教学吸引力只有 1–5 分，能不能直接丢进 NPS？

不要直接丢。NPS 的切点写在 0–10 上，5 分李克特没有 9–10 这一档。应先按 1→0、5→10 等距映射并在方法部分写公式，或改跑用户满意度分析。映射后若大量人落在 7.5，他们会进中立者（类别 B），不是推荐者。

已经有平均推荐分，为什么还要单独跑 NPS？

平均分把 6 分和 10 分拉在同一条轴上；NPS 只奖励 9–10、只惩罚 0–6。两者一起写：平均分看整体位置，NPS 看两端撕扯。只报一个净值，会把本例 70 名中立者藏起来。若研究问题是分项满意而不是「愿不愿意推荐」，选满意度过程，不要改名冒充 NPS。

234 人里推荐者 90、贬损者 74，柱状图几乎一样高，净值还能用吗？

能用，但必须连三类一起写。净值 6.84 来自 38.46 − 31.62，柱高接近说明两端胶着，不是算错。写学期报告时用「有效 N=234，推荐者 90（38.46%），贬损者 74（31.62%），NPS=6.84」，不要只放一张几乎等高的图。

季度看板写成 NPS=7，SPSS 频率过程里 8 分要不要算推荐？

看板四舍五入可以写成 7，正文建议保留 6.84，避免跨期 6.4 与 7.4 被抹成同一个整数。8 分必须留在中立者：SPSS 用 RECODE 做成 1=0–6、2=7–8、3=9–10，再跑频率，三类人数应对上 74 / 70 / 90。把 8 分并进推荐者之后，请改指标名称，不要再叫 NPS。

NPS净推荐值分析

这篇能回答什么

NPS 回答的是「如果现在只准留一个口碑数字，愿意安利的人比重损者多还是少」。Reichheld 的切法把 9–10 分叫推荐者、7–8 分叫中立者（被动满意）、0–6 分叫贬损者。净值 = 推荐者占比 − 贬损者占比，中立者进分母、不进分子。本页结果表用类别 A / B / C 分别承接这三档。

适合追踪「向同学推荐本校」「向家长推荐课后服务」这类单一推荐题，并可按学校办学性质或就读年级拆开对比。它是描述指标：两组净值不同，不能自动写成「口碑显著更好」。

什么时候不该用

题干不是 0–10 推荐意愿时不要硬切。学生问卷里的「教学吸引力」「数学学习兴趣」是李克特 1–5，应先线性映射到 0–10 并写明规则，或改用用户满意度分析。多选题「会不会安利」走多重响应。要拆「通知 / 搜索 / 导出」各自是必备还是魅力，用KANO 模型，不是 NPS。编号列不能当推荐分。

如何选择方法

一口「愿不愿意推荐」→ NPS。一串分项满意（课堂、作业、家校）→ 满意度。功能上线会不会痛 → KANO。选项被勾了多少次 → 多重响应。品牌和理由谁跟谁绑 → 对应分析。不要把 1–5 满意均值改名叫 NPS。

NPS净推荐值分析：1 列 0–10 推荐分，0–2 个定类分组；输出三类人数、占比与净值。
用户满意度分析：总体或分项满意，不强制 9–10 / 7–8 / 0–6。
KANO 模型：正反向成对题，归功能类型，不算口碑净值。
多重响应：多选安利渠道或吐槽点，口径是人次不是互斥三类。
对应分析：定类交叉的感知图，不是一个点数。

用户满意度分析

汇总满意度指标并可视化短板，支持按维度或客群对比。

KANO 模型分析

通过正反双向提问，将产品功能精准划分为必备型、期望型、魅力型等，排定研发优先级。

多重响应分析

针对问卷的多选题分析比例情况与普及情况。

对应分析

把多个定类变量的列联关系降到二维或三维，用感知图展示类别之间的对应关系。

输入、输出与限制

输入

分析变量必须是一道 0–10 推荐分。学生问卷示例没有现成推荐列：运行前新增「向同学推荐本校（0–10）」，或把教学吸引力按 1→0、2→2.5、3→5、4→7.5、5→10 映射并在方法里写清。分组可用学校办学性质、就读年级。

推荐意愿：恰好 1 列；9–10 推荐者，7–8 中立者，0–6 贬损者。
分组变量：0–2 个定类列，用于分层净值。

输出

结果表按三类给出频数与占比，以及有效 N。类别 A = 贬损者，类别 B = 中立者，类别 C = 推荐者。净值用 C 的占比减 A 的占比。指定办学性质后，每一所类型用自己的 N 重算。另有三类构成图。

产品限制

落在 0–10 之外的分数不进三类，有效 N 会小于表行数。
推荐列若被认成编号 / ID，整列拒绝。
分组水平很多时，图只保留主要办学类型，三类人数以表为准。
缺推荐分的行不进分母；加权调查须先写入权重，否则与 SPSS 加权频率对不上。

