先别把推荐分数当成证据
早期创业该不该看 NPS：这个分数能说明什么、不能说明什么
净推荐值好收集，也好用错。创始人给等候名单做问卷，或给二十个点过内测邀请的人做问卷，然后把 +42 当成验证。这个数字只量已经用过你的人、口头上的推荐意愿。它不预测你的创业。真要做，先写绊线——并且先看行为，再看分数。
最近更新：2026年10月8日
直接回答
早期创业，NPS 能告诉你什么？
净推荐值（NPS）问的是：你有多大可能把我们推荐给朋友或同事，答案在 0–10 分。分数是推荐者（9–10）占比减去贬损者（0–6）占比，所以从 −100 到 +100。它量的是已经用过你的人、口头上的推荐意愿。对早期创业来说，这是弱证据：没用过产品的人回答不了这个问题；只有几十份回答时，分数能上下晃几十个点。先看行为——使用、付钱、留存——如果还要做 NPS，就把它写成一条事先写好的绊线。
要记住的
带走这五句
- NPS = 推荐者（9–10）占比 − 贬损者（0–6）占比。范围是 −100 到 +100。被动者（7–8）在分母里，两边都不加。
- 它不是 Sean Ellis 的产品市场契合问题。Ellis 问的是：如果不能再用这个产品，当前用户会有多失望。不要发明两者之间的换算。
- 问等候名单或只看过落地页的人，是在问假设。那是意见，不是证据。
- n = 30 时，40% 推荐者 / 30% 贬损者的构成下的 +10，可能落在大约 60 个点宽的区间里。报告分数时必须带上 n。
- 真要做 NPS：只调查最近有真实使用的人，一定要问为什么，只和自己上次的分数比，发出之前先写信号 + 阈值 + 窗口 + 动作。
这个工具量什么
NPS 实际在量什么
Bain & Company 的公开说明《Measuring Your Net Promoter Score》把问题写成：你有多大可能把我们推荐给朋友或同事？答案在 0–10 分。下面三组是 Bain 的计分规则，不是 Yibud 发明的。分数是已经和你有关系的人、口头上的意愿指标。它不是使用，不是付钱，也不是留存。
| 组别 | 分数 | 怎么进入总分 |
|---|---|---|
| 推荐者 | 9–10 | 计入推荐者占比。抬高 NPS。 |
| 被动者 | 7–8 | 两边都不进。留在样本里，把两个百分比都摊薄。 |
| 贬损者 | 0–6 | 计入贬损者占比。拉低 NPS。 |
算术
NPS =（答 9–10 的占比）−（答 0–6 的占比）
样本里 40% 推荐者、30% 贬损者，分数是 +10。全是 8 分，分数是 0。范围是 −100 到 +100。Bain 的体系还会配一句开放的「为什么」。丢掉为什么，数字就变成表演。
不是同一个问题
NPS 不是 Sean Ellis 的产品市场契合问卷
创始人常把这两件事揉成一个「忠诚分数」。它们是不同的问题，门槛逻辑也不同。下面 Ellis 的措辞，完全沿用 Yibud 产品市场契合问卷页的写法。本页不发明换算表，也不写「NPS 等于多少就等于 40% 非常失望」。
| 字段 | NPS | Sean Ellis 产品市场契合问卷 |
|---|---|---|
| 问题 | 你有多大可能把我们推荐给朋友或同事？（0–10） | 如果不能再使用 [产品名]，你会有什么感觉？ |
| 问谁 | 已经用过你的人。等候名单回答不了这个问题。 | 最近有真实使用的人——Ellis 的例子：坐过车，不是只注册。排除「不适用」。 |
| 分数 | 推荐者（9–10）占比减去贬损者（0–6）占比。范围 −100 到 +100。 | 有效当前用户里「非常失望」的百分比。排除「不适用」。「有些失望」不会触发绊线。 |
| 门槛逻辑 | 本页不公布「好的 NPS」门槛，也不公布行业平均。 | Ellis 的经验：大约 40% 非常失望时，可持续增长才变得可能。把 40% 当作你可以在发出前采用或改写的默认值——不是定律。 |
高 NPS 不是产品市场契合。高「非常失望」百分比也不是 NPS。不要把它们平均。不要换了问题却沿用同一条门槛。
Sean Ellis 产品市场契合问卷——先写绊线 →早期为什么弱
早期 NPS 是薄证据的三个原因
常见的情形是：二十份热乎的回答被当成了市场。分数看起来很果断，因为它只是一个数字。可样本往往是还没做过那件事的人，外加出于客气会给 9 分的朋友。不是数字骗了人，是问题和样本选错了。
