机器学习中的 NPS

在企业界，净推荐值 (NPS) 指标经常被用来衡量客户满意度和忠诚度。但它不仅仅适用于企业界。机器学习模型的预测性能也可以通过 NPS 来评估。

许多不同的行业，包括医疗保健、金融、市场营销等，都使用机器学习模型来预测结果。然而，评估这些模型的效率可能很困难。ML 模型的性能通常使用准确率、精确率和召回率等传统指标来评估。然而，这些指标仅仅关注模型进行准确预测的能力，并不能完全反映模型的效率。

消费者被问及在 0 到 10 的评分范围内，他们向朋友或同事推荐某个产品或服务的可能性有多大。然后，根据他们的回答，消费者被分为三类。它们是：

• 批评者 (评分 0-6)： 对产品或服务表示不满，并会积极阻止他人使用的消费者。
• 被动者 (评分 7-8)： 对产品或服务感到满意，但不太可能主动推荐给他人使用的消费者。
• 推荐者 (评分 9-10)： 对产品或服务充满热情，并倾向于向他人推荐的消费者。

批评者百分比减去推荐者百分比即可得出 NPS 分数。分数越高，客户保留率和满意度越高。最终分数可能在 -100 到 +100 之间变化。

NPS 的应用

世界各地的许多组织都在使用净推荐值系统。最简单来说，NPS 衡量的是客户的拥护程度；您推荐的可能性有多大？以下是 NPS 的一些常见应用：

1. 可以使用 NPS 衡量客户对产品或服务的满意度。这些数据可用于找出问题领域并制定提高客户满意度的计划。
2. 可以使用 NPS 将公司业绩与其竞争对手进行比较。它可以用来找出公司落后于竞争对手的领域，并制定计划以加强其市场地位。
3. 可以使用 NPS 监测客户忠诚度随时间的长期变化。利用这些 NPS 数据可以发现趋势，并利用这些趋势制定提高客户忠诚度的方法。
4. 可以使用 NPS 来找出需要改进的客户体验的方面。有了这些信息，就可以制定改进客户体验的计划，例如加快结账流程或加强客户支持，从而改善客户体验。
5. NPS 可以帮助企业识别最有可能推荐其产品或服务的消费者（推荐者）以及最不可能推荐的消费者（批评者）。这些数据可用于制定有针对性的营销活动，并回应批评者的抱怨。
6. 可以使用 NPS 评估员工绩效。例如，客户服务代理的表现可以通过他们提高 NPS 评分的能力来衡量。

将 NPS 应用于机器学习模型

将 NPS 应用于机器学习模型涉及询问用户将该模型推荐给他人的可能性。这可以通过调查或其他反馈机制来完成。然后，可以使用这些响应来计算模型的 NPS 分数。

例如，假设我们创建了一个机器学习模型来预测客户是否会流失。我们可以向与该模型交互过的部分用户询问推荐的可能性。我们可以根据他们的回答确定模型的 NPS 分数。

对模型感到满意并倾向于向他人推荐的客户会获得较高的 NPS 分数。另一方面，如果 NPS 分数较低，则意味着客户对产品不满意，不太可能将其推荐给他人。

优点

以下是使用 NPS 进行机器学习的一些潜在好处：

1. 与更传统的方法相比，NPS 是一种更经济高效的衡量客户满意度的方法。机器学习算法可以快速可靠地评估大量数据，从而减少了对传统客户满意度衡量方法的依赖。
2. 可以使用 NPS 来评估公司与其竞争对手相比的表现。机器学习算法可以分析多家公司的 NPS 数据，以揭示市场趋势、消费者偏好和发展机会。为了保持竞争优势并提供更好的客户体验，可以利用这些信息。
3. 机器学习算法可以检查 NPS 数据，并根据消费者的反馈提供个性化的建议。这使得公司能够提供满足每个消费者特定需求的定制化解决方案。它提高了客户满意度和忠诚度，这需要根据他们的需求进行个性化。
4. 实时反馈是使用 NPS 进行机器学习的另一个好处。机器学习算法可以分析客户的反馈，然后立即提供见解。这使得公司能够迅速采取行动，以应对客户反馈并解决问题。
5. NPS 可用作客户行为的预测模型，这是其在机器学习中应用的关键优势之一。NPS 基于一个简单的询问：“您将此产品/服务推荐给朋友或同事的可能性有多大？”。客户的忠诚度和满意度可以通过这个询问得到有力预测。机器学习算法和 NPS 可以预测客户进行重复购买或返回的可能性。

