找到
45
篇与
全部文章
相关的结果
- 第 9 页
-
【spss】信度分析 步骤 分析---刻度---可靠性分析 Pasted image 20250206181449.png|300图片 把量表题目拖入进去(先单个维度、再总体) 统计---勾选“描述”下的“删除项后的标度” Pasted image 20250206181913.png|300图片 继续---确定 最终表格绘制如下： Pasted image 20250206182544.png图片 概念解释与结果解读 克隆巴赫Alpha 定义：克隆巴赫Alpha（Cronbach’s α）是衡量量表内部一致性的常用指标。 标准： α ≥ 0.9：好 0.9＞α ≥ 0.8：良好 0.8＞α ≥ 0.7：可以接受 0.7＞ α ≥ 0.6：仍具有一定的信度，但需谨慎解释 0.6＞ α：信度不足，建议修改或删除部分题项 Agbo A A. Cronbach’s Alpha: Review of Limitations and Associated Recommendations[J]. Journal of Psychology in Africa, 2010, 20(2): 233-239. 若删除某一题项后Alpha值升高 可直接删除这个题目再进行分析 检查问卷，剔除答题时间过短以及回答重复过多等无效问卷 删除后Alpha值提升幅度较小（如+0.05）则保留 进行探索性因子分析(EFA)，共同度或因子载荷符合标准（共同度＞0.3，载荷>0.4）则保留 可做成以下表格样式： 维度信度效度维度1xxxx维度2xxxx维度3xxxx总体xxxx点此处观看原视频：【spss】信度分析---可靠性检验_哔哩哔哩_bilibili
-
清洗数据---空值变成0 缘由 因为发现从腾讯问卷导出的数据，多选题格式不正确，不适合导入到SPSS里面做分析。问题主要有： 未选中应该是0，这里为空值。 其他列如果有应该为1，这里直接是填写后的内容。 问题展示： image.png|500图片 因此，我通过 Python 代码进行了数据清洗。 使用前准备 重新命名变量：首先需要对变量进行重新命名，例如：Q1、Q2 等，针对多选题，命名为 Q3_1、Q3_2 等。变量名应为变量的英文缩写，例如：感知易用性可以命名为 PEOU1、PEOU2。 将 Excel 文件保存为 CSV 格式。操作步骤如下： 启动 Excel 并打开目标文件。 点击左上角的“文件”菜单。 在菜单中选择“另存为”（有些版本可能会直接显示“保存为”）。 在弹出的对话框中选择保存文件的位置。 在“保存类型”下拉框中选择 CSV（逗号分隔）（*.csv）。 这是已经准备完毕的数据格式示例： image.png图片 确保 Python 已安装 numpy 和 pandas 库。如果没有，请在命令行终端输入以下命令： pip install numpy pip install pandas 复制文件路径 选中目标文件或文件夹。 按下 Ctrl + Shift + C，将文件或文件夹的完整路径复制到剪贴板。 注意：复制的路径会包含引号，后续需要去除引号。 代码 import pandas as pd # 读取 CSV 文件，将 'input.csv' 替换为你的文件路径，注意去除路径中的引号。 # 例如，若复制路径为 "C:\Users\xcyy5\Desktop\test.csv"，则应去掉引号，改为 C:\Users\xcyy5\Desktop\test.csv。 # 注意：代码中的单引号不要更改或删除 df = pd.read_csv(r'input.csv') # 定义需要处理的列范围（从 A 到 B），A 替换为多选题的第一题列名，B 替换为最后一题列名。 # 例如，若我的多选题从第六题到第八题，第八题有 4 个选项，A 替换为 Q6_1，B 替换为 Q8_4。 columns_to_process = df.loc[:, 'A':'B'].columns # 对指定列进行处理：非 1 的值（包括空值）替换为 0 df[columns_to_process] = df[columns_to_process].apply(lambda col: col.apply(lambda x: 1 if x == 1 else 0)) # 保存处理后的结果到新文件，确保汉字正确输出。将 'output.csv' 替换为导出文件的路径。 # 例如，如果想导出到 D 盘的 works 文件夹，并命名为“清洗后-空值为0.csv”，则路径为 D:\works\清洗后-空值为0.csv。 # 注意：代码中的单引号不要更改或删除 df.to_csv(r'output.csv', index=False, encoding='utf_8_sig') print("处理完成，文件已保存！")
