صفحه اصلی > عمومی : NSS چیست؟ فرمول شاخص خالص جهت‌گیری و تفسیر آن با مثال بانک‌های ایران

NSS چیست؟ فرمول شاخص خالص جهت‌گیری و تفسیر آن با مثال بانک‌های ایران

NSS چیست؟ فرمول شاخص خالص جهت‌گیری

NSS چیست؟ فرمول شاخص خالص جهت‌گیری و تفسیر آن با مثال بانک‌های ایران

پنجم تیر، بانک صادرات اعلام کرد اختلال سامانه‌هایش برطرف شده است. چند ساعت بعد، اختلال برگشت و کاربرانی که دوباره در انجام کارهای بانکی‌شان به مشکل خورده بودند، در شبکه‌های اجتماعی از تجربه‌شان نوشتند. تعداد مطالب درباره بانک بالا رفت. اما برای تیم روابط عمومی، سؤال مهم‌تری هم وجود داشت: مردم خبر رفع اختلال را بازنشر می‌کردند یا می‌گفتند برخلاف آنچه بانک اعلام کرده، مشکل هنوز پابرجاست؟ روایت این رخداد در گزارش دیتاک

NSS مخفف Net Sentiment Score است. این شاخص نشان می‌دهد در مجموعه‌ای از مطالب درباره یک برند، محصول یا موضوع، سهم مطالب مثبت چقدر از سهم مطالب منفی بیشتر یا کمتر است. در سامانه دیتاک، نام آن «شاخص خالص جهت‌گیری» است و در گزارش‌های تحلیلی دیتاک با عنوان «شاخص خالص احساسات» هم به کار می‌رود.

در روش دیتاک، اگر از هر ۱۰۰ مطلب درباره یک بانک، ۱۹ مطلب مثبت، ۷۰ مطلب منفی و ۱۱ مطلب خنثی باشد، NSS برابر با منفی ۵۱ می‌شود:

19-70= -51

یعنی به‌ازای هر صد مطلب، ۵۱ مطلب منفی بیشتر از مطالب مثبت منتشر شده است. اما این عدد درباره بانک چه می‌گوید؟ برای پاسخ، باید اول درباره این شاخص بیشتر بدانیم.

«جهت‌گیری» در شاخص NSS یعنی چه؟

فرض کنید مشتری‌ای بعد از باز کردن سفارشش می‌نویسد: «لیوان همونیه که می‌خواستم و سالم رسید، ولی جعبه‌اش از گوشه له شده بود. برای هدیه خریده بودم.»

نظر این مشتری مثبت است یا منفی؟ بستگی دارد درباره چه چیزی بپرسیم. اگر مدیر محصول بخواهد بداند خریدار از خود لیوان راضی بوده، بخش اول پیام پاسخ روشنی دارد. اگر مسئول بسته‌بندی بخواهد کیفیت تحویل سفارش را ارزیابی کند، بخش دوم همان پیام برایش یک انتقاد است. اگر قرار باشد برای کل پیام فقط یک برچسب انتخاب کنیم، باید از قبل مشخص کرده باشیم با نظرهای ترکیبی چه می‌کنیم.

جهت‌گیری یعنی موضعی که نویسنده در یک مطلب نسبت به موضوع مشخصی ابراز کرده است. برای نمونه، جمله «خوشحالم که بالاخره حسابم رو توی این بانک بستم» کلمه «خوشحالم» را دارد، اما وقتی موضوع تحلیل تجربه مشتری با بانک است، معنای جمله انتقادی است. دقیقاً به همین دلیل، شمردن کلمه‌های مثبت و منفی برای تحلیل متن کافی نیست.

جهت‌گیری در NSS یعنی چه؟
کالا سالم رسید، ولی بسته‌بندی‌اش آسیب دیده بود.

تفاوت تحلیل احساسات و شاخص خالص جهت‌گیری چیست؟

در سوشال لیسنینگ، تحلیل احساسات یا سنتیمنت (Sentiment Analysis) نشان می‌دهد نویسنده درباره یک موضوع چه نظری دارد. مثلاً درباره زمان تحویل یک سفارش، «بسته‌ام زودتر از موعد رسید، خیلی راضی‌ام» جهت‌گیری مثبت دارد، «از تأخیر سه‌روزه عصبانی‌ام» منفی است و «سفارشم امروز ساعت دو رسید» خنثی است. می‌توان همین متن‌ها را از نظر هیجان‌هایی مثل شادی، غم یا خشم هم بررسی کرد.

