NPS 分析提示词（净推荐值计算、推荐者与贬损者开放题归因、分群对比与改进行动清单）
做完 NPS（净推荐值）调研、拿到一堆打分和开放题回答之后用：正确计算 NPS，把推荐者、被动者、贬损者的开放题回答归类成主题，找出驱动推荐和导致不满的关键因素，并形成改进行动清单。
通用大模型 对话模型通用
请你作为客户体验（CX）分析师处理这批 NPS 数据。 产品 / 服务：[产品服务] 调研方式与时间、样本量：[调研信息] NPS 题目原文：[题目原文] 数据（每行：评分 0–10、开放题回答、可选的用户属性如套餐 / 地区 / 使用时长）： [调研数据] 上一次 NPS 结果（如有）：[历史结果] 分析步骤： 1. 计算：推荐者（9–10）、被动者（7–8）、贬损者（0–6）的人数与占比，NPS = 推荐者占比 − 贬损者占比；如果有用户属性，按属性分群分别计算。说明样本量较小时结果波动的风险。 2. 开放题编码：为三类用户分别把回答归纳成主题（如「客服响应快」「价格」「功能缺失」「稳定性」），每个主题给出提及次数、占该类用户比例和 2 条代表性原话（原话不改动）。 3. 驱动因素：对比推荐者和贬损者的主题差异，找出最能区分两者的 3 个因素。 4. 分群洞察：哪些用户群体的 NPS 明显偏高或偏低，可能的原因（标注为推测）。 5. 与上期对比（如有）：变化是否显著，主要由哪类用户的变化导致。 6. 行动清单： - 快速修复（1 个月内可做）； - 中期改进（需要产品或流程改动）； - 贬损者闭环：哪些贬损者需要回访、回访话术要点。 7. 汇报摘要：一段话 + 3 个关键数字。 注意：不对原话做美化或篡改；主题归类要可追溯；结论区分「数据显示」与「推测」。
高亮处换成你自己的内容：[产品服务]、[调研信息]、[题目原文]、[调研数据]、[历史结果]
ChatGPT Plus 充值
已被复制 0 次
使用说明
怎么填变量：[调研数据] 直接从问卷工具导出后粘贴即可，几十到几百条都可以；如果数据很多，可以分批让 AI 编码再汇总。[题目原文] 很重要，不同的问法（「推荐给朋友」与「推荐给同事」）会影响结果的解读。
常见坑：
- 把 7–8 分的用户算作推荐者，NPS 被高估；被动者不计入加减，但要分析他们为什么没给 9 分；
- 样本只有三四十份时，NPS 上下波动十几分都很正常，不要过度解读一次的变化；
- 只看分数不看开放题，最有价值的信息都在原话里。
迭代追问：「为需要回访的贬损者写一段电话回访的开场白和问题」「把主题编码结果整理成一张可以放进周报的表格」「设计下一次 NPS 调研的追问题，帮助我们更好地理解被动者」。
示例输出
示例，仅供参考（虚构：在线课程平台，样本 240 份）
计算：推荐者 96 人（40%），被动者 84 人（35%），贬损者 60 人（25%），NPS = 40 − 25 = 15。
贬损者主题（节选）
| 主题 | 提及 | 占贬损者比例 | 代表原话 |
|---|---|---|---|
| 课程更新慢 | 22 | 37% | 「买了半年，说好的新章节还没出」 |
| 答疑不及时 | 15 | 25% | 「问题发了三天才有人回」 |
驱动因素：「答疑响应速度」在推荐者中是提及最多的正面主题，在贬损者中是第二大负面主题，是最能区分两类用户的因素。
同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～