Biz rasgele numune varsayalım olan nüfus, varsayalım oranlarını ihtiva promotörlerin, s 0 pasif ve p - 1 ile kötüleyiciler p 1 + p 0 + p - 1 = 1 . NPS model oluşturmak üzere etiketlenmiş (senin nüfusunun her üyesi için bir tane) biletlerini büyük sayıda büyük şapka dolum hayal + 1 proje sahipleri için, 0 pasif için ve - 1 eleştirmenlere için, verilen oranlarda ve sonra çizim n Bunlardan rastgele. p1p0p−1p1+p0+p−1=1+10−1nNPS örneği , çekilen biletlerin ortalama değeridir. Gerçek NPS şapkalı biletlerin hepsi ortalama değer olarak hesaplanır: öyle beklenen değer (veya beklenti şapka).
Gerçek NPS'nin iyi bir tahmincisi, örnek NPS'dir. Örnek NPS'nin de bir beklentisi var. Tüm olası NPS örneklerinin ortalaması olarak kabul edilebilir. Bu beklenti gerçek NPS'ye eşittir. Standart hata örnek NPS örnek NPS en tipik olarak bir rastgele seçilen ve başka arasında değişmektedir ne kadar bir ölçüsüdür. Neyse ki, SE'yi bulmak için olası tüm numuneleri hesaplamamız gerekmiyor: hattaki biletlerin standart sapmasını hesaplayarak ve √ ile bölerek daha kolay bulunabilir. . (Örnek popülasyonun kayda değer bir oranı olduğunda küçük bir düzeltme yapılabilir, ancak bu burada gerekli değildir.)n−−√
Örneğin, bir nüfusu ele promoterler, p 0 = 1 / 3 pasif ve p - 1 = 1 / 6 hasımları. Gerçek NPSp1=1/2p0=1/3p−1=1/6
NPS=1×1/2+0×1/3+−1×1/6=1/3.
Varyans nedenle
Var(NPS)=(1−NPS)2×p1+(0−NPS)2×p0+(−1−NPS)2×p−1=(1−1/3)2×1/2+(0−1/3)2×1/3+(−1−1/3)2×1/6=5/9.
Standart sapma yaklaşık olarak eşit, bu kare köküdür 0.75.
Diyelim bir örneklemde , bu nedenle etrafında bir NPS gözlemlemek beklenebilir 1 / 3 = 33 standart hata ile% 0.75 / √3241/3=33yaklaşık%4,1.0.75/324−−−√=4.1
Aslında, şapkadaki biletlerin standart sapmasını bilmiyorsunuz, yani bunun yerine numaranızın standart sapmasını kullanarak bunu tahmin ediyorsunuz. Örneklem boyutunun kareköküne bölündüğünde, NPS'nin standart hatasını tahmin eder: bu tahmin, hata payıdır (MoE).
Her bir müşteri türünün önemli sayılarını gözlemlemeniz koşuluyla (tipik olarak her birinin yaklaşık 5 veya daha fazlası yapılacaktır), NPS numunesinin dağılımı Normal'e yakın olacaktır. Bu, MEB'yi her zamanki gibi yorumlayabileceğiniz anlamına gelir. Özel olarak, NPS numunesinin gerçek NPS'nin bir MoE'sinde yer alacağı zamanın yaklaşık 2 / 3'ü ve zamanın 19/20% 'sinde (% 95), NPS numunesi, gerçek NPS'nin iki MoE'sinde yer alacaktır. Örnekte, hata payı gerçekten% 4,1 olsaydı, anket sonucunun (örnek NPS) nüfusun NPS'sinin% 8,2'si içinde olduğuna dair% 95 güvene sahip olurduk.
Her anket kendi hata payına sahip olacaktır. Bu iki sonucu karşılaştırmak için her birinde hata olasılığını hesaba katmanız gerekir. Anket boyutları yaklaşık olarak aynı olduğunda, farklılıklarının standart hatası Pisagor teoremi tarafından bulunabilir: karelerinin toplamının karekökünü alın. Bir yıllık MEB% 4,1 ve bir yıl MEB% 3.5 ise Örneğin, o zaman kabaca etrafında hata payı anlamaya = bu iki sonuçtaki fark için% 5.4. Bu durumda,iki anket sonucundaki farkın% 10,8 veya daha büyük olması şartıyla NPSpopülasyonununbir anketten diğerine değiştiğine% 95 güvence verebilirsiniz.3.52+4.12−−−−−−−−−√
Zaman içinde birçok anket sonucunu karşılaştırırken, daha karmaşık metotlar yardımcı olabilir, çünkü birçok ayrı hata marjıyla baş etmek zorundasınız. Hata marjlarının hepsi birbirine çok benzerse, kaba bir kural, üç veya daha fazla ÇD'nin değişimini "önemli" olarak kabul etmektir. Bu örnekte, ÇŞ'ler% 4 civarında kalıyorsa, birkaç anket süresince yaklaşık% 12 veya daha büyük bir değişiklik dikkatinizi çekmelidir ve küçük değişiklikler geçerli olarak anket hatası olarak görülebilir. Ne olursa olsun, burada verilen analiz ve kurallar, anketler arasındaki farklılıkların ne anlama gelebileceğini düşünürken genellikle iyi bir başlangıç sağlar.
001/n−−√n