شاخص NSS یک قدم بعد از این دسته‌بندی محاسبه می‌شود. وقتی هزاران پست و نظر داریم، با یک عدد نشان می‌دهد اختلاف سهم مطالب مثبت و منفی چقدر است. سهم مطالب منفی را از سهم مطالب مثبت کم می‌کنیم و مطالب خنثی را هم در تعداد کل مطالب حساب می‌کنیم. این خلاصه‌سازی برای مقایسه دو برند یا دنبال کردن تغییرات یک برند در طول زمان کاربرد دارد.

فرض کنید مدیر بازاریابی می‌شنود «این هفته تعداد نظرهای مثبت درباره برند دو برابر شده». خبر امیدوارکننده‌ای است، اما اگر در همان هفته تعداد نظرهای منفی سه برابر شده باشد، برداشت او تغییر می‌کند. NSS این تغییر در توازن گفت‌وگوها را آشکار می‌کند. دقت آن هم به کیفیت همان برچسب‌های اولیه وابسته است. اگر کنایه‌ها یا مطالب نامرتبط اشتباه دسته‌بندی شده باشند، اثرشان در عدد نهایی باقی می‌ماند.

فرمول NSS چیست؟

برای محاسبه شاخص خالص جهت‌گیری در دیتاک، تعداد مطالب منفی را از تعداد مطالب مثبت کم می‌کنیم، حاصل را بر تعداد کل مطالب تحلیل‌شده تقسیم می‌کنیم و در ۱۰۰ ضرب می‌کنیم.

NSS = 100 × (P − N) / (P + N + U)

در این فرمول، P تعداد مطالب مثبت، N تعداد مطالب منفی و U تعداد مطالب خنثی است. اگر درصد هر گروه را از قبل دارید، محاسبه کوتاه‌تر می‌شود: درصد مطالب مثبت منهای درصد مطالب منفی.

مثال محاسبه NSS با ۲۰۰ نظر

فرض کنید یک فروشگاه بعد از معرفی محصول جدیدش، ۲۰۰ نظر مرتبط را بررسی می‌کند.

جهت‌گیری نظرها تعداد سهم از کل نظرها
مثبت ۹۰ ۴۵٪
منفی ۵۰ ۲۵٪
خنثی ۶۰ ۳۰٪
مجموع ۲۰۰ ۱۰۰٪

از ۲۰۰ نظر، ۹۰ نظر مثبت و ۵۰ نظر منفی است. اختلاف این دو گروه ۴۰ نظر است. اگر ۴۰ را بر ۲۰۰ تقسیم کنیم و در ۱۰۰ ضرب کنیم، NSS برابر با مثبت ۲۰ می‌شود. با درصدها هم به همان نتیجه می‌رسیم: ۴۵ منهای ۲۵، برابر با ۲۰ است.

در گزارش بهتر است بنویسیم «امتیاز NSS محصول مثبت ۲۰ بود». سهم نظرهای مثبت در این مثال ۴۵ درصد است. عدد ۲۰ فاصله میان سهم نظرهای مثبت و منفی را نشان می‌دهد.

مطالب خنثی چه اثری بر NSS دارند؟

حالا تصور کنید ۲۰۰ خبر خنثیِ دیگر هم درباره عرضه همان محصول منتشر شود و تعداد مطالب خنثی به 260 برسد. تعداد تعریف‌ها و انتقادها تغییری نکرده؛ هنوز ۹۰ مطلب مثبت و ۵۰ مطلب منفی داریم. اما تعداد کل مطالب از ۲۰۰ به ۴۰۰ رسیده است. اختلاف ۴۰‌تایی این بار بر ۴۰۰ تقسیم می‌شود و NSS از مثبت ۲۰ به مثبت ۱۰ می‌رسد.

این مثال در کار روابط عمومی زیاد پیش می‌آید. انتشار یک اطلاعیه و بازنشر آن در رسانه‌ها می‌تواند ترکیب محتوای مربوط به برند را تغییر دهد. اگر مدیر برند بپرسد «آیا مشتری‌ها بیشتر شکایت کرده‌اند؟»، پاسخ در این مثال روشن است: تعداد انتقادها ثابت مانده و سهم پوشش خبری خنثی بالا رفته است.

