Słownik metodologiczny · Pomiar i skale

Net Promoter Score (NPS) – jak go policzyć i jak ostrożnie interpretować?

NPS to różnica odsetka promotorów i krytyków w odpowiedzi na pytanie o polecenie na skali 0–10. Pokazujemy wzór, kategorie 0–6, 7–8 i 9–10, błąd standardowy i przedział ufności, przykład w R oraz krytykę wskaźnika.

Strona główna / Słownik / Net Promoter Score (NPS)

Opracowanie merytoryczne: · Opublikowano:

W skrócie: Net Promoter Score (NPS) to odsetek promotorów (9–10) minus odsetek krytyków (0–6) w odpowiedzi na pytanie o polecenie na skali 0–10. Wynik od −100 do 100 jest prosty, ale traci informację i ma szeroki przedział ufności przy małych próbach.

Co to jest NPS?

Net Promoter Score (NPS) to wskaźnik oparty na jednym pytaniu: „Jak bardzo prawdopodobne jest, że polecisz nas znajomemu?” na skali od 0 do 10. Reichheld (2003) twierdził, że to jedno pytanie przewiduje wzrost firmy lepiej niż rozbudowane ankiety satysfakcji. NPS stosuje się w badaniach klientów, pacjentów i turystów, a w pracach dyplomowych – często w pracach z marketingu i turystyki.

Wzór i kategorie

Odpowiedzi dzieli się na trzy grupy: krytycy (0–6), pasywni (7–8) i promotorzy (9–10). NPS = % promotorów − % krytyków, więc przyjmuje wartości od −100 do 100. Pasywni nie wchodzą do licznika, ale zmniejszają oba odsetki. Formalnie NPS to średnia zmiennej przyjmującej 1 dla promotora, 0 dla pasywnego i −1 dla krytyka (razy 100). Stąd jego wariancja: pP + pK − (pP − pK)², a błąd standardowy to pierwiastek z tej wartości podzielonej przez n. To nie jest zwykły przedział dla proporcji, bo różnica dwóch odsetków z jednej próby ma ujemną kowariancję.

Przykład

W symulowanej ankiecie 200 osób było 82 promotorów (41%), 70 pasywnych i 48 krytyków (24%). NPS = 41 − 24 = 17, SE = 5.6, a 95% przedział ufności (przybliżenie normalne) od 6.1 do 27.9. Średnia na skali 0–10 wyniosła 7.52. Przedział jest szeroki: przy 200 osobach różnica kilku punktów NPS między dwoma pomiarami nic nie znaczy.

Ograniczenia

  • Utrata informacji. Jedenaście punktów skali zamienia się w trzy kategorie; odpowiedź 0 i 6 liczy się tak samo. Rozkład 30% / 40% / 30% i 100% pasywnych dają ten sam NPS = 0.
  • Umowne progi. Granice 6/7 i 8/9 są konwencją; przesunięcie odpowiedzi o jeden punkt przy progu zmienia kategorię osoby, a przy małej próbie – wyraźnie cały wynik.
  • Wątpliwa trafność prognostyczna. Keiningham i in. (2007) nie powtórzyli tezy o przewadze NPS nad innymi miarami lojalności, a Dawes (2024) nie znalazł związku NPS z przyszłym wzrostem przychodów w trzech branżach.
  • Jedna pozycja. Rzetelności jednej pozycji nie da się ocenić jak skali wielopozycyjnej, np. skali Likerta; pytanie przypomina raczej skalę NRS.

W pracy podaj obok NPS liczebności trzech grup, średnią i przedział ufności, a przy satysfakcji pacjentów zobacz też analizę ankiety satysfakcji.

Przykład reprodukowalny

NPS w R

Kod symuluje 200 odpowiedzi na skali 0–10, dzieli je na trzy grupy, liczy NPS, błąd standardowy z wariancji zmiennej +1/0/−1 i 95% przedział ufności, a potem sprawdza wynik jako zwykłą średnią.

NPS z błędem standardowym i przedziałem ufności

Dane wejściowe: 200 odpowiedzi na pytanie o polecenie (0–10), dane symulowane, set.seed(3611); tylko pakiety bazowe R.

Co odczytać: liczebności krytyków, pasywnych i promotorów, NPS, SE, granice przedziału, kontrolną średnią zmiennej +1/0/−1 i średnią na skali 0–10.

