KANO模型在用户研究中的应用

一、前言

在日常工作中，经常会遇到来自各方和日常体验总结的各种各样的需求，如何处理这些需求，且对这些需求进行优先级划分，就需要使用一些需求分析方法来解决。Kano模型就是一个可以帮助我们有效识别“真伪需求”、划分需求优先级的有效工具。

二、KANO模型意义

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。有助于产品经理了解不同层次的用户需求，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。

三、KANO模型需求分类

KANO将需求分成了五种类型：

• 魅力需求

也称兴奋型需求，是指那些出乎用户意料之外的需求。正因为是出乎用户意料的，所以当缺少此类需求时，用户并不会感知，用户的满意度也不会受到影响。但是，当具备了此类需求时，用户的满意度会急剧上升。

• 期望需求

也称意愿型需求，是指用户期望得到的需求。用户想要得到的，但又不是非要不可的需求。如果具备了此类需求，用户的满意度会提升。如果缺少时，用户的满意度会下降。

• 必备需求

也称基本型需求，是指用户觉得应该具备的需求。可以说，如果不具备此类需求，产品在可用性上将大大下降，所以用户的满意度会大大下降。但是，具备此类需求时，用户觉得理所当然，所以满意度并不会提升。

• 无差异需求

具备或不具备用户都觉得没所谓的需求。此类需求，有没有都不会对用户的满意度产生影响。

• 反向需求

用户不希望出现的需求。如果具备了此类需求，用户的满意度会下降。此类需求要尽量避免。

四、KANO模型使用方法

1、明确目标

首先需要明确调研的目的是什么？kano模型是否适用，为什么要用kano模型去解决。kano模型是帮助解决需求属性的定位问题，属于定性分析，定量分析问题无法用kano模型去处理；

2、设计调查问卷
假设我们现在面临有的需求有5个功能点，在没有使用kano模型之前，我们不知道这些需求是否真的需要去做，以及不知道改优先处理哪一个。这个时候我们就需要先对这5个功能点进行调研问卷测试。

2.1、设计调研问卷；
（1）问卷说明
一般通过问卷背景、花费时长、信息保密三方面来展开。

（2）题目介绍（产品功能点介绍）
主要对每个问题题干中的功能点及使用场景进行补充说明。例如我们想了解某功能配置功能的看法；但用户不知道什么时候用怎么使用，那么使用场景和功能说明就是很必要的。

（3）题目选项
通常采用矩阵量表的形式让用户对功能进行正面和负面评价，评价分为五个程度“我喜欢这样”、“理应如此”、“我没有意见、“勉强接受”、“我很不喜欢”。

问卷的设计可采用excel、word等办公软件设计，也可以直接使用问卷网、问卷星等在线问卷工具进行设计。
问卷设计时要充分考虑答卷人的角色、身份，需要覆盖目标用户画像中的所有人群。

2.2 问卷评审
问卷设计完成后可以组织内部评审，对文案、界面、题目排列逻辑、答卷人角色等进行讨论。在问卷设计时，把问卷尽量设计得清晰易懂、语言尽量简单具体，避免语意产生歧义。
同时，可以在在问卷中加入简短且明显的提示或说明，方便用户顺利填答，例如：

• 我很喜欢：让你感到满意、开心、惊喜；
• 理应如此：你觉得是应该的、必备的功能/服务；
• 无所谓：你不会特别在意，但是可以接受；
• 勉强接受：你不喜欢，但是可以接受；
• 我很不喜欢：让你感到不满意。

3、KANO问卷发放至少遵循三个原则

（1）线上线下相结合
线下发放的优势在于样本质量可控，可结合面谈的形式来完成问卷的填写，且获取的信息充足。缺点在于大规模样本的获取挑战较高，需要考虑时间、空间问题（如预约时间、跨地域访谈等等）。
线上发放的优势在于速度快、流量准、回收效率高、成本低。缺点在于问卷结果的质量无法得到有效保证。

（2）样本角色周全
问卷发放之前需要对样本人群根据关系链、决策链等角色关系进行切割、划分。特别是针对B端产品时，往往不同环节的决策者对同一问题的看法不尽相同。

（3）样本量足
统计学上一般默认30个重复、且有2组平行试验得出的数据为有效数据。按照该项原则，假如我们要搜集客户对某项功能的满意度时，通过划分5种角色，每种角色至少有30个样本重复，且进行2组平行试验，那么样本总量至少需要30*5*2=300个。（可根据实际情况调整）
问卷正式发放之前可进行小规模的预发放，检查问卷的使用、填写及结果是否有误。

