NPS 分析提示詞（淨推薦值計算、推薦者與貶損者開放題歸因、分群對比與改進行動清單）
做完 NPS（淨推薦值）調研、拿到一堆打分和開放題回答之後用：正確計算 NPS，把推薦者、被動者、貶損者的開放題回答歸類成主題，找出驅動推薦和導致不滿的關鍵因素，並形成改進行動清單。
通用大模型 對話模型通用
請你作為客戶體驗（CX）分析師處理這批 NPS 數據。 產品 / 服務：[產品服務] 調研方式與時間、樣本量：[調研資訊] NPS 題目原文：[題目原文] 數據（每行：評分 0–10、開放題回答、可選的用戶屬性如套餐 / 地區 / 使用時長）： [調研數據] 上一次 NPS 結果（如有）：[歷史結果] 分析步驟： 1. 計算：推薦者（9–10）、被動者（7–8）、貶損者（0–6）的人數與佔比，NPS = 推薦者佔比 − 貶損者佔比；如果有用戶屬性，按屬性分群分別計算。說明樣本量較小時結果波動的風險。 2. 開放題編碼：為三類用戶分別把回答歸納成主題（如「客服響應快」「價格」「功能缺失」「穩定性」），每個主題給出提及次數、佔該類用戶比例和 2 條代表性原話（原話不改動）。 3. 驅動因素：對比推薦者和貶損者的主題差異，找出最能區分兩者的 3 個因素。 4. 分群洞察：哪些用戶群體的 NPS 明顯偏高或偏低，可能的原因（標註為推測）。 5. 與上期對比（如有）：變化是否顯著，主要由哪類用戶的變化導致。 6. 行動清單： - 快速修復（1 個月內可做）； - 中期改進（需要產品或流程改動）； - 貶損者閉環：哪些貶損者需要回訪、回訪話術要點。 7. 彙報摘要：一段話 + 3 個關鍵數字。 注意：不對原話做美化或篡改；主題歸類要可追溯；結論區分「數據顯示」與「推測」。
高亮處換成你自己的內容：[產品服務]、[調研資訊]、[題目原文]、[調研數據]、[歷史結果]
ChatGPT Plus 充值
已被複製 0 次
使用說明
怎麼填變量：[調研數據] 直接從問卷工具導出後粘貼即可，幾十到幾百條都可以；如果數據很多，可以分批讓 AI 編碼再彙總。[題目原文] 很重要，不同的問法（「推薦給朋友」與「推薦給同事」）會影響結果的解讀。
常見坑：
- 把 7–8 分的用戶算作推薦者，NPS 被高估；被動者不計入加減，但要分析他們為什麼沒給 9 分；
- 樣本只有三四十份時，NPS 上下波動十幾分都很正常，不要過度解讀一次的變化；
- 只看分數不看開放題，最有價值的資訊都在原話裏。
迭代追問：「為需要回訪的貶損者寫一段電話回訪的開場白和問題」「把主題編碼結果整理成一張可以放進週報的表格」「設計下一次 NPS 調研的追問題，幫助我們更好地理解被動者」。
示例輸出
示例，僅供參考（虛構：在線課程平台，樣本 240 份）
計算：推薦者 96 人（40%），被動者 84 人（35%），貶損者 60 人（25%），NPS = 40 − 25 = 15。
貶損者主題（節選）
| 主題 | 提及 | 佔貶損者比例 | 代表原話 |
|---|---|---|---|
| 課程更新慢 | 22 | 37% | 「買了半年，說好的新章節還沒出」 |
| 答疑不及時 | 15 | 25% | 「問題發了三天才有人回」 |
驅動因素：「答疑響應速度」在推薦者中是提及最多的正面主題，在貶損者中是第二大負面主題，是最能區分兩類用戶的因素。
同款作品
用這條提示詞做出來的作品；原作者會因此獲得積分
還沒有同款，來做第一個。
0 條評論
還沒有評論，來搶沙發～