的情绪倾向，并通过数值化方式表达。目的是帮助企业了解客户对产品/服务的感受，为产品/服务改进提供依据，更好地进行商业决策。

情绪分析的目标就是从客户评论的非结构化的文本抽取出「实体、属性、观点、观点持有者、时间」这五个要素，并且对它们的关系进行分析，最终得出评论内容表达的情绪倾向性。其中实体和属性合并称为评价对象（target），而观点持有者与时间这两个要素可依分析需要加入。

而评论要实践净推荐值（NPS）理念的话，需要用到的是情绪分析中的极性分类（Polarity Classification）能力。即在客户评论的内容中，通过情绪极性分析归类为正面、负面和中性。

正面：表示正面积极的情绪，如高兴，幸福，惊喜，期待等。

中性：表示客观的陈述事实，不涉及个人情绪色彩的表态，或者是不相关、包含愿望的信息。

负面：表示负面消极的情绪，如难过，伤心，愤怒，惊恐等。

以某手表商家评论为例：

客户 A：手表外观看着就大气，功能很多，一直都相信 XX 品牌，而且还是防水的，充电速度也快，喜欢。

客户 B：这是我买来给给家里弟弟使用，还没开始用。

客户 C：信用很差，说好的送太空人表盘，需要自己先买，然后再把钱退回来，说好 3 天退，到第 6 天都还没退，要一直催。

通过情绪分析的极性分类：

客户 A 的评论为： 正面情绪

客户 B 的评论为： 中性情绪

客户 C 的评论为： 负面情绪

人工的判断可以判别情绪极性，但是计算净推荐值（NPS）是需要具体的数值进行计算的，可以怎么做，接着往下看。

3、如何从情绪分析中计算NPS？

得益于自然语言处理 (NLP, Natural Language Processing) 技术的发展，从之前 AI2 的 ELMo，到 OpenAI 的 fine-tune transformer，再到 Google 发布的 BERT 模型。NLP 库的进步使得从评论内容中提取信息更容易、更准确。

我尝试利用 NLP 通过 4 个步骤，分析客户评论的正负面评论比例以及情绪值，结合 NPS 的方法，从而识别推动者和反对者。

具体操作步骤如下。

步骤 1：采集已购买客户的评论数据，依据客户 ID 进行评论汇总。

客户ID	评论
客户 A	距离川沙公路较近，但是公交指示不对，如果是"蔡陆线"的话，会非常麻烦。建议用别的路线，房间较为简单。
客户 B	商务大床房，房间很大，床有2M宽，整体感觉经济实惠不错！
···	···
客户 Z	CBD中心,周围没什么店铺,说5星有点勉强.不知道为什么卫生间没有电吹风。

原则上是可以把所有的客户评论都进行分析。由于我们更加希望关注购买频繁客户的声音，在实际的应用上，可以设定适用于分析的基准值。比如，一年内最低消费次数为 3 次，作为分析目标对象。

通过数据汇总，你大概可以得到下面的表格。

客户ID	评论数
客户 A	100
客户 B	40
···	···
客户 Z	55

通过这个表格，可以筛选出需要进行分析的客户范围。或者，还可以依据客户评论数量设定不同客户群，分别进行。

步骤 2：把评论进行 NLP 情绪分析，依据客户 ID 汇总正面/负面评论数。

接下来，需要使用到 NLP ，来帮助我们完成极性分类的评分环节。对于想要体验 NLP 情绪分析的小伙伴，可以使用中国传媒大学的“语言智能开放平台”体验一下。(http://ling.cuc.edu.cn/cucNLPTools/cucnlp/cuc_ui/index.html#/pc_emotion)

我是使用谷歌的 AutoML Natural Language 创建分析模型，搭建完成后把你需要分析的评论文本信息导入，模型就可以根据文本内容，给出相应的极性分类。

情绪值的区间为 [-1,1]，越靠近 +1，情绪越正面；越靠近 -1，情绪越负面；0 则为中性情绪。比如，TT 同学的评论为正面情绪（0.84），DD 同学的评论为负面情绪（-0.5）。

下面是评论内容情绪分析-极性分类的示例。

客户ID	评论	极性分类	情绪值
客户 A	距离川沙公路较近，但是公交指示不对，如果是"蔡陆线"的话，会非常麻烦。建议用别的路线，房间较为简单。	负面	-0.054
客户 B	商务大床房，房间很大，床有2M宽，整体感觉经济实惠不错！	正面	0.4
···	···	···	···
客户 Z	CBD中心，周围没什么店铺，说5星有点勉强。不知道为什么卫生间没有电吹风。	负面	-0.38

经过 NLP 情绪分析-极性分类之后，再依据客户 ID 进行正面评论数和负面评论数汇总。

客户ID	评论数‍‍	正面评论数‍‍	负面评论数‍‍
客户 A	100	50	50
客户 B	40	20	20
···	···	···	···
客户 Z	55	50	5

步骤 3：计算正面/负面评论的平均分，计算评论得分。

为了识别客户属于「推荐者、中立者、贬损者」的类型，把该客户的评论情绪值依据「正面」和「负面」区分，分别计算平均数。

得到平均数后，参照净推荐值（NPS）的理念，找出该客户在整个购买历程当中，正面和负面的差值占比，以此得到该客户对于品牌的整体情绪倾向。

计算公式如下：

评论得分 = ((正面评论数 x 正面评论分) + (负面评论数 x 负面评论分) )/评论总数

 注意：由于负面评论的情绪值为「负数」，所以这里使用的是加号。概念上，是正面情绪总得分减去负面情绪总得分。

客户ID	正面评论数	平均分	负面评论数	平均分	总评论数	平均得分
A	41	0.9	1	-0.92	42	0.86
B	15	0.97	2	-0.92	17	0.75
C	2	0.98	24	-0.97	26	-0.82
D	33	0.85	1	-0.88	34	0.8
D	46	0.91	22	-0.98	68	0.3
D	44	0.99	2	-0.75	46	0.91
D	77	0.82	3	-0.81	80	0.76
D	59	0.78	3	-0.93	62	0.7
D	1	1	11	-0.82	12	-0.67
D	6	0.9	8	-0.86	64	0.68
D	63	0.76	5	-0.65	68	0.66
D	17	0.97	2	-0.66	19	0.64