案例

研究问题。 学校想把「你有多大可能把本校推荐给其他同学」收成一个可按学期对比的口碑点，并看公立 / 私立两套办学性质的净值是否同向。

教学示例基于学生问卷「有效样本数据」。推荐分用新增的 0–10 列（或由教学吸引力映射）；分层对照用学校办学性质，需要时再加就读年级。本页有效样本 234：贬损者（类别 A）74 人（31.62%），中立者（类别 B）70 人（29.91%），推荐者（类别 C）90 人（38.46%），净值 6.84。下载原表后补上推荐列即可按同样切分复现。

下载教学示例表（学生问卷）

在 StatsX 中操作

步骤 1 · 打开学生问卷

上传学生问卷 xlsx，工作表锁定「有效样本数据」。若还没有 0–10 推荐列，先在表里加上「向同学推荐本校」。
步骤 2 · 看画像再决定要不要映射

推荐列应显示 0 到 10。若你暂时只用教学吸引力（1–5），先完成映射，不要把 5 分直接当成推荐者。学校办学性质、就读年级应识别为定类。
步骤 3 · 点选 NPS净推荐值分析

目录搜索「NPS」或「净推荐」。
步骤 4 · 指定推荐列与分层

分析变量只勾那一列 0–10。要对比公立 / 私立，把学校办学性质放进分组（最多再加就读年级）。运行。
步骤 5 · 先三类后净值

核对有效 N，确认 A/B/C 已按贬损 / 中立 / 推荐读，再用推荐者占比减贬损者占比。图上三类柱接近时，仍以表内百分比算净值。

确认推荐分为 0–10，学校办学性质为定类。

推荐列进分析变量、办学性质进分组 — 0–10 推荐列进分析变量，学校办学性质可选作分组。

如何阅读输出

下表把互斥三档写成类别 A / B / C。分母是推荐分非缺失的 234 人。类别 A（贬损者，0–6 分）74 人，占 31.62%；类别 B（中立者，7–8 分）70 人，占 29.91%；类别 C（推荐者，9–10 分）90 人，占 38.46%。三类人数 74+70+90=234。

NPS净推荐值分析结果表

项目	类别	统计量	取值
NPS净推荐值分析	类别 A	频数	74
NPS净推荐值分析	类别 B	频数	70
NPS净推荐值分析	类别 C	频数	90
NPS净推荐值分析	合计	有效样本 N	234
NPS净推荐值分析	类别 A	占比(%)	31.62
NPS净推荐值分析	类别 B	占比(%)	29.91
NPS净推荐值分析	类别 C	占比(%)	38.46

左右滑动可查看完整表格

教学示例表在 StatsX 工作台中的计算结果口径。

贬损者、中立者与推荐者构成图 — 三类构成图；净值用表内百分比相减，不靠目测柱高。

净值 38.46 − 31.62 = 6.84 点：口碑略偏正，但贬损者仍有 74 人。中立者 70 人不进分子，却把两端百分比一起压薄——若把他们改算成推荐者，指标就不再是 NPS。分层办学性质时，各自用该类型的有效人数重算，禁止把 6.84 套到每一所学校。

读图读表的顺序：有效 N → 三档是否加总为 100% → 净值正负 → 贬损者是否大到必须单列行动。看板常把净值四舍五入成整数；与频率过程核对时先约定小数位，以及 8 分是否仍留在中立。

理论与公式

记有效推荐分为 x_j \in \{0,\ldots,10\}。三档人数

本例 n_R=90，n_D=74，N=234，故 (90−74)/234×100=6.84。n_P=70 只改变分母。指定学校办学性质 = g 时，把 N、n_R、n_D 换成该类型内部的量。切点 9/7/0 是原定义，改成「8 分也算推荐」必须改名，不能继续叫 NPS。

注意事项

教学吸引力 1–5 不能直接套 9–10 规则；映射或改做满意度。
净值没有标准误：公立比私立高 4 个点，仍要另做检验才能谈显著。
某一办学类型有效 N 太小时，不要单独对外宣传该类型 NPS。
题目措辞、刻度、切点改了，跨系列不可比。
加权样本必须先声明权重，否则与 SPSS 加权频率的三类百分比会裂开。

常见问题

参考文献

Reichheld, F. F. The one number you need to grow. Harvard Business Review, 2003, 81(12): 46–54.
Reichheld, F. F., Markey, R. The Ultimate Question 2.0. Harvard Business Review Press.
吴明隆. 问卷统计分析实务[M]. 重庆大学出版社.
科特勒, 凯勒. 营销管理[M]. 格致出版社.