-
【SPSS】描述性统计 视频 点击此文本观看本文视频版 更多SPSS视频请看：SPSS视频合集地址 描述统计---频率 名词解释 百分比：某类别或数值出现的频数占总样本量（含缺失值）的比例，乘以100。 有效百分比：某类别或数值出现的频数占有效样本量（排除缺失值）的比例，乘以100。 累计百分比：从第一个类别开始，逐层累加各分类的百分比（或有效百分比），反映数据的累积分布。 其他： 平均值(M)：数据总和除以样本量，反映集中趋势，易受极端值影响。 中位数(D）：数据排序后处于中间位置的值，适用于偏态分布或存在极端值的数据。 众数(Q)：数据中出现次数最多的值，可能不唯一。 总和(S)：所有数值的加总结果。 标准差(I）：衡量数据离散程度，值越大表示数据越分散。 最小值(I)：数据集中的最小数值，用于识别异常值或数据范围。 最大值(×)：数据集中的最大数值，与最小值共同定义数据范围。 方差(V) ：标准差的平方，反映数据偏离均值的平均程度。 范围(N)：最大值与最小值的差值，体现数据跨度。 标准误差平均值（E)：样本均值的波动程度，用于估计总体均值的置信区间。 操作 分析→描述性统计→频率 Pasted image 20250129204831.png图片 黏贴表格到excel中，为以下格式 Pasted image 20250129205335.png图片 复制到word里面，制作成三线表然后解释 Pasted image 20250129205735.png图片 描述统计---交叉表 前置概念 假设要分析“性别”与“吸烟习惯”之间的关系。在交叉表中： “性别”会放在 列 位置。 “吸烟习惯”会放在 行 位置。 个案加权：如果一行代表一个个案(人)则不需要，如果代表一类则需要。 Pasted image 20250204123958.png|350图片 名词解释 精确(X) 仅渐进法 (A)： 定义：基于大样本理论的一类统计检验方法，它假设样本量足够大时，统计量的分布趋于某种已知分布（例如正态分布）。这种方法对于样本量较大的情况下特别有效，但在样本量较小的情况下可能不准确。 应用：例如，卡方检验和t检验通常都基于渐进理论。渐进方法是通过样本量逐渐增大，来获得近似的结果。 蒙特卡洛法 (M)： 定义：通过随机模拟进行近似计算的统计方法。它通过大量随机样本来估计概率分布、计算期望值、评估检验的显著性等。这种方法非常适合那些难以通过传统解析方法求解的复杂问题。 应用：比如，模拟样本数据来估算检验统计量的分布，从而计算p值或显著性水平。 置信度级别 (C): 定义：指在重复的实验中，构造的置信区间包含未知参数的比例。99%的置信度意味着有99%的概率该区间包含真正的参数值，只有1%的概率区间不包含。 应用：例如，如果你在一次实验中得到一个99%的置信区间，那么你可以有99%的信心认为区间包含了总体参数。 样本数 ( N): 定义：样本数是指在统计实验或调查中所选择的个体数量。在进行假设检验或模拟时，样本量的大小直接影响结果的准确性和稳定性。 应用：样本量越大，检验的功效通常越高，能够更好地反映总体特征。 Fisher精确检验 (E) 定义：精确通常指的是在某一特定测试中，估计值与真实值之间的接近程度。在统计检验中，精确度通常与标准误差有关，标准误差越小，估计值的精确度越高。 应用：高精度的统计检验能够给出更加准确的结论，减少误差。 每个检验的时间限制 (T): 定义：这指的是在进行统计检验或模拟时，每次检验的最大允许时间。在一些复杂的计算或模拟中，为了节省计算资源或在实际应用中提高效率，可能会对每个检验的执行时间设定一个上限。 应用：对于大型数据集或者复杂模型，可能需要通过设定时间限制来避免计算时间过长，导致程序的停滞。 在样本较小或期望频数较低时。 统计(S) 卡方检验 (H) 定义：常用的检验方法，用于评估两个分类变量之间是否存在统计显著的独立性或相关性。它通过比较观察频数与期望频数之间的差异来进行检验。 应用：常用于列联表分析中，检验如性别与某个行为是否相关等问题。 相关性 ( R) 定义：相关性度量了两个变量之间的线性关系强度和方向。