缺点

尽管净推荐值 (NPS) 在机器学习方面可能提供有关客户忠诚度和满意度的有价值信息，但它也有一些局限性。以下是使用 NPS 进行机器学习的一些缺点：

1. 不同产品、服务或行业的 NPS 分数可能差异很大。这使得跨多个组织比较 NPS 分数和与行业标准设定基准变得困难。如果没有统一的标准，创建能够产生有价值见解的机器学习模型可能会很困难。
2. NPS 分数本身并不能为企业提供有用的信息。企业需要了解客户评分的原因以及其产品或服务中需要改进的具体领域，才能做出明智的决策。没有这些数据，机器学习算法可能无法产生有用的建议。
3. NPS 分数可能会受到调查长度、安排或被调查客户类型等因素的影响。例如，刚对某产品或服务有良好体验的客户更有可能给出高分，从而导致 NPS 结果过于乐观。由于这些偏差，创建精确的机器学习模型可能很困难。
4. NPS 仅评估客户对特定产品或服务的满意度。它不反映更广泛的客户态度或观点，例如客户对公司原则或品牌的看法。创建能够考虑更广泛的客户需求和偏好的机器学习模型可能会很困难，因为其范围很窄。
5. NPS 调查只包含一个问题：客户推荐此产品/服务的可能性。但是，没有提供客户获得特定评分的原因或背景。由于缺乏这种背景，可能很难理解客户满意或不满的根本原因。

Python 实现

现在我们将尝试在机器学习中实现 NPS。

客户根据向朋友和家人推荐的可能性在 0 到 10 的范围内对品牌进行评分。评分为 9 到 10 的消费者被归类为推荐者，评分为 0 到 6 的消费者被归类为批评者，评分为 7 到 8 的消费者被归类为被动者。通过将批评者百分比从推荐者百分比中减去来计算 NPS。

注意：此数据集基于来自不同国家/地区的实际客户评分分布。

问题陈述： 查找每个市场的最高 NPS 分数及其趋势。

• 导入库

输出

该数据包含 5000 行。每位客户都有一个 ID、他们的姓名、日期以及他们提供的分数。为了方便按日期汇总，月份和季度已经计算完毕。为了便于处理，我们将首先确定客户的推荐者、被动者或批评者身份。

现在我们将创建一个新列，将客户分配到三个细分市场中：

• 批评者
• 无源
• 推荐者

输出

• 按市场划分的 NPS

这是主要任务，我们将找出 NPS 在不同市场之间是否存在差异。

输出

我们可以看到，墨西哥与另外两个市场之间存在显著差异。

现在我们也可以看看墨西哥 NPS 的变化。

输出

现在我们可以轻松地看到 NPS 随时间变化的趋势。

趋势有起伏，但我们可以看到目前 NPS 呈上升趋势。

结论

NPS 是一个强大的指标，可用于评估机器学习系统在客户保留和满意度方面的表现。通过跟踪系统 NPS 随时间的变化，公司可以跟踪用户满意度的增减，并采取适当措施解决任何潜在问题。NPS 还可用于比较不同机器学习模型或系统的性能，并找出系统缺陷。随着机器学习的不断发展和普及，NPS 将成为评估和提升客户满意度和忠诚度的日益重要的工具。