چرا دو ابزار سوشال لیسنینگ برای داده یکسان، NSS متفاوت نشان می‌دهند؟

ابزارهای پایش شبکه‌های اجتماعی همیشه از یک فرمول برای Net Sentiment استفاده نمی‌کنند. تفاوت مهم معمولاً در مخرج کسر است. در روش دیتاک، مطالب مثبت، منفی و خنثی در مخرج قرار می‌گیرند. در مستندات ابزار تاک‌واکر (Talkwalker)، مخرج فقط مجموع مطالب مثبت و منفی است. مستندات محاسبه Net Sentiment در تاک‌واکر

با همان مثال فروشگاه، نتیجه دو روش چنین است:

روش محاسبه مخرج نتیجه در مقیاس صدتایی
روش دیتاک، با احتساب مطالب خنثی ۲۰۰ مطلب مثبت ۲۰
روش تاک‌واکر، فقط با مطالب مثبت و منفی ۱۴۰ مطلب حدود مثبت ۲۸٫۶

روش اول می‌گوید اختلاف مطالب مثبت و منفی در کل محتوای مرتبط چقدر است. روش دوم می‌گوید در میان مطالبی که موضع مثبت یا منفی گرفته‌اند، کدام جهت چقدر دست بالا را دارد. به همین دلیل، پیش از مقایسه عدد یک گزارش با داشبوردی دیگر، باید دید با مطالب خنثی چه کرده‌اند و شاخص را روی چه مقیاسی نمایش می‌دهند.

امتیاز NSS را چگونه تفسیر کنیم؟

شاخص خالص جهت‌گیری در روش دیتاک بین منفی ۱۰۰ و مثبت ۱۰۰ قرار می‌گیرد. اگر همه مطالب مثبت باشند، امتیاز مثبت ۱۰۰ می‌شود. اگر همه مطالب منفی باشند، امتیاز به منفی ۱۰۰ می‌رسد. صفر هم به این معناست که تعداد مطالب مثبت و منفی برابر بوده است.

اما امتیاز یکسان می‌تواند از گفت‌وگوهای کاملاً متفاوتی به دست بیاید. به واکنش‌های فرضی زیر توجه کنید:

واکنش به یک کمپین مطالب مثبت مطالب خنثی مطالب منفی NSS
کمپین الف ۵۰ ۰ ۵۰ صفر
کمپین ب ۲ ۹۶ ۲ صفر

کمپین الف موافقان و مخالفان زیادی داشته است. برای تیم بازاریابی، سؤال بعدی این است که کدام پیام کمپین برای عده‌ای جذاب بوده و چه چیزی اعتراض گروه دیگر را برانگیخته است. در کمپین ب، بیشتر مطالب فقط خبر را منتقل کرده‌اند. این‌بار سؤال بهتری می‌شود پرسید: چرا افراد کمی درباره کمپین موضع گرفته‌اند؟

حجم محتوا هم در تفسیر عدد تعیین‌کننده است. دو نظر مثبت از دو نظر موجود، امتیاز مثبت ۱۰۰ می‌سازد. ۹۵۰ نظر مثبت و ۵۰ نظر منفی از هزار نظر، امتیاز مثبت ۹۰. اگر برای تصمیم‌گیری فقط عدد بزرگ‌تر را انتخاب کنیم، تفاوت میان دو مشاهده و هزار مشاهده را از دست می‌دهیم.

چه امتیازی برای NSS خوب است؟

برای همه برندها و صنایع نمی‌توان یک مرز ثابت تعیین کرد. امتیاز منفی ۱۵ برای بانکی که هفته پیش در اوج اختلال روی منفی ۴۵ بوده، از بهبود ۳۰ واحدی خبر می‌دهد. همین منفی ۱۵ برای بانکی که معمولاً امتیازی نزدیک مثبت ۲۰ دارد، افت قابل بررسی است.

برای تفسیر عدد، آن را با سابقه همان برند، رقبای قابل مقایسه و حجم مطالب در همان بستر بسنجید. مثلاً مقایسه توییت‌های کاربران درباره قطعی یک بانک با پست‌های تبلیغاتی اینستاگرام یک بانک دیگر، تفاوت میان دو نوع محتوا را هم وارد نتیجه می‌کند.