1. 假设中的受访者，推荐不了他们没用过的产品
等候名单、落地页访客、只看过线框的人，回答的是一个故事。那是意见。钱有没有动，在支付意愿那一页。使用之前的触达和意向，在烟雾测试那一页。NPS 从有人真正用过你之后才开始。
2. 你调查谁，结果就是谁
朋友、顾问、欠你一次回复的人，会抬高推荐者。流失了、不会打开邮件的人，是缺席的贬损者。Bain 的计分规则假定的是当前顾客样本。为了更好看的数字去凑名单，你量到的是客气。
3. 几十份回答，就能让分数晃几十个点
下一节是 Yibud 自己的算术，标成正态近似估计——不是定律。n = 30 时，+10 可能落在大约 −20 到 +40 的区间。那不是精密仪器。那是你不该拿去赌一个冲刺周的天气。
小样本噪声
为什么 n = 30 的 +10，不是你能拿来掌舵的数字
把每份回答看成 +1（推荐者）、0（被动者）或 −1（贬损者）。把净推荐值写成 −1 到 +1 的比例，标准误如下——这是正态近似估计，不是统计定律：
NPS 的标准误（正态近似）
SE = sqrt( (p_推荐者 + p_贬损者 − (p_推荐者 − p_贬损者)²) / n )
p_推荐者和 p_贬损者是样本比例。大约 95% 的边际是 1.96 × SE，再乘 100 读成 NPS 的点数。这是近似。它不是给你这个品类的置信区间定理，也不是 Yibud 引擎规则。
| n | SE（比例） | 95% 边际 | 在 +10 附近 |
|---|---|---|---|
| 30 | ≈ 0.152 | ≈ ±30 点（≈ ±29.7） | 大约 −20 到 +40 |
| 100 | ≈ 0.083 | ≈ ±16 点（≈ ±16.3） | 大约 −6 到 +26 |
演算用的构成，严格按这一组：40% 推荐者、30% 贬损者 → NPS = +10。方差项：0.70 − 0.01 = 0.69。n = 30 时，SE ≈ 0.152。n = 100 时，SE ≈ 0.083。n = 30 时，真实分数很可能落在大约 −20 到 +40 的任何地方。所以本页拒绝行业「好 NPS」对照表：表比你的样本更紧。把一个比率读成区间、先写规则再看数字——这个一般想法在烟雾测试样本量那一页。
烟雾测试需要多少访客 →研究上的争论
Reichheld 提出了一个增长指标。Keiningham 等人没有复现所谓的「明显优势」。
措辞要小心。一篇文章把推荐问题写成增长指标。一篇更晚的论文，用另一套数据，没能复现净推荐值相对其他满意度指标的所谓「明显优势」。这不等于证明 NPS 没用。本页只引这两项研究。
Reichheld（2003）——把推荐问题写成增长指标的那篇文章
Frederick F. Reichheld，《The One Number You Need to Grow》，《哈佛商业评论》，2003 年 12 月（重印编号 R0312C）。这里只把它当作：把推荐问题作为增长指标提出来的那篇文章。本页不引用原文，也不引用其中的数字——文章需付费，那些数字未在本次写作中核实。
Keiningham、Cooil、Andreassen、Aksoy（2007）——没能复现所谓的优势
Timothy L. Keiningham、Bruce Cooil、Tor Wallin Andreassen、Lerzan Aksoy，《A Longitudinal Examination of Net Promoter and Firm Revenue Growth》，《Journal of Marketing》71(3)，2007 年 7 月，第 39–51 页（DOI 10.1509/jmkg.71.3.039）。他们用了 21 家公司、挪威顾客满意度晴雨表里 15,500 多次访谈的纵向数据，把净推荐值和美国顾客满意度指数（ACSI）这类指标比较，没能在 Reichheld 当作范例的行业里复现所谓的「明显优势」。该文获得 2007 年 MSI / H. Paul Root 奖。写成「没能复现所谓的优势」——不要写成「证明了 NPS 没用」。
对早期创始人来说，这场争论几乎不在点上。你没有 21 家公司和 15,500 次访谈。你有几十个人，其中许多人还没用过产品。工具的提出者和批评者，争的是已经立住的公司。你的问题是样本、时机，以及有没有人做过那件事。
如果还是要做
