IPD解读丨需求分级KANO成就产品魅力质量
科济管线咨询
以下文章来源于IPD百科 ，作者ipd百科网顾问组
在做项目做产品的过程中，经常会接到来自PM/**/业务方等等的各种需求，经常因此争得不可开交。这个时候怎么办呢？到底应该听谁的呢？哪个需求**级高？哪种呈现方法是更靠谱的呢？那我们该如何处理这些需求，且对这些需求进行**级划分，就需要使用一些需求分析方法来解决。今天我们就来聊聊一个需求分级，Kano模型成就产品魅力质量。
什么是Kano模型
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**级的有效工具。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，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。
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。根据不同的需求内容与用户的满意度关系，可以将Kano模型的内容具体分为五类：
1.基本型需求——痛点
客户存在什么问题，Ta睡不着觉，ta苦恼，这些痛就是客户急需要解决的问题。也称*型、理所当然的需求，是给用户对服务方提供的基本要求。基本型需求没有达到时用户会表现的很不满意，但是即便做的再好，用户也不会因此有更多的好感。
2. 期望型需求——痒点
期望型需求与用户的满意度成比例关系，即期望型需求满足的越多，用户的满意度越高。对应⽤户愉悦和满⾜的情绪。当不爽的事情被及时解决时，容易得到满⾜。此需求不会像基本型需求那么苛刻，但此需求得不到满足时用户的不满感也不会像基本型需求那样显著增加。
3. 魅力型需求——兴奋点
兴奋点即能给客户带来“wow”效应的那种刺激，立即产生快感又称兴奋型需求，不会被用户过望的需求。随着不断满足用户的兴奋型需求，用户的满意度也会不断的增加，即便表现的不完善，用户的满意程度也是非常高的。反之用户的期望不满足时，顾客也不会表现出明显的不满意。
4. 无差异型需求——无关紧要点
不论提供与否，对用户体验无影响的需求。
5.反向型需求——膈应点
又称逆向型需求，指引起强烈不满的质量特性和导致低水平满意的质量特性，因为并非所有的消费者都有相似的喜好。许多用户根本都没有此需求，提供后用户满意度反而会下降，而且提供的程度与用户满意程度成反比。
根据Kano模型，将其属性分类与用户需求**级进行对应，便于实际应用，主要定义了三种：基本型需求（*属性）、期望型需求（期望属性）、兴奋型需求（魅力属性），这三种需求根据绩效指标分类就是基本因素、绩效因素和激励因素。
Kano模型的实操
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。这点就需要再次回顾其意义，这里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
Kano问卷中每个属性特性都由正向和负向构成，或者说一个问题需要设置正反2个不同的子问题，分别测量用户在面对具备或不具备某项功能所做出的反应问卷中的问题一般采用五级选项，按照：很好、还行、无所谓、不太好、不喜欢，进行评定，因为用户对于一个事情的感知是渐变，不是突变的（描述词语可以根据场景具体定义，但是根据模型内容需要设置五级选项）。
需要注意的是这里的五级并不是跟一一上面模型分级对应，仅仅是针对某一项内容的五种不同的梯度态度，避免在下面数据统计时疑惑。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。
Kano模型的使用-问卷编制与数据处理
Kano问卷对每个质量特性都由正向和负向两个问题构成，分别测量用户在面对存在或不存在某项质量特性时的反应。需要注意：
① Kano问卷中与每个功能点相关的题目都有正反两个问题，正反问题之间的区别需注意强调，防止用户看错题意；
② 功能的解释：简单描述该功能点，确保用户理解；
③ 选项说明：由于用户对“很好”“还行”“无所谓”“不太好”不喜欢”的理解不尽相同，因此需要在问卷填写前给出统一解释说明，让用户有一个相对一致的标准，方便填答。
很好：让你感到满意、开心、惊喜。
还行：你觉得是应该的、*的功能/服务。
无所谓：你不会特别在意，但还可以接受。
不太好：你不喜欢，但是可以接受。
不喜欢：让你感到不满意。
因此在编制问卷的时候，对每个项目都要有正反两道题来测，比如针对于电商购物车无货商品到货提醒功能，问卷设置正反两题：“如果我们在购物车中提供无货商品到货提醒功能，你的感受是？”对应“如果我们在购物车中不提供无货商品到货提醒功能，你的感受？”均提供五个选项：很好、还行、无所谓、不太好、不喜欢
那么每个用户对于某一个项目的态度必然落入下图表中的某个格子。而对所有的用户来说，共有5*5即25种可能，统计每种可能下的用户人数占总人数的百分比，来填入下表。之后将下表中标A、O、M、I、R、Q的格子中百分比相加，即可得到五种属性对应的百分比。从需求的角度来说，先满足M百分比较高的去掉R百分比较高的，再满足O百分比较高的，最后满足A百分比较高的。
