如何利用KANO模型，判断需求的属性归类？
一、为什么要用KANO模型？
小额付费产品经理的日常工作中，经常会同时接到很多需求，VIP改版、新产品形态掘金、支付页优化、花币后台优化、sqdb4.0添加注释等等需求，甚至sqdb4..0改版需求中，又涉及到提高算法准确度、添加信号操作建议注释、添加指标共振选股、增强及时提醒功能……
时间精力、开发资源、UI交互资源有限，尤其像今年上半年疫情泛滥的情况下，开发没有及时到岗，面对众多需求的情况下，为了保证收益的最大化，怎么进行取舍，哪些需求的属性是什么样子的，是否可以砍掉，怎么排序需求的优先级？以哪一种方式来确定才靠谱？
之前我们小额付费产品团队中，在处理类似这种优先级排序的时候，都是召集所有提需求的产品一起开个需求会，各自讲述一下自己需求的情况和紧急度，然后大家共同表决。虽然看起来很不错，很民主科学，但实际上在执行的过程中，每个产品经理都会把自己的需求吹的很紧急很重要，但没有给出一个合理公认的量化结论，以供参考，随意性还是特别强，几乎就是“看脸面”决定了优先级。
近期我们和用研的团队合作，做了几次调研，他们采用了一个新的模型–KANO模型来为我们的需求做了一个合理公允的分类，效果很不错。内部分享了这种模型之后，也在思考去建立一套适合小额产品需求的KANO模型。因此，今天要给大家介绍的就是这个工具： KANO模型。
二、什么是KANO模型？
KANO模型是东京理工大学教授狩野纪昭（Noriaki Kano）发明的对用户需求分类和排序的有用工具。通过分析用户对产品功能的满意程度，对产品功能进行分级，从而确定产品实现过程中的优先级。
KANO模型是一个典型的定性分析模型，一般不直接用来测量用户的满意度，常用于识别用户对新功能的接受度。利用这个模型，我们可以了解手上的这些需求是什么类型的，可以根据重要程度来取舍，比主观的随意取舍更为合理、科学。
KANO模型中，根据不同类型的需求与用户满意度之间的关系，可将影响用户满意度的因素分为5类：基本型需求、期望型需求、兴奋型需求、无差异需求、反向型需求。
2.1 基本型需求
这个是客户购买某个产品、使用某个功能时，最根本的需求。当不提供这个需求，用户满意度大幅降低，产品会导致客户投诉，续费率可能就直接为0。但优化此需求，用户满意度不会得到显著提升。好比sqdb没有给出红绿电波的买卖点；推荐股票的产品没有给出股票，而只给出仓位建议；手机level2没有给出十档行情，只给出大单净量的指标……
2.2 期望型需求
客户非常敏感的需求。当提供此需求，用户满意度会提升；当不提供此需求，用户满意度会降低。它是处于成长期的需求，是客户、竞品包括我们自身都关注的需求，也是体现竞争能力的需求。对应到我们付费产品的期望型需求的话，比如更高成功率的股池、越精准详细的操作建议、越及时有效的机会风险预警机制等等。
2.3 兴奋型需求
顾名思义，就是会让人兴奋欣喜的需求。这种需求是用户意想不到的，就像惊喜一样。
若不提供此需求，用户满意度不会降低；若提供此需求，用户满意度会有很大的提升。手机level-2刚开始只有10挡行情，但还是3秒刷新1次，但后面推出了全景委托队列需求，通过实时计算，将实时委托撤单数据累加到10挡上面，实现10挡委托能实时刷新，而非3秒一次的刷新，提高了数据更新的实时性，对短线客户帮助非常大，对他们来说这个就是兴奋型需求。
2.4 无差异需求
用户根本不在意的需求，对用户体验毫无影响。这种需求可有可无。无论提供或不提供此需求，用户满意度都不会有改变。比如：提供自选股的平均涨跌幅，我们通过调研得出这个是无差异的需求。
2.5 反向型需求
用户根本都没有此需求，提供后用户满意度反而下降。
总而言之，我们小额付费产品需求时，需要尽量避免无差异型需求、反向型需求，至少做好基本型需求、期望型需求，如果可以的话再努力挖掘兴奋型需求。
三、如何使用KANO模型？
KANO模型分析方法主要是通过标准化问卷进行调研，根据调研结果对各因素属性归类，解决需求属性的定位问题，以提高用户满意度。
我把使用模型的步骤分为3步：
第一步：明确调研的目的。
第二步：围绕目的设计问卷。
第三步：清洗数据与整理分类。
下面拿我最近一个需求实战案例–sqdb 是否添加信号说明注释，来讲解如何使用KANO模型。
3.1 明确目的
明确自己做问卷调研的目的，以便后面设计问卷题目的时候，能紧紧围绕目的来设计，确保后面得到的结果也是自己想要的。
例：
【背景】sqdb是公司最赚钱的小额付费产品，存量基数达到10万，产品的影响面是非常大，但使用满意度及复购率处于较低水平，一直有客户反馈信号太过单一，希望能提供有用的信号操作建议等注释信息。且当前还有好几个需求在排队，需要了解这个需求的类型，以判断其优先级。