تفاوت NSS و NPS چیست؟

NPS مخفف Net Promoter Score است و در فارسی آن را «شاخص خالص مُرَوِجان» یا «شاخص خالص ترویج‌کنندگان» می‌نامند. در نظرسنجی NPS از مشتری می‌پرسیم: «چقدر احتمال دارد این برند، محصول یا خدمت را به یک دوست یا همکار توصیه کنید؟» مشتری عددی بین صفر و ۱۰ انتخاب می‌کند. درصد کسانی که امتیاز ۰ تا ۶ داده‌اند از درصد کسانی که ۹ یا ۱۰ داده‌اند کم می‌شود. پاسخ‌های ۷ و ۸ هم در تعداد کل پاسخ‌ها حساب می‌شوند. NPS چیست؟ فرمول محاسبه و تفسیر شاخص خالص مروجان در بلاگ دیتاک

شباهت این دو شاخص در تفریق دو سهم است. تفاوتشان از جایی شروع می‌شود که داده را جمع می‌کنیم.

ویژگی NPS NSS در دیتاک
داده از کجا می‌آید؟ پاسخ مشتری به سؤال نظرسنجی مطالب مرتبط با برند در منابع پایش‌شده
چه چیزی را می‌سنجد؟ تمایل اعلام‌شده مشتری به توصیه برند توازن جهت‌گیری مثبت و منفی در محتوای منتشرشده درباره برند
واحد شمارش چیست؟ پاسخ معتبر به نظرسنجی مطلب تحلیل‌شده
چه چیزی در مخرج قرار می‌گیرد؟ همه پاسخ‌های معتبر، از صفر تا ۱۰ مجموع مطالب مثبت، منفی و خنثی
چه زمانی به کار می‌آید؟ وقتی می‌خواهیم بدانیم مشتریان چقدر مایل‌اند برند را توصیه کنند وقتی می‌خواهیم جهت گفت‌وگو درباره برند، کمپین یا یک رخداد را بررسی کنیم

ممکن است مشتری‌ای سال‌ها از خدمات یک بانک راضی بوده و همچنان حاضر باشد آن بانک را به همکارش پیشنهاد کند. همان مشتری وقتی انتقال وجهش انجام نمی‌شود، می‌تواند توییتی انتقادی بنویسد. امتیاز بالای او در نظرسنجی و جهت‌گیری منفی توییتش با هم سازگارند. او در یکی درباره توصیه بانک پاسخ داده و در دیگری تجربه یک تراکنش ناموفق را روایت کرده است.

تاریخچه NSS؛ اولین‌بار چه کسی از شاخص خالص احساسات استفاده کرد؟

برای فهم تاریخچه NSS، باید میان دو اتفاق فاصله بگذاریم: پژوهش درباره تشخیص جهت‌گیری یک متن و استفاده از مجموع این جهت‌گیری‌ها برای سنجش یک برند.

یکی از نمونه‌های شناخته‌شده پژوهش در این حوزه به سال ۲۰۰۲ برمی‌گردد. پیتر ترنی (Peter Turney) در مقاله‌ای بررسی کرد که چگونه می‌توان جهت‌گیری مثبت یا منفی نقدهای آنلاین را تشخیص داد. این مقاله بخشی از تاریخچه تحلیل احساسات است و به فهم مسئله‌ای کمک می‌کند که NSS بر آن تکیه دارد: پیش از محاسبه امتیاز یک مجموعه، چگونه بفهمیم هر متن چه موضعی دارد؟ مقاله پیتر ترنی، ۲۰۰۲

یک نمونه مستند از کاربرد خودِ Net Sentiment در گزارش‌های صنعتی، گزارش بانکداری آفریقای جنوبی در سال ۲۰۱۹ است. شرکت تحلیل رسانه BrandsEye حدود ۱٫۹ میلیون اشاره آنلاین به پنج بانک را گردآوری کرد و برای ارزیابی جهت‌گیری، نمونه‌ای از آن‌ها را بررسی کرد. در روش‌شناسی گزارش، Net Sentiment از تفاضل سهم گفت‌وگوهای مثبت و منفی به دست می‌آید. گزارش بانکداری آفریقای جنوبی، بخش روش‌شناسی

این گزارش نشان می‌دهد که دست‌کم در سال ۲۰۱۹ از شاخص خالص احساسات برای مقایسه بانک‌ها استفاده می‌شده است. در منابع بررسی‌شده، سندی پیدا نشد که بتوان با اتکا به آن، فرد یا سازمان مشخصی را مخترع NSS یا نخستین استفاده‌کننده آن در جهان دانست. شباهت فرمول NSS و NPS هم به‌تنهایی برای تعیین منشأ تاریخی این شاخص کافی نیست.

