风铃系统致力于打造未来的商业操作系统，运用大数据和人工智能技术，推出了品牌体验、产品体验、服务体验和员工体验组成的CEM产品矩阵，为企业、政府、高校和个人提供问卷设计、样本收集、建模分析、决策建议等一站式解决方案。

那么，接下来风铃系统跟大家聊聊：客户满意度和忠诚度。

顾客满意度和忠诚度是我们做市场调研经常会碰到的一种项目类型，像汽车、酒店、航空、金融理财等服务类或高价值产品的行业会经常做这类型的调研，因为这些行业除了基础的产品和服务外，顾客体验很大程度上与人息息相关。

首先要了解满意度和忠诚度是两回事，满意度是一种态度，忠诚度是一种行为。满意度高不一定代表忠诚度高，中间会有竞争和市场环境的因素影响。

从大方向来看，顾客忠诚度(Loyalty)是一种自上而下的项目类型，聚焦的是群体，作为重要的行为指标，了解是什么驱动了loyalty，更具战略性。

顾客满意度(Satisfaction)是一种自下而上的项目类型，基于每个人在每一次交易中产生的满意度，聚焦的是个人而非群体，通过追踪不同体验上的触点，通过闭环式反馈致力于优化和改善顾客体验，更具战术性。

NPS
关于顾客忠诚度的研究，业内用得最广泛的一个指标是NPS，即Net Promoter Score（净推荐值）

问的问题也很简单，就一道题目：从0到10，你多大程度上愿意将品牌推荐给自己的亲朋好友？0代表可能性最小，10代表可能性最大。

 
打分出来的结果可以分为三群人：9~10是Promoter，7~8是Passive（不会主动推荐，也不会主动批评）0~6是Detractor。

如图，NPS的算法也很简单，等于9~10的比例减去0~6的比例。

NPS是一个很简单、纯粹的指标，我们要了解到它聚焦的是一群人而非个人，最后呈现的是一个现象或者说现状，没法在个人层面解析现象背后的原因，也无法对如何优化结果提供启示。另外NPS的结果可能受被访者单次很负面或正面体验的影响。

关于NPS的一些常见误区：

受访者的claim与实际行为未必一致
不同用户打分的价值不一样，比如同一款产品网红推荐的效果比普通人推荐要好很多
在某些竞争激烈、潜在顾客更需要建议的行业更能发挥价值（比如：对于新手妈妈的奶粉推荐）
只考虑用户，忽视了一些非用户或者流失用户的评价，不够全面
没有考虑分值的排布，只看结果会带有一些误导性，比如70%-30%和40%-0%的NPS值一样，没有进一步分析
这个指标过于单纯，对打分0~6的一概而论，数据粒度分析比较粗糙
关于用户忠诚度的驱动因素分析，另一种衡量方式是：

 
"开心、关心、偏心"是三种用户关系的心态：

开心：品牌X越是能够满足用户体验，用户会越开心，忠诚度也越强。
关心：鉴于开心的用户也可能会流失，不开心的用户未必会放弃这个品牌，所以用户对品牌的关心程度也是影响用户忠诚度的重要因素。
偏心：关心品牌X的开心用户固然忠诚度高，但也会有可能流失，因为他们更偏心于其他品牌。

CLF
顾客满意度的调研不是为了问而问，最终是要能够优化体验，而CLF（即Close Loop Feedback，闭环反馈系统）这个概念就是为了帮助企业在不同触点上优化顾客体验。

顾客在体验过程中的各种触点上会产生不同的满意度指标，触点可以分得很细，像产品、服务、价格、包装、物流、沟通... 
比如航空公司通过邮件、电话、短信、微信公众号等渠道主动或被动收集用户关于服务的反馈，进行处理。

实际上除了企业主动发布问卷收集信息和数据之外，网络上也有很多关于产品或服务的评论内容，这些结构化或非结构化数据我们通过Social Listening提炼有价值的信息，包括声量多大、从什么渠道来的、情感分类...也是丰富顾客满意度与忠诚度研究的重要数据来源。