아티클 | 11. NPS, 고객 만족도를 한 문항으로 조사할 수 있다고?

오늘의 아티클

https://blog.opensurvey.co.kr/research-tips/nps-01/

고객 만족도 측정하는 가장 간편한 조사 방법, NPS 알아보기 - 오픈서베이 블로그

---

아티클 요약

✅ Summary

NPS = 고객 충성도 지표(Net Promoter Score) = “우리 브랜드를 추천하고 싶으신가요?”

• NPS = 프로모터 비율(추천 그룹) - 디트렉터 비율(비추천 그룹)
• 장점 : 설문 간단, 과거 데이터·경쟁사 비교 용이
• 단점 : 점수 기준 보편성 부족, 가중치 미적용

NPS란 무엇인가?

• NPS(Net Promoter Score)는 고객 충성도를 측정하는 지표
• 브랜드 추천 의향을 0~10점 척도로 조사하여 프로모터(Promoter), 패시브(Passive), 디트렉터(Detractor)로 구분한다.

---

NPS의 특징

• 단순성 : "우리 브랜드를 주변에 얼마나 추천하고 싶으신가요?"라는 하나의 질문으로 충성도를 측정
• 점수 계산 :
  • 프로모터 비율(추천 그룹) - 디트렉터 비율(비추천 그룹) 으로 계산
  • NPS 점수는 상대적으로 판단해야 한다. (보통 20점 이상이면 좋은 점수)
• 장점 :
  • 설문 설계가 간단하고 비교적 응답 부담이 적음
  • 과거 데이터 및 경쟁사와 비교하기 용이
• 단점 :
  • 점수 기준(0~6점, 7~8점, 9~10점)의 보편성 부족
  • 점수별 가중치 없이 단순 계산
  • 국가 및 문화에 따라 점수 편차 발생

NPS의 구조 및 해석

1. 응답자 그룹화
   • 프로모터(9~10점) : 브랜드 팬, 추천 의향 높음
   • 패시브(7~8점) : 만족도 중립적, 충성도 낮음
   • 디트렉터(0~6점) : 브랜드 불만족, 부정적 소문 가능성
2. NPS 점수 해석
   • 절대적 기준 : 점수가 높을수록 긍정적
   • 상대적 기준 : 경쟁사와 비교하여 전략 마련 필요

NPS 조사 시 있으면 좋은 추가 문항

NPS는 고객 충성도를 간단히 측정할 수 있는 유용한 도구지만 점수의 해석과 보완 문항 추가를 통해 더 깊이 있는 데이터를 확보해야 효과적이다.

1. 응답자 프로필 : 성별, 연령대, 사용 기간 등
2. 프로모터 조사 : 실제 추천 경험 및 추천 메시지 확인
3. 디트렉터 조사 : 낮은 점수 이유를 묻는 문항 추가

---

고민해볼 점

❓ 선택이 사용자 직관에 의존적인데 0~6 점을 주었다고 추천을 하지 않고(호의적이지 않고), 9~10 점을 주었다고 추천을 한다고 보장할 수 있을까?

 

❓ 1기의 경우 NPS 지표를 조사해도 후속 비즈니스 액션을 취하기 어려울 것 같은데 어떡할까?

---

교육운영 PM이 되어 적용해본다면?

NPS 데이터를 어떻게 더 잘 활용할 수 있을까?

 

☹️ 문제 상황

• 비교 대상 부재 : 이전 교육과정의 NPS와 비교할 수 없음
• 맥락 부족 : 낮거나 높은 점수의 원인 분석이 어려움
• 데이터 해석의 불확실성 : 단순 점수로는 교육의 강점과 약점이 명확히 드러나지 않음

 

💡 실행 방안

• NPS 점수를 보완하는 질문으로 문제를 쉽게 파악하자
  • NPS 조사 후 추천 이유을 추적
  • 추천 키워드 데이터와 NPS 점수를 비교하여 점수 기준의 신뢰도를 검증

💡 세부 실행 방안

정성적 피드백 수집

• NPS 응답자의 구체적인 의견 요청
  • NPS 점수에 대한 이유를 묻는 주관식 질문
    • Ex) "이 점수를 선택한 이유는 무엇인가요?"
    • 프로모터(9~10점): "교육의 어떤 점이 가장 좋았나요?"
    • 디트렉터(0~6점): "개선이 필요하다고 생각한 점은 무엇인가요?"
• 인터뷰 진행
  • 교육 참여자 중 디트렉터 및 패시브 대상 심층 인터뷰
    • 낮은 점수의 근본 원인과 맥락 파악
    • 기대와의 격차를 확인하여 초기 개선 방향 설정

피드백을 바탕으로 한 파일럿 운영 개선

• 파일럿 개선과 피드백 루프 구축
  • 초기 피드백을 바탕으로 부분적인 개선 사항 적용 후 재검증
  • 파일럿 프로그램 종료 후 NPS 및 기타 만족도 설문 재수행
  • 반복적으로 개선하면서 데이터의 신뢰성을 높임
• 비교 가능한 데이터 구축
  • 동일 과정의 반복 운영을 통해 점진적으로 NPS 점수의 패턴 파악
  • 이후 과정을 위한 베이스라인(Baseline) 설정

초기 NPS 결과로 실행 가능한 간단한 액션 도출

• 낮은 점수 디트렉터 대상 직접 액션
  • 디트렉터에게 사후 개별 맞춤형 지원 제공 :
    • 교육자료 재제공 및 후속 세션 초대
    • "교육에 대한 불편을 해소하기 위해 개선을 시작했습니다"라는 메시지 전달
  • 만족도를 개선해 향후 긍정적인 행동(추천) 유도
• 프로모터 활용
  • 프로모터를 대상으로 추천 이벤트 진행:
    • 다른 스파르타코딩클럽 강의 할인 쿠폰 지급

데이터 기반 의사결정을 위한 장기 전략

• NPS + 행동 데이터 결합
  • 교육 이후 실제 행동 변화(재등록, 추천, 업무 적용 여부)와 NPS 점수를 비교
  • 장기적으로 데이터 축적 후 행동과 점수 간 상관관계를 분석하여 실질적인 지표로 발전