نمونه واقعی NSS در ایران؛ بانک‌ها در گزارش «سال بقا»ی دیتاک

NSS بانک‌ها در گزارش «سال بقا»؛ گزارش سالانه دیتاک 1404

دیتاک از نخستین مجموعه‌هایی است که در فضای تخصصی ایران از NSS در گزارش‌های تحلیلی استفاده کرده است. یکی از نمونه‌های آن، فصل «بانک‌ها در کانون بحران» در گزارش سالانه «سال بقا» است. در این فصل، سؤال ما این بود که در دوره اختلال خدمات بانکی، واکنش کاربران به بانک‌ها چطور تغییر کرد و آیا با انتشار خبر بازگشت خدمات، نشانه‌های بهبود در گفت‌وگوها هم دیده شد؟

این فصل بر بیش از ۴۴ هزار توییت مرتبط با پنج بانک ملی، سپه، صادرات، تجارت و پاسارگاد تکیه دارد. بانک‌ها به دلیل درگیری بیشتر با اختلال‌ها انتخاب شدند. دوره کلی گزارش، سال ۱۴۰۴ و بهار ۱۴۰۵ بود و منبع داده این فصل، توییتر فارسی. بنابراین نتایج آن برای فهم آنچه در توییتر درباره این پنج بانک منتشر شد معنا دارد. برای سنجش رضایت همه مشتریان بانک‌های کشور، به نمونه‌گیری و داده دیگری نیاز داریم. گزارش سالانه دیتاک، «سال بقا»

میانگین منفی ۵۱٫۸ درباره بانک‌ها چه می‌گوید؟

در تحلیل تفصیلی دیتاک، میانگین NSS پنج بانک منفی ۵۱٫۸ گزارش شد. برای اینکه بزرگی این اختلاف ملموس شود، گزارش ترکیب مطالب را به‌صورت تقریبی چنین توصیف می‌کند: از هر ۱۰۰ توییت، حدود ۷۰ توییت منفی، ۱۹ توییت مثبت و بقیه خنثی بودند. با همین اعداد تقریبی، اختلاف سهم مثبت و منفی به منفی ۵۱ می‌رسد.

نکته مهم، واحد این محاسبه است: توییت. مشتری‌ای که چهار بار در انتقال وجه ناموفق بوده، ممکن است چهار بار هم درباره‌اش بنویسد. مشتری دیگری شاید همان هفته ده‌ها تراکنش موفق انجام داده باشد و دلیلی برای نوشتن پیدا نکند. آنچه در این داده‌ها به‌خوبی دیده می‌شود، شدت غلبه روایت‌های منفی در فضای عمومیِ بررسی‌شده است.

چرا ماجرای بانک صادرات برای روابط عمومی مهم است؟

به پنجم تیر برگردیم. پس از اعلام رفع اختلال و بازگشت دوباره مشکل، انتقادها شدت گرفت. در آن مقطع، شاخص NSS بانک صادرات به منفی ۸۳٫۶ رسید. این عدد به یک بانک در نقطه مشخصی از بحران مربوط می‌شود. عدد منفی ۵۱٫۸، میانگین پنج بانک در تحلیل گزارش بود. تحلیل دیتاک از خط زمانی بحران بانکی

برای مدیر روابط عمومی، ارزش این مثال در کنار هم گذاشتن سه زمان است: چه ساعتی بانک اطلاعیه داد؟ چه ساعتی کاربران دوباره از خطا گفتند؟ چه زمانی تیم فنی توانست پایداری خدمت را تأیید کند؟ NSS نشان می‌دهد کدام مقطع بیش از همه نیاز به بررسی دارد. متن توییت‌های همان ساعات و گزارش فنی بانک کمک می‌کنند بفهمیم در اطلاعیه بعدی چه باید گفت. گاهی جمله دقیق‌تر برای مشتری این است که «انتقال وجه برقرار شده، اما بعضی کاربران هنوز در ورود به همراه‌بانک مشکل دارند».