3.数据分析
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。将数据清洗过的调查问卷，进行数据汇总。数据清洗→Kano⼆维属性归属分析→Better-Worse系数计算。除了严格的清洗程序，Kano问卷中，还可以清晰掉全部选择“我很喜欢”和全部选择“我很不喜欢”的数据。
此外，还可以结合产品的⼀些数据⽀持进⾏结合分析，如⽤户画像，UV，转化率等。
4.量化数据，判断属性
上述数据整理完成后，将同类型需求进行求和汇总，得出不同类型需求占比，占比较大的属性，即为该功能的属性归属，也决定了该功能的具体地位。
5.根据数据确立**级及判断影响
Kano问卷对每个质量特性都由正向和负向两个问题构成，分别测量用户在面对存在或不存在某项质量特性时的反应。如果说表格法能清楚的针对某一个需求真伪进行判断，那如果面对多个需求，如何识别需求真伪、判断需求**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**级。
除了对于Kano属性归属的探讨，还可以通过对于功能属性归类的百分比，计算出Better-Worse系数，表示某功能可以增加满意或者消除很不喜欢的影响程度。
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)
Better，可以被解读为增加后的满意系数。better的数值通常为正，代表如果提供某种功能属性的话，用户满意度会提升；正值越大/越接近1，表示对用户满意上的影响越大,用户满意度提升的影响效果越强，上升的也就更快。Worse，则可以被叫做消除后的不满意系数。其数值通常为负，代表如果不提供某种功能属性的话，用户的满意度会降低；值越负向/越接近-1，表示对用户不满意上的影响较大，满意度降低的影响效果越强，下降的越快。
因此，根据better-worse系数，对系数**分值较高的功能/服务需求应当**实施。
根据better-worse系数值，将散点图划分为四个象限。根据better-worse系数值，将散点图划分为四个象限。
**象限表示：better系数值高，worse系数**值也很高的情况。落入这一象限的属性，称之为是期望属性，即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，这是质量的竞争性属性，应尽力去满足用户的期望型需求。提供用户喜爱的额外服务或产品功能，使其产品务优于竞争对手并有所不同，引导用户加强对本产品的良好印象；
*二象限表示：better系数值高，worse系数**值低的情况。落入这一象限的属性，称之为是魅力属性，即表示不提供此功能，用户满意度不会降低，但当提供此功能，用户满意度和忠诚度会有很大提升；
*三象限表示：better系数值低，worse系数**值也低的情况。落入这一象限的属性，称之为是无差异属性，即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。
*四象限表示：better系数值低，worse系数**值高的情况。落入这一象限的属性，称之为是*属性，即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较基本的功能，这些需求是用户认为我们有义务做到的事情。
关于模型应⽤的思考与讨论
1.Kano属性的**级排序
辅助业务进⾏**级排序，是Kano模型的⼀⼤功能特点。业务⽅在排序功能**级时，可主要参考：*属性>期望属性>魅⼒属性>⽆差异因素的基本顺序进⾏排序。期望属性的功能点对于⼯具的意义重⼤，建议**考虑开发或强化;魅⼒属性的功能点，建议**考虑better值较⾼的功能，会达到事半功倍的效果⽆差异因素可以成为节约成本的机会。
2.正确看待结果中的Kano属性
Kano属性的划分并⾮⼀成不变的，随着时间的变化，卖家对于客户关系管理的概念会⽇益成熟，各功能的属性归属很有可能会发⽣变化。应⽤Kano模型进⾏调研的优势和不⾜：
Kano模型有以下⼏个优势：
1) Kano模型可以细致全⾯的挖掘功能的特质;
2) Kano模型可以帮助业务⽅在⼯作中排**级，辅助项⽬排期;
3) Kano模型可以帮助⼈们摆脱“误以为没有抱怨就等于⽤户满意”的想法。
Kano模型也有它的不⾜
1) Kano问卷通常较长，⽽且从正反两⾯询问，可能会导致⽤户感觉重复，并引起情绪上的波动，若⽤户受到影响没有认真作答，则会引起数据质量的下降。
2) Kano问卷是针对产品属性进⾏测试时，部分属性也许并不是很好理解。
3) Kano模型类似于⼀种定性归类的⽅法，以频数来判断每个测试属性的归类，
这种情况下，可能会出属性归类表中，同⼀属性出现了不同归类栏频数相等或近似的情况。由于KANO 模型存在这些不⾜，在运⽤Kano模型分析数据的时候就要注重数据收集前期的准备⼯作，⽐如在问卷设计时，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。
科济管线（重庆）企业管理咨询有限公司专注于IPD,PACE,WPLM等