它的值在 -1 和 1 之间，-1 表示完全负相关，1 表示完全正相关，0 表示无关。 应用：适用于连续变量之间的关系分析。 名义 列联系数（Q） 用于衡量两个分类变量之间的关系强度。它是基于卡方检验的结果，通过标准化的卡方统计量来计算，表示的是分类变量之间的关联程度。它的值范围是从 0 到 1，0 表示没有关联，1 表示完全关联。 Phi和克莱姆V Phi 系数 (Φ)： 定义：Phi 系数是一个用于衡量2×2列联表中二分类变量之间关联程度的统计量。它的值范围是 -1 到 1，1：完全正相关，意味着排序完全一致。 -1：完全负相关，意味着排序完全相反。0：无关联，表示排序完全独立。 适用情况：通常用于二元分类（2×2列联表），如性别与是否吸烟之间的关系。 克莱姆V 系数 (Cramér's V)： 定义：克莱姆V系数是一个标准化的卡方检验统计量，适用于任何规模的列联表（不仅限于2×2表）。它的值也在0到1之间，0表示没有关联，1表示完全关联。克莱姆V提供了一种衡量变量之间强度的标准化方式，尤其当列联表的维度大于2时。 适用情况：适用于多分类变量之间的关系分析，尤其在多类别的情况下，比Phi系数更为常用。 SPSS 中应用：当选择 Phi和克莱姆V时，SPSS 会同时计算这两个统计量，并根据你的数据规模提供相应的关联强度度量。 Lambda 定义：Lambda 是衡量两个分类变量之间关系强度的一个度量，特别适用于分类变量（名义变量）与因变量（或自变量）之间的关联度。Lambda值的范围是从0到1，值越大，表示变量之间的关联越强。Lambda主要通过计算当知道自变量的值时，因变量的不确定性减少的程度来衡量关系。 适用情况：当你需要衡量一个分类自变量对另一个分类因变量的影响强度时，可以选择Lambda。例如，判断教育水平（自变量）对职业类型（因变量）的影响。 SPSS 中应用：在交叉表分析中勾选 Lambda 后，SPSS 将计算该值，并提供关于自变量与因变量之间关系强度的信息。 不确定性系数(U） 定义：不确定性系数是一种测量两个分类变量之间依赖关系的度量，源于信息理论。它表示知道一个变量的值时，可以减少另一个变量不确定性的程度。与Lambda类似，它也反映变量之间的依赖关系，但其计算方法基于信息量的减少。通常，不确定性系数的值在0到1之间，值越大，表示依赖关系越强。 适用情况：适用于分类数据之间复杂的依赖关系度量，尤其在处理信息不对称或不确定性分析时非常有用。 SPSS 中应用：在交叉表分析中勾选 不确定性系数 后，SPSS 会计算并展示该值，帮助你衡量两个分类变量之间的依赖关系。 有序 Gamma 定义：Gamma 是一种用于衡量两个有序分类变量之间关系强度的统计量。它特别适用于对有序数据（如等级评分）进行分析。Gamma 衡量的是变量对之间的排序一致性，即判断一个变量的值与另一个变量值的排序方向是否一致。它的值范围从 -1 到 1。 应用：Gamma 系数通常用于有序类别数据的相关性分析，例如学历水平与薪资水平之间的关系，或调查问卷中有序回答选项（如“非常满意”，“满意”，“一般”，“不满意”）的关联。 SPSS 中应用：勾选 Gamma 后，SPSS 会计算 Gamma 值，以便衡量两个有序分类变量之间的一致性或关联程度。 萨默斯d(S) 定义：萨默斯 d 是衡量两个有序变量之间关系强度的非对称度量，特别适用于一个变量作为因变量，另一个变量作为自变量的情况。它与 Gamma 类似，但不对称，意味着它考虑了自变量和因变量之间的方向性依赖性。萨默斯 d 衡量的是自变量对因变量的影响强度，值范围从 -1 到 1。 应用：萨默斯 d 在有序数据分析中常用于检验自变量对因变量的影响，尤其在需要考虑方向性影响时（例如，分析教育水平对收入水平的影响）。 SPSS 中应用：当选择 萨默斯 d 时，SPSS 会计算该统计量，帮助你理解一个有序变量如何影响另一个有序变量的变化。 肯德尔tau-b 定义：肯德尔 tau-b 是衡量两个有序变量之间相关性的统计量，适用于有序类别数据，特别是在数据中存在并列（ties）的情况下。它通过计算一致对（concordant pairs）和不一致对（discordant pairs）之间的比例来衡量相关性。tau-b 是一种调整了并列值的相关性度量，适用于列联表较大的情况。 应用：tau-b 适用于有序数据（如调查问卷中的等级评分）分析，并能够处理并列值（例如两个项目评分相同的情况）。 