شاخص خالص جهت‌گیری در سامانه دیتاک و برندبان

دیتاک نخستین ابزار سوشال لیسنینگ ایرانی است که NSS را با عنوان «شاخص خالص جهت‌گیری» در سامانه خود نمایش می‌دهد. در بخش «آمار و نمودارها» می‌توان تغییر جهت گفت‌وگو درباره موضوع پایش را دید. در «برندبان دیتاک» هم می‌توان امتیاز برند را با میانگین رقبای منتخب در یک بستر مشخص مقایسه کرد.

چطور نمودار NSS را در بخش «آمار و نمودارها» بخوانیم؟

چطور نمودار «آمار و نمودارها»ی دیتاک را بخوانیم؟

در این نمونه، عقربه سمت چپ امتیاز کل بازه را منفی ۲۳ نشان می‌دهد. زیر عقربه، سهم هر گروه را می‌بینیم: حدود ۳۰٫۵۵ درصد مثبت، ۱۵٫۷۴ درصد خنثی و ۵۳٫۷۲ درصد منفی. اگر سهم منفی را از سهم مثبت کم کنیم، به منفی ۲۳٫۱۷ می‌رسیم که روی نشانگر به‌صورت منفی ۲۳ نمایش داده شده است.

در نمودار سمت راست، ستون‌ها ترکیب مطالب مثبت، خنثی و منفی هر روز را نشان می‌دهند و از روی محور سمت چپ خوانده می‌شوند. خط آبی امتیاز NSS همان روز است و مقیاس آن را روی محور سمت راست می‌بینید.

به آخرین روز نمودار نگاه کنید. قسمت سبز ستون از قسمت قرمز بزرگ‌تر شده و خط آبی بالای صفر رفته است. در همان حال، عقربه کل دوره هنوز منفی ۲۳ است. پس می‌توان با دقت نوشت: «در آخرین روز، مطالب مثبت از مطالب منفی بیشتر شد، اما در مجموع دوره، تعداد مطالب منفی بیشتر بود.» برای اینکه بدانیم این تغییر ادامه‌دار است، باید حجم مطالب آن روز و روند روزهای بعد را هم ببینیم.

در برندبان چطور NSS برند را با رقبا مقایسه کنیم؟

در تصویر برندبان دیتاک، تلگرام انتخاب شده است. در بازه نمایش‌داده‌شده، NSS برند مثبت ۵۵ و میانگین رقبای منتخب مثبت ۱۳ است. بنابراین امتیاز برند در تلگرام ۴۲ واحد بالاتر از میانگین رقباست. نمودار روزانه کمک می‌کند ببینیم این فاصله در چه روزهایی شکل گرفته و آیا منحنی برند و رقبا هم‌زمان تغییر کرده‌اند.

برای تفسیر این فاصله، چند مطلب از روزهایی را که دو خط از هم دور شده‌اند بخوانید. ممکن است یک کانال پربازدید تجربه مثبتی از برند منتشر کرده باشد. ممکن است هم‌زمان یکی از رقبا درگیر انتقادهایی درباره قیمت یا کیفیت خدمت شده باشد. هر دو اتفاق می‌توانند فاصله را بیشتر کنند، اما برای مدیر برند دو معنای متفاوت دارند. در گزارش رقابتی، نام رقبا، بستر، بازه و تعداد مطالب را کنار امتیاز ثبت کنید تا مقایسه در ماه بعد هم قابل تکرار باشد.

مقایسه NSS برند با رقبا در برندبان دیتاک

کاربرد NSS در بازاریابی؛ وقتی تعریف‌ها دو برابر می‌شوند اما امتیاز پایین می‌آید

فرض کنید تیم بازاریابی یک فروشگاه بعد از پایان جشنواره فروش گزارش می‌دهد: «تعداد مطالب مثبت درباره برند دو برابر شد.» جدول زیر یک مثال فرضی از چنین موقعیتی است.

دوره مطالب مثبت مطالب خنثی مطالب منفی کل مطالب NSS
پیش از جشنواره ۱۲۰ ۲۰۰ ۸۰ ۴۰۰ مثبت ۱۰
هنگام جشنواره ۲۴۰ ۳۲۰ ۲۴۰ ۸۰۰ صفر

جشنواره بیشتر دیده شده و تعداد مطالب مثبت از ۱۲۰ به ۲۴۰ رسیده است. در همان مدت، مطالب منفی هم از ۸۰ به ۲۴۰ رسیده‌اند؛ یعنی سه برابر شده‌اند. در نتیجه، هنگام جشنواره تعداد مطالب مثبت و منفی برابر شده و امتیاز خالص از مثبت ۱۰ به صفر رسیده است.