把 NPS 当成绊线用——不是当成成功分数
这是 Yibud 建议的模板，不是定律。只有最近有真实使用时才做。第一次发出之前写好四个字段。结束日遵守它们。如果还说不清什么叫真实使用，这就是错的工具。
- 1
只调查最近有真实使用的人
点名算数的那件事——发出过至少一名同事打开的日报、完成过顾客接受的工单、给一个活账户跑过周报。最近两周是能用的窗口。注册、等候名单、「看过落地页」不是样本。
- 2
一定要问开放的「为什么」
Bain 的体系把分数和理由配在一起。没有理由的数字是心情。后续问题让你知道推荐者到底会跟同事说什么，以及贬损者这周撞上了什么。
- 3
调查前先写：信号 + 阈值 + 窗口 + 动作
可以改写的例子，不是定律：「如果在最近 2 周用过的 ≥40 名用户里，贬损者多于推荐者，我们就停止加功能，并在本周访谈 5 名贬损者。」给这页写上日期。结果出来再换更松的门槛，是复盘。
- 4
只和自己上次的分数比，不和公开的行业对照表比
本页不公布「SaaS 平均」，也不公布「好的 NPS 是 50+」。那些表混了你看不见的公司、方法和样本量。你上次的分数——同一道题、同一条使用过滤、带着报告的 n——才是唯一该写在纸上的对照。
- 5
报告 NPS 时必须带上 n
写成「+10（n = 30）」，否则就别写这个数字。没有样本量的分数，会引诱某个人——你、联合创始人、以后的你——把天气当成趋势。
带走什么
NPS 绊线（直接抄）
如果这次只留下一种心情，你就还没做完。填括号。不要留下「用户」「很快」或「到时候就知道」。
填空合同
产品：[名称]。真实使用（必须发生过）：[一件事——不是注册]。最近窗口：最近 [2 周 / 你的日期]。问题：你有多大可能把我们推荐给朋友或同事？（0–10）+ 开放的为什么。信号：NPS = 推荐者（9–10）占比 − 贬损者（0–6）占比，和 n 一起报告。阈值：[例如贬损者多于推荐者 / NPS 低于我们上次 n = Y 时的 X]。你愿意遵守的样本：[例如 ≥40 名最近用过的用户]。窗口：[开始]–[结束]。没达到时的动作：[停止加功能 / 本周访谈 5 名贬损者 / 做一次点名的更便宜测试]。
上面「≥40 名用户 / 贬损者多于推荐者 / 访谈 5 名贬损者」是 Yibud 建议的模板，不是已发表的定律，也不是 Bain 的规则。发出前有理由可以改数字。发出后不要改。
示例绊线（Yibud 建议的模板，不是定律）
如果在最近 2 周用过的 ≥40 名用户里，贬损者多于推荐者 → 当天停止加功能，并在本周访谈 5 名贬损者。把分数写成 NPS（n）。只和同一过滤条件下上次的分数比。不要把等候名单加进来凑 n。
被动者仍计入 n。从没做过点名事件的朋友不计入。Yibud 报告分数不会触发这条绊线。
不是同一页
NPS 和 Ellis 问卷、样本量算术、行为、访谈、Yibud 分数、停止线不是一回事
旁边还有几页 Yibud。把它们混在一起，就会把推荐分数、等候名单，或引擎给出的中段数字，说成「市场很爱我们」。
Sean Ellis 产品市场契合问卷——当前用户的失望，不是推荐意愿
那一页的信号是：最近有真实使用的人里，如果产品消失会非常失望的百分比。这一页的信号是推荐者占比减去贬损者占比。不同的问题。不同的门槛逻辑。没有换算。
产品市场契合问卷 →烟雾测试样本量——一般的样本量逻辑，不是 NPS 噪声
那一页把 n 个匹配访客里的 k 次注册，读成 95% Wilson 区间。这一页把正态近似的标准误用在 NPS 上。转化区间不是 NPS 区间。NPS 区间也不是注册率。
烟雾测试需要多少访客 →支付意愿和烟雾测试——行为优于口头意愿
定金、预购、付费陪跑或结账，是钱在动。烟雾测试点击是使用之前的触达和意向。NPS 是人们说自己会跟朋友讲什么。未知是需求时，先问钱或点击。不要把一个 9 分当成一次扣款。
访谈次数和妈妈测试——样本很小时，「为什么」比分数有用
只有几十份回答时，五次贬损者访谈通常比点估计教得更多。饱和量的是同一细分里需求的覆盖。妈妈测试问的是上周的行为，不推销。两者都不是 NPS。
Yibud 分数——不是 NPS，也不是成功预测
验证分数和分数计算器那两页，解释的是 Startup MRI 的数字：确定性规则引擎根据一句话点子加五个问题算出来。那些分数是照向最弱假设的手电。它们不是净推荐值。不要把中段的 Yibud 分数读成 +40 NPS，也不要把 +40 读成 Yibud 的 GO。