R
set.seed(3611)
n <- 200
odp <- sample(0:10, n, replace = TRUE,
              prob = c(1, 1, 1, 2, 2, 4, 6, 12, 16, 15, 12))   # "Jak bardzo polecisz...?" 0–10
kat <- cut(odp, c(-1, 6, 8, 10), labels = c("krytycy", "pasywni", "promotorzy"))
table(kat)
p <- prop.table(table(kat))
nps <- 100 * (p["promotorzy"] - p["krytycy"])
# NPS = średnia zmiennej +1 (promotor), 0 (pasywny), -1 (krytyk); wariancja z rozkładu trzech kategorii
v <- p["promotorzy"] + p["krytycy"] - (p["promotorzy"] - p["krytycy"])^2
se <- 100 * sqrt(v / n)
round(c(NPS = unname(nps), SE = unname(se),
        dolna = unname(nps - 1.96 * se), gorna = unname(nps + 1.96 * se)), 1)
z <- ifelse(kat == "promotorzy", 1, ifelse(kat == "krytycy", -1, 0))   # kontrola: ta sama średnia
round(c(srednia_z = 100 * mean(z), sd_z = sd(z)), 3)
round(mean(odp), 2)                                       # średnia na skali 0–10
Wynik w R
kat
   krytycy    pasywni promotorzy 
        48         70         82 
  NPS    SE dolna gorna 
 17.0   5.6   6.1  27.9 
srednia_z      sd_z 
    17.00      0.79 
[1] 7.52

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/

Najczęstsze pytania

Jaki NPS jest dobry?

Nie ma uniwersalnego progu. Wynik zależy od branży, sposobu zbierania odpowiedzi i próby, dlatego porównuj NPS z wcześniejszym pomiarem albo z podobną grupą i zawsze podawaj przedział ufności.

Jak obliczyć przedział ufności dla NPS?

Zakoduj odpowiedzi jako +1 (9–10), 0 (7–8) i −1 (0–6). NPS to ich średnia razy 100, a SE = 100·√{[pP + pK − (pP − pK)²] / n}. Przedział 95% to NPS ± 1.96·SE (przybliżenie dla dużej próby).

Czy NPS wystarczy w ankiecie do pracy dyplomowej?

Zwykle nie. To jedno pytanie, którego rzetelności nie da się ocenić jak skali. Podaj obok rozkład odpowiedzi 0–10, średnią i liczebności grup, a satysfakcję mierz skalą wielopozycyjną.

Powiązane hasła

Skala LikertaSkala NRS (numeryczna skala oceny)Przedział ufności dla proporcji

Poradniki, w których użyjesz tego pojęcia

Poradnik

Statystyka w pracy z marketingu

Skala postaw wobec marki, NPS z przedziałem ufności, test A/B, intencja zakupu, mediacja i segmentacja: testy, zdania APA, dane XLSX i kod R.

Czytaj →Poradnik

Statystyka w pracy z turystyki i rekreacji

Satysfakcja turystów, IPA, segmentacja motywów, regresja wydatków, NPS z przedziałem ufności i sezonowość: zdania APA i kod R.

Czytaj →Poradnik

Analiza ankiety satysfakcji pacjentów

Rozkład pozycji Likerta, top-box z 95% CI, alfa i omega, efekt sufitu, porównanie oddziałów, pytania otwarte – z danymi do pobrania, kodem R i opisem APA.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Dawes, J. G. (2024). Net Promoter and revenue growth: An examination across three industries. Australasian Marketing Journal, 32(1), 4–18. https://doi.org/10.1177/14413582221132039
  2. Keiningham, T. L., Cooil, B., Andreassen, T. W., & Aksoy, L. (2007). A longitudinal examination of net promoter and firm revenue growth. Journal of Marketing, 71(3), 39–51. https://doi.org/10.1509/jmkg.71.3.039
  3. Reichheld, F. F. (2003). The one number you need to grow. Harvard Business Review, 81(12), 46–54. https://pubmed.ncbi.nlm.nih.gov/14712543/

Cytowania BibTeX

@article{dawes2024net, author={Dawes, John G.}, title={{Net Promoter and revenue growth: An examination across three industries}}, journal={Australasian Marketing Journal}, year={2024}, volume={32}, number={1}, pages={4--18}, doi={10.1177/14413582221132039}}
@article{keiningham2007longitudinal, author={Keiningham, Timothy L. and Cooil, Bruce and Andreassen, Tor Wallin and Aksoy, Lerzan}, title={{A longitudinal examination of net promoter and firm revenue growth}}, journal={Journal of Marketing}, year={2007}, volume={71}, number={3}, pages={39--51}, doi={10.1509/jmkg.71.3.039}}
@article{reichheld2003one, author={Reichheld, Frederick F.}, title={{The one number you need to grow}}, journal={Harvard Business Review}, year={2003}, volume={81}, number={12}, pages={46--54}, url={https://pubmed.ncbi.nlm.nih.gov/14712543/}}
R