حالا مدیر بازاریابی می‌تواند سؤال مشخص‌تری بپرسد: کاربران از چه چیزی تعریف کرده‌اند و شکایت‌ها بیشتر درباره چیست؟ اگر تعریف‌ها درباره تخفیف و انتقادها درباره لغو سفارش باشد، تیم بازاریابی و تیم عملیات هرکدام کار متفاوتی پیش رو دارند. اولی می‌داند چه پیشنهادی توجه مخاطب را جلب کرده و دومی باید بفهمد چرا فروشگاه نتوانسته بخشی از سفارش‌ها را تحویل دهد.

بعد از افت یا جهش NSS چه کنیم؟

۱. اول حجم و ترکیب مطالب را ببینید. بررسی کنید تغییر از کجا آمده است. تعداد انتقادها بیشتر شده؟ تعریف‌ها کمتر شده؟ یا انتشار خبرهای خنثی سهم هر دو گروه را تغییر داده است؟ اگر حجم مطالب یک روز پایین باشد، حتی یک نظر می‌تواند امتیاز را به‌شدت جابه‌جا کند.

۲. متن‌های روز تغییر را بخوانید. چند مطلب مثبت، منفی و خنثی را باز کنید. ببینید درباره چه موضوعی‌اند، چه کسی آن‌ها را منتشر کرده و کدام‌ها بازنشر یک پیام واحدند. اگر یک گلایه صد بار بازنشر شود، اطلاعات مهمی درباره گستره انتشار آن دارید. برای ادعای اینکه صد مشتری تجربه مشابهی داشته‌اند، باید نویسندگان و تجربه‌های مستقل را هم بررسی کنید.

۳. جهش نمودار را با رویدادها تطبیق دهید. تاریخ اطلاعیه، تغییر قیمت، شروع کمپین، اختلال خدمت یا انتشار یک ویدئوی پربازدید را روی خط زمانی بگذارید. هم‌زمانی سرنخ خوبی برای بررسی است. برای روشن شدن علت، مضمون مطالب و در صورت دسترسی، داده عملیاتی همان دوره را هم بررسی کنید.

۴. نتیجه را به یک اقدام مشخص وصل کنید. اگر شکایت‌ها درباره تأخیر در بازگشت وجه است، نمونه‌ها را به تیم پرداخت برسانید. پس از اصلاح، در همان بستر و با همان روش، هم NSS و هم تعداد شکایت‌های مرتبط با بازگشت وجه را دوباره بسنجید. اگر دسترسی کاربران به شبکه در این فاصله تغییر کرده، آن را هم در گزارش بیاورید؛ سکوت کاربر همیشه نشانه حل مشکلش نیست.

پرسش‌های رایج درباره شاخص NSS

آیا NSS برابر با صفر یعنی کسی نظری نداشته است؟

صفر یعنی سهم مطالب مثبت و منفی برابر بوده است. این نتیجه هم از ۵۰ مطلب مثبت و ۵۰ مطلب منفی به دست می‌آید و هم از ۱۰۰ مطلب خنثی. اگر در دوره موردنظر هیچ مطلب مرتبطی وجود نداشته باشد، مخرج کسر صفر است و NSS قابل محاسبه نیست. برای آن دوره بنویسید «بدون داده».

آیا رشد NSS همیشه به معنای بیشتر شدن تعریف‌هاست؟

خیر. ممکن است تعداد مطالب مثبت ثابت بماند و تعداد انتقادها کمتر شود. مثلاً اگر از ۱۰۰ مطلب، ۳۰ مورد مثبت و ۴۰ مورد منفی باشد، NSS منفی ۱۰ است. اگر در دوره بعد از ۱۰۰ مطلب، باز هم ۳۰ مورد مثبت باشد ولی تعداد منفی‌ها به ۲۰ برسد، NSS به مثبت ۱۰ می‌رسد. برای توضیح این رشد ۲۰ واحدی باید از کم شدن سهم انتقادها حرف بزنیم.