SPSS 中应用：在 SPSS 中勾选 肯德尔 tau-b 后，SPSS 会计算 tau-b 值，并提供关于两个有序变量之间相关性强度的详细信息。 肯德尔 tau-c 定义：肯德尔 tau-c 是另一种衡量有序变量相关性的统计量，类似于 tau-b，但它用于更大规模的列联表，尤其是在列联表的行和列数量不相等的情况下。tau-c 也是基于一致对和不一致对的计算，并且它更适合处理大型表格。其值范围也从 -1 到 1，表示两个变量之间的排序一致性。 应用：tau-c 特别适用于当列联表的维度较大时，如分析调查问卷中多个有序选项的关联。 SPSS 中应用：在 SPSS 中勾选 肯德尔 tau-c 后，SPSS 会计算 tau-c 值，并提供关于较大规模列联表中的有序数据相关性的度量。 按区间标定 Eta： 定义：用来评估 分类变量（如性别、教育水平、治疗组等） 和 连续变量（如收入、分数、时间等） 之间的关系。在交叉表分析时，如果选择了 Eta，SPSS 会计算并报告分类变量对连续变量的影响程度。帮助研究人员理解自变量的效应有多大. Kappa 定义：Kappa系数用于衡量两名观察者或两种测量工具之间的一致性，排除随机性因素的影响。它衡量的是超出随机一致性的协议程度，常用于检验分类数据中的一致性。 风险(I) 用于衡量某事件发生的概率，常用于流行病学分析。 麦克尼马尔(M) 定义：柯克兰和曼特尔-亨塞尔检验用于分析两个分类变量之间的关系，同时控制其他可能的混杂变量。该检验通过调整控制变量的影响，帮助检验两个分类变量之间的独立性或关联性。 应用：通常用于流行病学研究中，评估控制混杂变量后，暴露与疾病之间的关联是否显著。例如，在控制年龄、性别等因素后，检验吸烟与肺癌之间的关系。 柯克兰和曼特尔-亨塞尔统计(A) 检验一般比值比等于（T）：在交叉表分析中勾选 检验一般比值比等于1 后，SPSS 会进行假设检验，检验比值比是否等于1，帮助判断两个变量之间的关系是否显著。 单元格(E) 计数(T)： 实际(O)：选择实际的计数数据进行分析。 期望(E)：选择期望值进行分析，通常用于卡方检验中期望的频率值。 隐藏最小的计数(H)：在计算计数时，隐藏小于指定值的计数。 小于5：指的是将计数小于5的观察数据隐藏，通常用于频次表分析中，以避免过小的频数影响结果。 z检验： 比较列比例(P)：进行列比例比较，常用于检验两个比例是否有显著差异。 调整p值(邦弗瑞尼法)：这是一种多重比较校正方法，主要用于减少因进行多次假设检验而导致的错误拒绝率。 百分比： 行(R)：对行的百分比进行计算，通常用于交叉表分析中。 列(C)：对列的百分比进行计算，也用于交叉表分析。 总计(T)：对整个数据集的百分比进行计算。 残差： 未标准化(U)：不进行标准化的残差。 标准化(S)：标准化后的残差，使得残差值的尺度统一。 调整后标准化(A)：通过某种方法调整后计算的标准化残差，通常用于多重比较。 非整数量重： 单元格计数四舍五入(N)：对单元格计数进行四舍五入处理。 个案权重四舍五入(W)：对个案权重进行四舍五入处理。 截断单元格计数(L)：截断单元格计数，不进行四舍五入。 截断个案权重(W)：对个案权重进行截断。 步骤 选择交叉表 在SPSS菜单中，选择 “分析”→ “描述统计”→ “交叉表”。 选择变量 在交叉表对话框中，选择你要分析的两个变量： 将一个变量拖到 “行” 框中。 将另一个变量拖到 “列” 框中。 独立性检验 点击 “统计”（S）按钮，在弹出的对话框中勾选 “卡方”（H）： 进行独立性检验，检验这两个变量是否独立。SPSS 会通过卡方检验来判断行和列变量之间是否有显著的统计关系。 选择单元格显示 点击 “单元格”（Cells）按钮，选择你希望在交叉表中显示的信息： 勾选 “观察频数”（Observed Count），以显示每个单元格的实际观测频数。 勾选 “期望频数”（Expected Count），以显示每个单元格的期望频数（如果变量之间没有关联时的频数）。 还可以勾选 “列百分比”、“行百分比” 或 “总百分比” 来显示不同的百分比数据。 执行检验 设置完所有选项后，点击 “确定”（OK）按钮，SPSS 会计算交叉表并输出结果。 查看输出结果 SPSS 会生成一个交叉表，并在 卡方检验 结果中提供如下输出： 卡方统计量：卡方值（H）、自由度（df）和 p 值（p-value）。 如果 p 值小于显著性水平（例如，0.05），则拒绝原假设，认为这两个变量之间存在显著的关联性。反之，如果 p 值大于显著性水平，则接受原假设，认为这两个变量是独立的。 