演算例子
一个可以抄的 NPS 周（示意——虚构）
下面这一周是示意。名字、产品和计数都是编的，好让你看见怎么摆。它不是研究，不是行业对照，也不是 Yibud 报告。抄方法，别抄数字。
发出前写好的推荐赌注
示意名字：创始人 Mara Chen，产品叫 Shiftlog，把仓库交接班写成一份共享日志。发出前写好的真实使用：「发出过下一班打开的交接班。」注册和「接上 Slack」都不算。诱人的下一步是功能冲刺，因为 80 人的等候名单「会推荐」。当前赌注假定：已经发出过交接班的主管，会把 Shiftlog 推荐给同行。
同一轮写下的绊线
信号：最近 2 周发出过交接班的用户里的 NPS，和 n 一起报告，外加开放的为什么。阈值：贬损者多于推荐者，或 NPS 低于同一过滤条件下上次的分数。样本：只有这类用户 ≥40 时才认读。窗口：第一次发到第 14 天。没达到时的动作：停止功能冲刺，本周访谈 5 名贬损者。等候名单不进入 n。如果到第 14 天 n 仍不足 40，也算未达到：功能冲刺不靠推荐故事开工，照样执行上面的动作。
第 14 天的未达到长什么样
示意收束：28 人有最近的真实使用。11 名推荐者，8 名被动者，9 名贬损者。NPS = (11/28 − 9/28) × 100 ≈ +7，n = 28。只对等候名单打的那一批——本来就不该计分——读出来是 +44。按你写好的样本规则，第 14 天算未达到：n 始终没到 40。贬损者并没有多于推荐者（9 比 11），但 n = 28 时两个人的差距只是噪声，不算通过。功能冲刺停下，九名贬损者说的为什么，才是这周的工作。+7 不是「快到好分数了」。它是一个你已经说过不会拿来掌舵的小样本数字。
窗口里不能发生的事
不要把等候名单邮箱加进来凑 40。不要丢掉为什么。不要拿 +7 去比本页没有公布的「SaaS 平均」。不要把 +7 当成产品市场契合，也不要把 Yibud 分数当成这个 NPS。不要问「你愿意付钱吗」再把「愿意」归档到这条绊线下——那是支付意愿那一页。
第一次发出之前写好绊线。第 14 天到了，样本或构成没达到你写的门槛，就遵守动作。如果达到了，继续做下一个最便宜的测试——通常是钱，或一条点名的使用指标，不是一座工厂。方法是写了日期的那一页，不是事后讲的故事。
Yibud 放在哪
NPS 和 Yibud 分数都不是成功预测
Yibud 是免费、不用注册的创业点子验证器。分数来自确定性规则引擎，不是语言模型在猜成不成功。可选的 AI 文本如果出现，只润色措辞。它不发明数字。一份 Startup MRI 报告可以点出「人们会跟朋友讲」或分发上的弱假设，再给出第 7 天的继续 / 收窄 / 重测 / 停止信号。NPS 若要做，就挨着那条假设——写绊线，别指望中段分数等于「我们已经有推荐者了」。如果已经有报告，从点名的假设开始，不要从总分开始。然后自己跑窗口。即使你从不打开分析器，本页的方法也能单独成立。
分析我的点子 →常见错误
早期 NPS 通常浪费在这些地方
调查等候名单或落地页访客
他们还没用过你。给落地页打 9 分，是在夸文案。未知是需求时，去做支付意愿或烟雾测试。有了点名的使用事件，再回到这里。
报告 NPS 却不写 n
「我们是 +32」不是一句话。「+32（n = 19）」才是。n = 30 时，同样能算出 +10 的构成，也可能靠近 −20 或 +40。藏起 n，就是藏起天气。
去比随手找来的行业对照表
本页不公布「SaaS 平均是 30」，也不公布「好的 NPS 是 50+」。那些表不是你能加入的样本。只和同一道题、同一条使用过滤下，你上次的分数比。
丢掉「为什么」
Bain 的体系把分数和理由配在一起。推荐者说不出要跟同事讲什么，贬损者你又从不访谈，手里就只剩一个没法行动的数字。
把高 NPS 当成产品市场契合——或当成预报
推荐意愿不是「如果它消失会非常失望」。它不是付钱。它也不是 Yibud 的 GO。NPS 和 Yibud 报告分数都不预测创业会成功。发出前写了日期的绊线，是决策辅助。奖杯不是。
来源
这些想法从哪来
- Bain & Company，《Measuring Your Net Promoter Score》 — 用于问题（「你有多大可能把我们推荐给朋友或同事？」）、0–10 分、三组（推荐者 9–10、被动者 7–8、贬损者 0–6），以及 NPS = 推荐者占比 − 贬损者占比。Bain 的体系还会给分数配上理由。本页不使用 Bain 关于增长或转介的说法。