آیا می‌توان NSS ماه را از میانگین امتیاز روزها به دست آورد؟

وقتی حجم مطالب روزها متفاوت است، میانگین ساده نتیجه گمراه‌کننده‌ای می‌دهد. فرض کنید روز اول ۱۰ مطلب منتشر شده و همه مثبت‌اند. روز دوم ۹۰ مطلب منتشر شده و همه منفی‌اند. امتیاز روزها به‌ترتیب مثبت ۱۰۰ و منفی ۱۰۰ است. میانگین ساده آن‌ها صفر می‌شود، درحالی‌که از مجموع ۱۰۰ مطلب، فقط ۱۰ مورد مثبت و ۹۰ مورد منفی بوده است. امتیاز کل دوره منفی ۸۰ است. برای محاسبه ماهانه، تعداد مطالب هر گروه را در کل ماه جمع کنید و یک بار فرمول را اجرا کنید.

NSS چه فرقی با سهم صدا دارد؟

سهم صدا نشان می‌دهد از مجموع گفت‌وگوهای مربوط به برندهای مورد مقایسه، چه سهمی درباره برند شماست. NSS نشان می‌دهد در مطالب مربوط به برند شما، کفه مثبت سنگین‌تر است یا منفی و فاصله این دو چقدر است. یک بانک در اوج اختلال ممکن است هم بیشترین سهم صدا و هم منفی‌ترین NSS را داشته باشد. برای روابط عمومی، دیدن این دو عدد کنار هم روشن می‌کند موجی که با آن روبه‌روست، هم چقدر بزرگ است و هم چه جهتی دارد.

آیا NSS بالاتر یعنی مشتریان بیشتری راضی‌اند؟

برای پاسخ به این سؤال باید بدانیم چه افرادی مشتری‌اند، از کدام تجربه حرف می‌زنند و با چه روشی انتخاب شده‌اند. در پایش شبکه‌های اجتماعی، آنچه مستقیماً در اختیار داریم محتوای منتشرشده است. کنار NSS می‌توان نظرسنجی رضایت، تماس‌های پشتیبانی و داده عملکرد خدمت را هم بررسی کرد. در مثال بانکی، زمان موفق شدن تراکنش‌ها می‌تواند توضیح دهد چرا انتقادها چند ساعت بعد از انتشار اطلاعیه هنوز ادامه داشته‌اند.

در گزارش مدیریتی، NSS را چطور بنویسیم؟

عدد را با موضوع، بستر، بازه و حجم مطالب بیاورید و توضیح دهید کدام گروه تغییر بیشتری کرده است. برای مثال جشنواره می‌توان نوشت: «در دوره جشنواره، از ۸۰۰ مطلب مرتبط با فروشگاه، ۲۴۰ مطلب مثبت و ۲۴۰ مطلب منفی بود. NSS از مثبت ۱۰ پیش از جشنواره به صفر رسید. تعداد انتقادها از ۸۰ به ۲۴۰ مطلب افزایش یافت.»

جمله بعدی گزارش از دل فرمول بیرون نمی‌آید. باید همان انتقادها را خواند تا معلوم شود مسئله‌ای که مشتری با آن روبه‌رو بوده قیمت محصول، لغو سفارش یا تأخیر در تحویل است. همان‌طور که در ماجرای بانک صادرات هم منفی شدن نمودار فقط بخشی از داستان بود؛ بخش تعیین‌کننده این بود که کاربران پس از اعلام رفع اختلال هنوز از تراکنش ناموفق می‌نوشتند.

مطالعه بیشتر:

 

مقالات مرتبط

NPS چیست؟ فرمول محاسبه، تفسیر امتیاز و تفاوت با CSAT

NPS یا شاخص خالص مروجان، معیاری برای سنجش تمایل مشتریان به توصیه…

06 آبان 1405

بانک‌ها در کانون بحران؛ مدیریت بحران بانکی و صیانت از اعتبار برند در شبکه‌های اجتماعی

در زمان بحران‌هایی چون اختلالات گسترده و حملات سیستمی روابط عمومی  چه…

26 مهر 1405

بهای سنگین وصل ماندن؛ بررسی اقتصادی و اندازه بازار فیلترشکن در ایران

اندازه بازار فیلترشکن در ایران چقدر برآورد می‌شود؟  آیا قیمت فیلترشکن و…

26 مهر 1405

دیدگاهتان را بنویسید