解读结果 卡方值：反映了观察到的频数与期望频数之间的差异。值越大，表明差异越显著。 自由度：= (行数 - 1) × (列数 - 1) p值： p < 0.05：拒绝原假设，认为变量之间有显著关系。 p >= 0.05：接受原假设，认为变量之间没有显著关系。 多重响应---多选题分析 名词解释 百分比与个案百分比 百分比： $$ \text{百分比} = \frac{\text{个案数}}{\text{所有选择的总次数}} \times 100\% $$个案百分比： $$ \text{个案百分比} = \frac{\text{个案数}}{\text{总样本数}} \times 100\% $$单元格百分比 行（W）：以“行变量”的总数为基准计算百分比。 适用场景：分析不同行群体在列变量上的分布。 列（C）：以“列变量”的总数为基准计算百分比。 适用场景：分析不同列选项在行变量中的占比。 总计（T）：以总样本量或总响应数为基准计算百分比。 适用场景：全局视角下各单元格的占比。 在响应集之间匹配变量（M）：当分析两个多选题时，强制SPSS按同一批样本（即“完全配对”）计算交叉表。 使用场景：确保两个多选题的样本完全一致（避免因缺失值导致样本量波动）。 示例：分析“购买渠道”和“退货原因”的关系时，仅保留同时回答了这两个问题的样本。 百分比基于 个案（S）：分母为总样本数（即每个受访者计为1）。 适用场景：关注“人群比例”（如“多少人同时选了A和B”）。 响应（R）：分母为总响应数（即每个受访者的多选答案分开计算）。 适用场景：关注“答案比例”（如“所有答案中，A和B的占比”）。 示例： 若100人中，每人平均选2个购买渠道（总响应=200次）： 基于个案：某渠道被选中的比例 = 选中人数 / 100 基于响应：某渠道被选中的比例 = 选中次数 / 200 缺失值 在二分集内成列排除个案(E)：若某受访者在多选题中存在缺失值（如未回答某选项），则在整个分析中排除该受访者。 影响：样本量减少，但保证所有分析基于完整数据。 在类别内成列排除个案(X)：仅在当前分析的分类变量（如性别）存在缺失值时排除个案，多选题的缺失值不影响。 影响：样本量相对保留更多。 步骤 设置多重响应变量 选择 “分析”（Analyze） > “多重响应”（Multiple Response） > “定义多重响应集”（Define Variable Sets）。 在弹出的对话框中： 选择响应变量：在 “变量列表” 中选择与多选题相关的所有变量。例如，选择“苹果”、“香蕉”和“橙子”。 点击箭头，将这些变量添加到 “响应变量” 框中。 选择一个编码方式： 二分法(D)（计数值(0)：1。1表示选择，0表示未选择）是最常用的方式。 为响应变量设置一个 “组名”，例如 "喜欢的水果"。 点击 “添加”，然后点击 “继续”。 进行频率分析 完成多重响应集的设置后，你可以分析各个选项的选择频率。 选择 “分析”（Analyze） > “多重响应”（Multiple Response） > “频率”（Frequencies）。 进行交叉表分析 选择择 “分析”（Analyze） > “多重响应”（Multiple Response） > “交叉表”（Crosstabs） 文件 >新建 >数据 复制交叉表结果，在excel里面修改为以下格式，黏贴选择“与变量名称一起粘贴（A)”： Pasted image 20250204123958.png|200图片 数据 >个案加权 >个案加权依据（W） >频率变量（E)：频数 选择 “分析”（Analyze） > “描述统计”（Descriptive Statistics） > “交叉表”（Crosstabs）。 行变量：选择你希望与多重响应集分析的变量（例如，性别）。 列变量：选择多重响应集（例如“喜欢的水果”）。 点击 “统计量”（Statistics）按钮，选择 “卡方”（Chi-square）或其他相关统计量。 点击 “单元格”（Cells）按钮，选择是否显示 “观察频数”、“期望频数” 和 “百分比”。
-