- Frederick F. Reichheld，《The One Number You Need to Grow》，《哈佛商业评论》，2003 年 12 月（重印编号 R0312C） — 只把它当作：把推荐问题作为增长指标提出来的那篇文章。本页不引用原文，也不引用其中的数字（需付费；此处未核实）。
- Keiningham、Cooil、Andreassen、Aksoy，《A Longitudinal Examination of Net Promoter and Firm Revenue Growth》，《Journal of Marketing》71(3)，2007 年 7 月，第 39–51 页，DOI 10.1509/jmkg.71.3.039 — 21 家公司、15,500 多次访谈、挪威顾客满意度晴雨表；与 ACSI 这类指标比较；没能在 Reichheld 当作范例的行业里复现所谓的「明显优势」。获 2007 年 MSI / H. Paul Root 奖。本页不把这一结果读成「NPS 没用」。
Net Promoter、Net Promoter Score 和 NPS 是 Bain & Company, Inc.、Fred Reichheld 和 Satmetrix Systems, Inc. 的商标。
一段话说完
可以引用的摘要
净推荐值问的是：你有多大可能把我们推荐给朋友或同事，答案在 0–10 分。分数是推荐者（9–10）占比减去贬损者（0–6）占比，从 −100 到 +100。它量的是已经用过你的人、口头上的推荐意愿。它不是 Sean Ellis 的产品市场契合问题——那个问题问的是，如果不能再使用产品，当前用户会有多失望；大约 40% 非常失望是 Ellis 的经验门槛，不是和 NPS 的换算。问等候名单是在问假设。对 40% / 30% 构成（NPS = +10）的正态近似估计：n = 30 时 SE ≈ 0.152（约 ±30 点，所以大约 −20 到 +40），n = 100 时 SE ≈ 0.083（约 ±16 点）。Reichheld（《哈佛商业评论》，2003 年 12 月）把推荐问题写成增长指标；Keiningham 等人（《Journal of Marketing》，2007；21 家公司、15,500 多次访谈）没能复现相对 ACSI 这类指标的所谓「明显优势」。真要做 NPS：只调查最近有真实使用的人，问为什么，先写信号 + 阈值 + 窗口 + 动作，只和自己上次的分数比，报告时必须带 n。NPS 和 Yibud 分数都不预测成功。
常见问题
创始人真正会问的
什么是 NPS？
净推荐值问的是：你有多大可能把我们推荐给朋友或同事？答案在 0–10 分。推荐者是 9–10，被动者是 7–8，贬损者是 0–6。NPS = 推荐者占比 − 贬损者占比，从 −100 到 +100。它量的是已经用过你的人、口头上的推荐意愿。
NPS 和 Sean Ellis 的产品市场契合问卷是一回事吗？
不是。Ellis 问的是：如果不能再使用这个产品，你会有什么感觉，并在有效当前用户里计算「非常失望」的百分比（排除不适用）。NPS 问的是推荐。不同的问题，不同的门槛逻辑。本页不发明两者之间的换算。
可以问等候名单，或只看过落地页的人吗？
可以问。不能把答案当成证据。他们还没用过你，所以在给一个假设打分。那是意见。需求未知时，用烟雾测试或支付意愿测试；有了最近的真实使用，再回到 NPS。
NPS 需要多少份回答？
多到你不会拿天气来掌舵。Yibud 的正态近似估计，不是定律：40% 推荐者 / 30% 贬损者（NPS = +10）时，n = 30 的 95% 边际大约 ±30 点；n = 100 大约 ±16 点。本页建议的绊线，只在 ≥40 名最近用户里认读——发出前有理由可以改这个数字。永远报告 n。
高 NPS 等于产品市场契合吗？Yibud 分数是一回事吗？
都不是。高 NPS 是口头上的推荐意愿，不是「如果它消失会非常失望」，不是付钱，也不是预报。Yibud 分数来自确定性规则引擎，根据你的点子输入计算。它们指向该先测的最弱假设。两个数字都不预测成功。使用本页不需要账号。