【目的】了解用户是否需要对电波信号进行注解的功能，或者说信号操作建议注释功能对客户而言是什么样的需求，必备、期望的、还是无差异等，从而来确定这个需求的优先级。
3.2 设计问卷
问卷调查表划分维度有两个：提供时的满意程度、不提供时的满意程度。
而满意程度被划分为5级（非常满意、满意、一般、不满意、很不满意），因为人的满意程度往往是渐变的，而不是突变的。
满意程度的文案可根据实际问题灵活修改，如使用（非常喜欢、理应如此、无所谓、勉强接受、很不喜欢 或者 非常有用、挺实用、无所谓、不实用、很不实用 ）更加形象的描述。
设计问卷的过程中，有几点要注意：
- 设计题目要紧紧围绕目的来设计，确保后面得到的结果也是自己想要的，设计的题目多和相关同事沟通商量，不断修改完善。
- 问卷中的每道题都涉及到正反两面，应适当给予强调，防止用户看错（比如正反对立词字体加粗/标红等等）；
- 在设计问卷时，尽量做到清晰易懂、语言尽量简单具体，避免语意产生歧义
- 选项给予说明：由于每个人对“非常喜欢、理应如此、无所谓、勉强接受、很不喜欢”等形容词的理解都不一样，所以最好有一个明确统一的说明，让用户可以有个对照，方便填写。
其实，满意程度的文案可根据实际问题灵活修改，如使用（非常喜欢、理应如此、无所谓、勉强接受、很不喜欢 或者 非常有用、挺实用、无所谓、不实用、很不实用 ）更加形象的描述。
『例如』sqdb需求添加信号注释说明，题目可以这么设计：
- 非常喜欢：注释让你觉得信号更准，更有意义。
- 理应如此：本来就应该提供的、必备的功能/服务。
- 无所谓：有无注释，没影响，都可以接受。
- 勉强接受：注释不太喜欢，有的话，我也不看。
- 很不喜欢：注释很厌恶，影响判断，千万不要给。
3.3 数据清洗、分类
得到问卷结果后，处理掉一些乱填的客户数据后，整理统计得到最后以下结果表。
按照最早模型的统计口径来说，属性维度占比最大的就是该需求的属性类型，从上面的得分可以看到无差异属性的占比为44.2%，说明这个需求就是无差异需求。
但是，由于采用问卷的形式，客户填写的随意性很高，很多答案都没有经过认真思考就得出来的，因此会发现最后做了很多需求，利用这个模型反馈都是无差异的。所以，不代表这个需求不做，还是要看其他属性的占比情况，因为这些属性也代表着部分客户的需求。
因此我们需要利用另一个指标来确定需求的属性类型，最后再确定其优先级。这个指标叫做『better/SI 和 worse/DSI 指数』，通过计算这个需求的的better/SI 和 worse/DSI 指数，并标志在四分位图上，来确定这个需求的类型。
下面我们再来讲一下什么是better/SI 和 worse/DSI 指数，以及它的计算方式。
3.4 计算better/SI 和 worse/DSI 指数
Better指数，可以解读为增加后的满意系数。Better的数值通常为正，代表如果产品提供某种功能或服务，用户满意度会提升。正值越大/越接近1，则表示用户满意度提升的效果会越强，满意度上升的越快。
增加后的满意系数 Better/SI=（兴奋型指数+期望型指数）/（1-反向型指数-可疑型指数）
Worse，可以叫做消除后的不满意系数。Worse的数值通常为负，代表产品如果不提供某种功能或服务，用户的满意度会降低。其负值越大/越接近-1，则表示对用户不满意度的影响最大，满意度降低的影响效果越强，下降的越快。
消除后的不满意系数 Worse/DSI= -1 *（期望型指数+基础型指数）/ （1-反向型指数-可疑型指数）
因此，根据 better-worse系数，两者系数绝对分值较高的项目优先级越高。
通过上面的计算公式，可以得到sqdb添加信号注释的Better/SI和Worse/DSI指数：
- 具备信号注解功能的满意度系数（Better/SI）为26.8%
- 消除信号注解功能的不满意系数（Worse/DSI）为-30.3%
以此推知信号注解功能属于为必备功能（表示当产品提供此功能，用户满意度不会提升，当不提供此功能，用户满意度会大幅降低）。当前sqdb不具备此功能，需要增加注解功能。
至此，我已经介绍完了如何利用KANO模型来判断需求的属性归类。当然这个过程周期是比较长，所以一般都是多个调研需求一起做，减低调研的成本。另外，这个KANO模型也是比90年代提出来的，08年外国有人研究出了一个更为科学，谨慎的KANO模型，但因为过程更为繁琐复杂，因此比较难以实施，有兴趣的同学可以找我要一份相关的资料。
本文作者 @新时代过客 。
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