【NPS】净推荐值---学习笔记 点击此文本观看本文视频版：【NPS】净推荐值讲解与计算_哔哩哔哩_bilibili 来源 NPS(Net Promoter Score)，该概念由贝恩咨询公司的Fred Reichheld于2003年在《哈佛商业评论》文章《The One Number You Need to Grow》The One Number You Need to Grow中首次提出，旨在衡量客户忠诚度。 Reichheld F F. The One Number You Need to Grow[J]. Harvard business review, 2003, 81(12): 46-55.含义 问题设置 “The top-ranking question was far and away the most effective across industries: •How likely is it that you would recommend [company X] to a friend or colleague? Two questions were effective predictors in certain industries: • How strongly do you agree that [company X] deserves your loyalty? • How likely is it that you will continue to purchase products/services from[company X]? Other questions, while useful in a particular industry, had little general applicability: • How strongly do you agree that [company X] sets the standard for excellence in its industry? • How strongly do you agree that [company X] makes it easy for you to do business with it? • If you were selecting a similar provider for the first time, how likely is it that you would you choose [company X]? • How strongly do you agree that [company X] creates innovative solutions that make your life easier? • How satisfied are you with [company X’s] overall performance?” (Reichheld, 2003, p. 5) 排名最高的那个问题在各行业中都非常有效，遥遥领先： • 您有多大可能向朋友或同事推荐[公司X]？ 以下两个问题在某些行业中是有效的预测指标： • 您有多大程度同意[公司X]值得您忠诚？ • 您有多大可能继续购买[公司X]的产品/服务？ 其他问题虽然在特定行业中有用，但通用性较差： • 您有多大程度同意[公司X]为其行业树立了卓越标准？ • 您有多大程度同意[公司X]让您与之开展业务非常容易？ • 如果您是第一次选择类似的供应商，您有多大可能选择[公司X]？ • 您有多大程度同意[公司X]创造了让您的生活更轻松的创新解决方案？ • 您对[公司X]的整体表现有多满意？ 客户分级依据 “For these reasons, we settled on a scale where ten means “extremely likely” to recommend, five means neutral, and zero means “not at all likely.” When we examined customer referral and repurchase behaviors along this scale, we found three logical clusters. “Promoters,” the customers with the highest rates of repurchase and referral, gave ratings of nine or ten to the question. The “passively satisfied” logged a seven or an eight, and “detractors” scored from zero to six.” (Reichheld, 2003, p. 6) 出于这些原因，我们最终确定了一个量表，其中十分表示“极有可能”推荐，五分表示中立，零分表示“完全不可能”推荐。