4、问卷回收
问卷回收的目的在于结果统计、数据分析，因此无论是线下还是线上，回收以后都需要整理成excel表格形式进行分析。

5、问卷分析
问卷结果分析的目的在于通过统计用户对功能进行正面和负面评价，来对需求进行属性划分。

6、数据清洗
在收集所有问卷之后，注意清洗掉个别明显胡乱回答的个例，如全部问题都选择“我很喜欢”或“很不喜欢”的，这种回答毫无参考价值。

7、分类整理
将数据清洗过的调查问卷，进行数据汇总，比如某一个用户对于提供【视频通话】功能是喜欢，不提供是无所谓，这个时候这个结果就需要在下面表格中纵向喜欢与横向无所谓中记一票，依次类推进行数据汇总。

8、量化数据，判断属性
上述表格数据整理完成后，将同类型需求进行求和汇总，得出不同类型需求占比，占比最大的属性，即为该功能的属性归属，也决定了该功能的具体地位。
其中需要注意的一点是，这里表格的格式是固定的，就用下面的表格举例，同色或者同字母表示的就是同一类型需求，这也是kano模型实验定义而成，这里不需要做过多的纠结。

9、根据数据确立优先级及判断影响
面对多个需求，如何识别需求真伪、判断需求优先级，这个时候则需要引入更具体的数据计算：Better-Worse系数， 它更适合面对多需求时如何排定需求优先级。

公式如下：
增加后的满意系数 Better/SI=（A+O）/(A+O+M+I)
消除后的不满意系数 Worse/DSI=-1*（O+M）/(A+O+M+I)
Batter-Worse表示的是增加或者是消除某一功能对满意度的影响程度。
Better的数值通常为正，表示提供某功能后，用户的满意度会提升。其正值越大，代表用户满意度提升的效果会越强，满意度上升的越快。
worse的数值通常为负，表示不提供某功能后，用户的满意度会降低。其负值越大，代表用户满意度降低的效果会越强，满意度下降的越快。


（2）数据清洗，整理数据，输出对应功能的各个数值；

这里因为系数计算方式中不需要反向属性，所以暂不考虑。

根据上述不同系数计算各功能的Batter和Worse值：

五、计算四象限法则原点坐标

这里的原点不是（0,0），是由上述5个功能中，batter值与worse的绝对值的均值作为原点。
Average(better)=(32%+38%+24%+35%+37%)/5=33%
Average(worse)=(-48%+-61%+-32%+-63%+-25%)/5=-46%
所以坐标原点是（46%，33%）横轴是worse值，纵轴是batter值。

绘制四象限图

这里三点的放置即为各个功能点的坐标点与坐标原点（46%，33%）相比较，处于什么位置，分布在四象限中即可。

• 第一象限表示：better系数值高，worse系数绝对值也很高的情况。这一象限的因素，称之为是期望因素，表示产品提供此功能，用户满意度会提升，当不提供此功能，用户满意度就会降低；

• 第二象限表示：better系数值高，worse系数绝对值低的情况。这一象限的因素，称之为是魅力因素，表示不提供此功能，用户满意度不会降低，但当提供此功能，用户满意度会有很大提升；

• 第三象限表示：better系数值低，worse系数绝对值也低的情况。这一象限的因素，称之为是无差异因素，无论提供或不提供这些功能，用户满意度都不会有改变，这些功能点是用户并不在意的功能；

• 第四象限表示：better系数值低，worse系数绝对值高的情况。这一象限的因素，称之为是必备因素，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；说明落入此象限的功能是最基本的功能。

Batter-Worse系数，本质上是计算2个坐标值，将相关的结果对应的象限，即可得出该功能属于哪一种属性需求（一个功能只计算一个）其实是从数据上解释了KANO模型不同类型需求具备程度，对用户满意度的影响程度。

• 功能1：属于必备型；
• 功能2、4：输出期望型；
• 功能5：属于魅力型；
• 功能3：属于无差异型。

因此优先级排序上，先处理功能1，其次功能2和4先处理低成本的需求，最后处理功能5，功能3则暂时不需要处理。

六、总结

众多需求琢磨不定，且时间充裕的前提下，不妨通过问卷的形式在目标用户群进行调研，通过KANO模型，我们可以对需求进行分类分级处理。分类，通过分类的结果指导实现方向，剔除“无差异需求、反向型需求”，保证“必备型需求、期望型需求”，挖掘“魅力型需求”；分级，明确不同类别和相同类别需求的优先级。