比如，客户 A，总评论数为 42，其中正面评论数为 41，正面评论平均得分为 0.9。负面评论数为 1，负面评论平均得分为 -0.92。

客户 A 评论得分 = ((41 x 0.9) + (1 x (-0.9))) / 42

经由计算可以知道，客户 A 的整体评论情绪值为：0.86。

步骤 4：转化为 NPS 分数，划分客户类型，计算 NPS 得分。

为了消除评论得分之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。这里 NPS 的计算通过把各评论得分转化为 [0-10] 的量级，进行客户类型的划分。

计算公式如下：

客户NPS = (评论得分 + 1) x 5

品牌NPS = 推荐者% - 贬损者%

计算示例：

客户 ID	正面评论数	平均分	负面评论数	平均分	总评论数	平均得分	NPS	客户类型
A	41	0.9	1	-0.92	42	0.86	9.28	推荐者
B	15	0.97	2	-0.92	17	0.75	8.74	推荐者
C	2	0.98	24	-0.97	26	-0.82	0.9	贬损者
D	33	0.85	1	-0.88	34	0.8	9	推荐者
E	46	0.91	22	-0.98	68	0.3	6.49	中立者
F	44	0.99	2	-0.75	46	0.91	9.57	推荐者
G	77	0.82	3	-0.81	80	0.76	8.79	推荐者
H	59	0.78	3	-0.93	62	0.7	8.49	推荐者
I	1	1	11	-0.82	12	-0.67	1.66	贬损者
J	6	0.9	8	-0.86	64	0.68	8.4	推荐者
K	63	0.76	5	-0.65	68	0.66	8.28	推荐者
L	17	0.97	2	-0.66	19	0.64	8.19	推荐者

 可公众号后台回复【计算器】获取此 Excel 计算表

注意：在净推荐值（NPS）的评分方式上是不存在小数的分数值，这里会将 X≤6  划分为贬损者， 8≥X＞6 划分为中立者， X>8 划分为推荐者。

比如，客户 A 的评论得分是 0.86 分，那么她的 NPS 得分就是 (0.86 + 1) x 5 = 9.28，属于推荐者。

根据计算，可以知道有 9 位推荐者，2 位贬损者，那么品牌的 NPS 得分为：= (9 - 2) / 12 x 100 = 58.3。

4、如何从结果中下钻分析，找到需改进痛点？

我们知道 NPS 的得分并不能为企业带来价值，得分背后原因的挖掘才是真正意义所在。同样，依此方法同样可以达成。

以某酒店的客户评论为例，通常酒店在消费者视角，会关心「服务、价格、设施、位置、餐饮、卫生」六大维度。

从上面分析所划分的推荐者和贬损者，依据这六大维度以及继续下钻。通过划定的维度，借由 NLP 技术，分别对于不同维度进行极性分类，获得情绪值。

评论	服务	价格	设施	位置	餐饮	卫生
CBD中心，周围没什么店铺，说5星有点勉强。不知道为什么卫生间没有电吹风。	中立	负面 -0.3	负面 -0.6	正面 +0.8	中立	中立

另外，可以通过词云的方式，找到对于推荐者、贬损者客户群来说，都是哪些接触点在发挥作用。

以此，寻找对于不同客户类型来说，分别可以优化改善的发力点是哪些，并从中找到产品或服务改善的优先次序，帮助你快速掌握客户的脉搏并采取行动。

总的来说，不同维度转化为数值之后，后续的分析等同于常规的 NPS 分析步骤。

写在最后

这是一种新的净推荐值（NPS）实践思路，结合 NPS 的核心理念和 NLP 技术，可以确定品牌的推荐者者、贬损者者和中立者，亦可以下钻通过多维度拆解评论（定性数据）找到背后具体的原因。

在数据样本获取成本、样本覆盖率、分析标准一致性，以及缺乏定性信息解释原因等问题上，该思路基本可以解决上述挑战。

客户体验伴随着业务的进行，同步进行监测，可持续性观测客户对于品牌长期以来的态度变化趋势。

当然，目前这个模型度量概念还处于需要不断探讨验证的阶段，像不同领域语料库的完整程度，会直接影响 NLP 的输出结果，从而影响整体的数据表现。

以上，是我最近关于净推荐值（NPS）的实践总结，希望对你有所启发。

欢迎有不同想法的朋友交流学习。

 来一起唠唠客户体验 ‍♂️

点击这里，可以加我微信，进入客户体验交流群~

本文完.

---

⭕️⭕️ 如何领取读者专属资源？

先将“龙国富”公众号设为⭐️星标，然后在后台回复以下关键词，即可领取。

NPS   NPS(净推荐值)资料包

RFM  RFM(客户分群)资料包

KANO  KANO(需求优先级)分析资料包

计算器  Excel计算体验指标模板

体验地图  200+真实用户体验旅程地图案例

服务蓝图  服务蓝图模板（OmniGraffle）

IPA  IPA(用户需求与期待)分析资料包

统计  统计分析工具安装包

喜欢就点个“赞”和“在看”呗