【模型理解】KANO模型

前言

在大量的需求需要进行迭代时，由于时间、人力、财力等相关因素干扰，无法在有限的时间内容对所有的需求进行满足，此时需要我们对需求进行优先级的排列。最大化的合理的提高有限资源的使用。

在常见的产品优先级区分的方式有时间四象限模型和KANO模型。今天主要介绍下KANO模型如何使用。

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优先排序的有用工具，以分析用户需求对用户满意的影响为基础，体现了产品性能和用户满意之间的非线性关系。

根据不同类型的质量特性与顾客满意度之间的关系，狩野教授将产品服务的质量特性分为五类：

基本（必备）型质量——Must-be Quality/ Basic Quality

期望（意愿）型质量——One-dimensional Quality/ Performance Quality

兴奋（魅力）型质量—Attractive Quality/ Excitement Quality

无差异型质量——Indifferent Quality/Neutral Quality

反向（逆向）型质量——Reverse Quality，亦可以将 ‘Quality’ 翻译成“质量”或“品质”

什么是KANO模型来源：百度百科

在产品需求中的KANO模型

参考KANO模型中提出的质量与满意度的关系。将用户需求与用户满意度进行对应的替换。

可以得到以下五类：

基本型需求、期望型需求、兴奋型需求、无差异型需求、反向型需求

基本型需求

基本型需求，又称必备型需求，是用户对产品的基本需求。

基本型需求存在时不能获得用户太多的好感与满意度，用户理解为你理所应当的提供。但是基本型需求不存在，没有会在用户心中对产品进行大大的折扣。

期望型需求

期望型需求，又称意愿型需求，此类需求与用户满意度成正比，满足用户期望型需求越多，用户满意度越高。

期望型的需求满足用户的类型越多，用户就会逐步的提升对产品的满意度，但满足用户的越少，也会成比例的影响到用户的满意度。

兴奋型需求

兴奋型需求，又称魅力型需求，此类需求，指用户在开始不会有过多的期望，但是如果能够满足用户，便能引起用户的兴奋，从而快速提升用户的满意度。

兴奋型的需求，其实有一种我们经常所说的给人眼前一亮的感觉。这种需求功能能够引起用户的探索性与兴奋性。但是如果不提供，也不会大范围的影响用户满意度。

无差异型需求

无差异型需求，指的是这类需求基本不影响用户满意度，有无即可。此类需求属于边缘需求。

反向型需求

反向型需求，又称逆向型需求。此类需求是和用户满意度背道而驰，实现此功能对用户满意度只有降低。

如何判断需求属于那种类型

在判断需求属于那种类型，一般采用问卷调查的方式进行收集分析。在KNAO模型的调查问卷中，需要对一个问题从正反两个方面进行提问，同时搭配5个层次的选项进行选择。

正反两个方面

“提供”：当产品提供某某功能时。

“不提供”：当产品不提供某某功能时。

注：提供与不提供是两个对立面的设定。可以用其近义词进行对应的代替。如：满足、不满足；有、没有等等。

五个层次

“非常喜欢”：该项要素具备时，会让您感到满意。

“理所当然”：该项要素具备时，您觉得是必须的，必备的。

“无所谓”：该项要素有无对您来说没有差别。

“勉强接受”：该项要素有无，虽然还没到不喜欢的程度，但还可以接受。

“很不喜欢”：该项要素具备时，会让您感到不满意。

问卷设计模式举例

问题	非常喜欢	理所当然	无所谓	勉强接受	很不喜欢
如果我们在应用中提供某某功能，您的评价是？
如果我们在应用中不提供某某功能，您的评价是？

数据清洗统计

借助调查问卷的收集反馈，过滤掉无效数据（制定过滤无效数据规则，对于部分数据进行舍弃）。然后对数据进行统计。

将统计数据进行汇总到对应的二维表格中。同时参考表格对应的需求类型进行总数的统计。

		不提供
		满意度高	满意度较高	满意度零	满意度较低	满意度低
提供	满意度高
	满意度较高
	满意度为零
	满意度较低
	满意度低

注：类型对应表格（一）（常用类型）

		不提供
		满意度高	满意度较高	满意度零	满意度较低	满意度低
提供	满意度高	可疑结果	兴奋型	兴奋型	兴奋型	期望型
	满意度较高	反向型	无差异型	无差异型	无差异型	必备型
	满意度为零	反向型	无差异型	无差异型	无差异型	必备型
	满意度较低	反向型	无差异型	无差异型	无差异型	必备型
	满意度低	反向型	反向型	反向型	反向型	可疑结果

注：类型对应表格（二）

		不提供
		满意度高	满意度较高	满意度零	满意度较低	满意度低
提供	满意度高	可疑结果	可疑结果	兴奋型	期望型	期望型
	满意度较高	可疑结果	可疑结果	兴奋型	期望型	必备型
	满意度为零	反向型	反向型	无差异型	必备型	必备型
	满意度较低	反向型	反向型	反向型	可疑结果	可疑结果
	满意度低	反向型	反向型	反向型	可疑结果	可疑结果

如何选择对应的分析模型，要结合实际情况进行处理。

常见的影响因素：需求可能会因人而异、需求可能因文化差异而不同、需求会随时间变化等。

Better-Worse系数分析

在处理完成对应的需求数量统计后。我们就将需求进行Better-Worse系数分析。

Better，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。

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。

根据对应计算出的系数，我们对应的需求进行四象限的划分。从而得出需求的所属类型。

如何需求排序、如何处理

类型顺序

对于分析的统计结果，按照对应的类型将需求进行分类。

基本型需求 > 期望型需求 > 兴奋型需求 > 无差异需求

实际中需求类型如何理解，如何处理

在实际中，如果资源充沛的情况下可以按照按照保证基本型需求满足，提高期望型需求，扩展兴奋型需求的逻辑进行对应需求的处理。

如果在资源有限的情况下，则进行逐级递减。在递减的同时，可以针对每种类型进行优先级的排列。

同时也要结合实际的业务以及战略进行优先级的调整处理。例如：产品某些商业化的需求本身就是一个反向型的需求，例如：广告，但是为了平衡商业化，这些都是需要去考虑在内的。只不过是尽可能减少对应的影响。

模型不足和实际使用

KANO模型虽然在需求调研阶段中可以对需求进行优先级的分类，但是相对操作比较复杂，针对差异性较大的可以进行有效的区分，但是对于差异性较小的进行区分可能效果不佳。同时通过KANO进行文件调查，若需求较多，可能问卷题量较多，最终导致问卷数据价值偏低。所以在使用KANO模型时，首先需要对需要做一个初步的筛选，然后进行对应的问卷投放调研。

总结

在学习KANO模型如何搭建，会进行对应的数据输出。同时要有自我对结果的认知与判断。总的一句话，所有的模型数据，所有的调研数据都是为我们最终的决策提供辅助作用。在实际中要充分结合场景、资源进行合理规划。