導讀員工凈推薦值（eNPS）是基于NPS系統本身的衍生工具，與NPS的理念和邏輯大致相同，區別是把調查主體由“客戶”轉變為“員工”本文作者對eNPS進行了分析，....

員工凈推薦值（eNPS）是基于NPS系統本身的衍生工具，與NPS的理念和邏輯大致相同，區別是把調查主體由“客戶”轉變為“員工”本文作者對eNPS進行了分析，一起來看一下吧，下面我們就來聊聊關于如何提高公司凈推薦值?接下來我們就一起去了解一下吧!

如何提高公司凈推薦值

員工凈推薦值（eNPS）是基于NPS系統本身的衍生工具，與NPS的理念和邏輯大致相同，區別是把調查主體由“客戶”轉變為“員工”。本文作者對eNPS進行了分析，一起來看一下吧。

一、什么是 eNPS ？

員工凈推薦值（Employee Net Promoter Score，簡稱 eNPS），是基于 NPS 系統本身的衍生工具。

eNPS 與 NPS 的理念和計算邏輯大致相同，區別是把調查主體由“客戶”轉變為“員工”。企業可以利用 eNPS 來了解員工在企業工作的滿意度，以及他們將企業的工作崗位推薦給他人的可能性。

eNPS 量表題：你向朋友或同事推薦[某某公司]的可能性有多大？

采用 11 級量表，根據打分情況將答題者劃為三類：推薦者（9-10分）、中立者（ 7-8分）和貶損者（0-6分）。

員工凈推薦值主要是衡量員工對雇主的看法，eNPS 有助于幫助組織塑造其員工價值，在與員工之間建立情感聯系、承諾和忠誠度，并改善雇主品牌。

eNPS 開放題：你為什么給出這個回答？

開放題同樣提供了解釋定量分數的定性數據，可以了解可以在哪些地方去改善員工體驗。

二、如何計算 eNPS ？

計算公式：

eNPS = 推薦者% – 貶損者%

eNPS 計算示例：

某家擁有 100 名員工的公司進行 eNPS 評分，調查顯示：

20 個批評者 = 10%

30 個被動項 = 30%

50 個發起人 = 60%

eNPS = 60 – 10 = 40

員工凈推薦值 eNPS 得分為： 40

eNPS 得分是推薦者和貶損者之間的占比差，范圍會在 -100 到 100 之間。

通過測量 eNPS，目標是為員工創造更好的工作環境來提高整個企業的參與度，進而轉變為客戶體驗的提升。

三、eNPS 怎么才算好？

eNPS 的得分基準同樣因行業不同而有所差別。據國外研究數據庫，整體的 eNPS 的基準值在 12-14 分之間。

這聽起來感覺分數很低，員工與企業之間的復雜關系，有些員工只會給中間評分（7或8分），因為他們覺得凡事都有可改善的空間。

事實上其實員工已經傾向于推薦公司了，雖然 eNPS 并不考慮中立的群體，不過這種情況對于企業來說也是一個積極的表現。

eNPS 得分一般 0-30 分會被認為是一個不錯的分數，高于 30 分說明企業目前做的不錯，而 0 分是企業與員工關系打破平衡的臨界點。

一些特定的行業，我有收集一些智庫發布的 eNPS 基準，僅供參考。

eNPS 行業基準值：

電信業：27

制造業：13

銀行業：12-17

百貨業：負數

信息技術：26

醫療保?。?strong>-6.5

還有，對于人員流動比較快的勞動密集型、服務業來說，分數會更低一些。

信息技術（科技業）中雖然基準值為 26，但細分在不同員工規模的企業來說得分差距會很大，中小型科技公司的 eNPS 得分會在比較高，像 Hiya (200 人以內) 2022 年 eNPS 得分為 80。

而大規模或超大規模的科技公司，反而得分會低很多，像 Meta (萬以上) 2022 年 eNPS 得分為 36；Apple(萬以上)2022 年 eNPS 得分為 19。

此外，正值行業風口的行業，伴隨著更高的薪資、更大的發展空間、更新穎的產品或服務，都會讓員工認為自己所從事工作的意義感增加，也會助長eNPS 的提升。

說白了，eNPS 就是一種集體共識的表征形式。

四、eNPS的解讀誤區

還有，在 eNPS 存在一些數據解讀的誤區。比如 A 公司的所有員工評分為 7 或 8，因此 eNPS 為 0。而 B 公司則是推薦者與批評者數量一樣，兩者相減 eNPS 也為 0。

雖然 eNPS 得分相同，但在員工評分的分布卻有很大的差別，這種差別僅從最終得分中是無法判斷的，而真實情況是 A 公司總體表現上要優于 B 公司。

五、eNPS 和 NPS 的關系

Apple 公司有一個觀點，認為組織中 eNPS 和 NPS 兩種衡量標準之間存在正相關，而這種協同關系符合“服務利潤鏈模型”，即積極的員工體驗有助于產生積極的客戶體驗。

服務利潤鏈的構成因素圖

六、eNPS的使用陷阱

注意，在企業導入 eNPS 需要關注這些陷阱：

過分強調分數

測量頻率過高

行業基準差異大

缺少定性數據輔助分析

容易混淆 eNPS 和 NPS

企業規模影響分數

得分背后的分布不易察覺

專欄作家

龍國富，龍國富，人人都是產品經理專欄作家，CxHub主理人。致力于終身學習和自我提升，分享用戶研究、客戶體驗、服務科學等領域資訊，觀點和個人見解。

本文原創發布于人人都是產品經理，未經授權，禁止轉載。

題圖來自Unsplash，基于CC0協議。

該文觀點僅代表作者本人，人人都是產品經理平臺僅提供信息存儲空間服務。