当我们沿着这个量表考察客户的推荐和复购行为时，我们发现了三个逻辑集群。 “推荐者”是复购率和推荐率最高的客户，他们对该问题的评分是九分或十分。“被动满意者”的评分是七分或八分，“贬损者”的评分是零分到六分。 ![[Pasted image 20250119103405.png]] 计算方法 “Calculate: the percentage of customers who respond with nine or ten (promoters) and the percentage who respond with zero through six (detractors). Subtract the percentage of detractors from the percentage of promoters to arrive at your net-promoter score.” (Reichheld, 2003, p. 8) 计算回答九分或十分的顾客（推荐者）的百分比，以及回答零分到六分的顾客（贬损者）的百分比。从推荐者的百分比中减去贬损者的百分比，得出您的净推荐值。 $$ \text{NPS} = \frac{\text{推荐者数} - \text{贬损者数}}{\text{总客户数}} \times 100 $$演示 问卷调查 很多问卷平台都有NPS选项 后面通常可以接一个原因类型问题，以便进行更详细的解释 如：您不推荐xx的原因是？ Excel计算 公式计算 假设A2到A101列为数据列，标出推荐者、被动者、贬损者 =IF(A2>=9, "推荐者", IF(A2>=7, "被动者", "贬损者")) 如果单元格 A2 的值大于或等于 9，则返回 "Promoter"（推广者），表示评分很高，推荐度高。 如果单元格 A2 的值大于或等于 7 且小于 9，则返回 "Passive"（被动者），表示评分中等，既不积极推荐也不反对。 如果单元格 A2 的值小于 7，则返回 "Detractor"（贬损者），表示评分较低，不推荐或反对推荐。 计算三种客户的数量 =COUNTIF(B2:B101, "推荐者") =COUNTIF(B3:B101, "被动者") =COUNTIF(B4:B101, "贬损者")计算比例 =((COUNTIF(B2:B101, "推荐者") - COUNTIF(B2:B101, "贬损者")) / COUNTA(A2:A101)) * 100$$ \text{NPS} = \left( \frac{\text{推荐者数}}{\text{总客户数}} - \frac{\text{贬损者数}}{\text{总客户数}} \right) \times 100 $$$$ \text{NPS} = \frac{\text{推荐者数} - \text{贬损者数}}{\text{总客户数}} \times 100 $$
-
关于我｜迷失的蒲公英 一、欢迎 你好呀，我是湖北汽车工业学院市场营销专业的一名大三学生。这座数字小站是我精心照料的B612星球，在这里： ⌈ 每天可以看44次日落般的思想闪光 ⌈ 为每份笔记浇灌出独一无二的玫瑰 ⌈ 在代码土壤里埋藏驯养智慧的种子 欢迎你摘下成见的蛇皮，带着狐狸教给我们的真心，来参观我的小行星。 二、建站缘由 履约：兑现对别人的承诺，细致整理出 Office 全家桶、PS 等工具的使用秘笈，将我所学与所知付诸实践，助他人一臂之力。 共享：我始终坚信，知识如泉水般澄澈流动，唯有分享，方能保持其生命的清新。那些曾经点亮我生命的星火，应当继续在他人的夜空中闪耀。 自学：高中班主任的箴言，常在我耳畔回响：“若一个知识你可以完整的讲述出来，那才证明你真的掌握了。”这句话如烙印一般，提醒我不断反思与升华。 三、她笑中藏泪花 我认为世上最美的事物是上扬的嘴角以及清澈的眼眸。 而珍贵的泪水是浇灌玫瑰的甘露，折射出小王子凝视星空时的纯粹光芒。 倘若若她笑着哭了，那一定是在很幸福的情况下留下的眼泪，很幸福很幸福吧。 四、我想做一个纯粹的人 在这个信息过载的时代，我愿做一个纯粹的人。 如果你也相信"重要的东西用眼睛是看不见的"，欢迎常来我的星球做客——这里虽然没有编号325到330号星球那些"正经事"，但有带着露水的玫瑰，和永远愿意为你画只绵羊的真诚。 愿你我都拥有健康的身体，拥有简单的爱，心中有爱可以勇敢的去追求每一个梦想。 头像图片
