重温经典用户需求研究方法

Kano模型是东京理工大学教授狩野纪昭 (Noriaki Kano) 提出的对用户需求分析、分类和需求优先级排序的模型。

kano模型目的是通过对用户的不同需求进行区分处理，了解不同层次的用户需求，帮助企业找出提高产品用户满意度的切入点，或者识别出使用户满意至关重要的因素。

编者按

转自 | 51design

题图 | KANO模型图示

01 什么是KANO模型

受行为科学家赫兹伯格的双因素理论的启发，东京理工大学教授狩野纪昭（NoriakiKano）于1984年发表了《魅力质量与必备质量》（AttractiveQuality and Must-beQuality）的论文。

这篇论文中，狩野纪昭首次提出满意度的二维模式，构建出Kano模型。

在当时的日本，提高产品和企业服务这个问题一直都是一个难题。他提出的这个模型有效的解决了这个问题。

KANO模型用来分类用户需求，确定需求优先级。

KANO 模型定义了三个层次的用户需求：基本型需求、期望型需求和兴奋型需求。

基本型需求：产品「必须有」的功能。

对于基本型需求，即使超过了用户期望，用户充其量达到满意，不会对此表现出更多的好感。不过只要稍有一些疏忽，未达到用户的期望，则用户满意度将一落千丈。

对于用户而言，这些需求是必须满足的，理所当然的。

期望型需求：非必须功能需求，但通常作为竞品之间比较的重点；企业提供的产品/服务水平超出顾客期望越多，顾客的满意状况越好。

兴奋型需求：属于惊喜型产品功能，超出用户预期，往往能带来较高的忠诚度。

通过需求实现程度和用户满意度两个维度，可以构建更详细的Kano模型。

将用户需求分为五类属性：

1.兴奋型属性

是用户意想不到的需求，表现为用户满意度和需求实现及优化程度呈现指数函数关系。

如果不提供此需求，用户满意度不会降低，若提供此需求，用户满意度随着需求实现及优化程度的增加会有很大提升。

2.期望型属性

用户满意度和需求实现程度及优化程度呈线性相关性，即随着当提供此及优化需求，用户满意度会提升，当不提供此需求，用户满意度会降低。

3.无差异属性

用户满意度和需求实现及优化程度不相关，即无论提供或不提供此需求，用户满意度都不会有改变，用户根本不在意。

4.基本型属性

当不提供此需求，用户满意度会大幅降低，但提供了需求后，用户满意度不会随着此需求的优化而提升。

5.反向属性

用户完全没有此需求，若提供此需求，用户满意度反而会下降。

在产品功能的优先级上，要优先满足基本型属性的需求，第二是期望型属性需求，第三是兴奋型属性需求。

五种属性类别会随着时间的推移而改变。比如，手机的触摸屏，该功能刚推出的时候是属于兴奋型需求，不提供不会不满意，但提供了会很满意；但随着时间迁移，该功能对于很多用户来说就变成期望型需求，即不提供会出现不满意的情况。

02 流程方法

通过问卷调查的方式来调研用户对产品功能的态度，构建Kano模型来判定不同功能所属的需求类别，从而判定不同产品功能的需求优先级。

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”。

1. 问卷设计

每一项需求都需要设计2道问题，2道问题为正反提问：提供时的满意程度、不提供时的满意程度。

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）。

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。

每个人对选项的理解有所不同，因此有必要加上此部分的说明，尽可能确保调研对象对各个选项有共同的认知。

例如：「浏览器意外关闭后是否可以恢复上次浏览」的需求，设计的问题为：

问题1-1、若浏览器崩溃后重启可以恢复上次浏览，你的感受是？

A、非常喜欢 B、理应如此 C、无所谓 D、勉强接受 E、很不喜欢

问题1-2、若浏览器崩溃后重启不可以恢复上次浏览，你的感受是？

A、非常喜欢 B、理应如此 C、无所谓 D、勉强接受 E、很不喜欢

2. 开展调查

开展问卷调查前，先招募一定的目标用户，然后进行问卷发放和回收。问卷发放可通过纸质也可通过电子的形式，招募数和发放形式根据你所拥有的资源而定。

问卷中存在废卷的情况，因此招募的数量不能太少。

3. 整理数据

回收问卷后开始对数据进行整理，将无效问卷剔除，无效问卷可能会是：所有问题的答案都一致，大量题目未作答。剩下的就是有效问卷。

为了能够将需求区分为基本型需求、期望型需求和兴奋需求，需按照正向和负向问题的回答对属性进行分类。参照对照表，每份问卷的每个功能点都有了分类结果。

4. 结果分类

汇总所有用户的有效问卷，对所有用户对某功能点的分类结果比例进行统计，分别得出A（魅力型）、O（期望型）、M（必备型）、I（无差异型）、R（反向型）、Q（可疑结果）所占的比例，比例值最大对应的类别就是对应功能点的分类类别了。

分级

涉及到多个需求的排序分级时，还需明确不同类别和相同类别需求的优先级，可以更加直观看到分级结果以及对同类需求的优先级进行排序。

1. 计算Better-Worse系数

Better-worse 系数，表示某功能可以增加满意或者消除不喜欢的影响程度。

当某个点确定了X和Y坐标值，就能在四象限中定位一个点。每个需求点的Y坐标和X标分别对应Better系数和Worse值的绝对值。

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。

因此，根据better-worse 系数，对两者系数绝对分值较高的项目应当优先实施。

计算公式分别是：

Better/SI=(A+O)/(A+O+M+I)

Worse/DSI = -1*(O+M)/(A+O+M+I)

2. 结果产出

某产品希望优化 5 项功能，但是不知道哪些是用户需要的。通过 KANO 调研分析，可以分别计算出 5 项功能的better-worse 系数。

根据 5 项功能的 better-worse 系数值，将散点图划分为四个象限，以确立需求优先级。

总的排序规则为：剔除无差异型需求，不同类别需求的优先级排序规则是“必备型 > 期望型 > 魅力型”，同类需求的优先级排序规则是Better值越高，优先级越高。

第一象限表示：better 系数值高，worse 系数绝对值也很高的情况。

落入这一象限的因素，称之为期望型因素（一维因素）。

功能 2 落入此象限，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。

第二象限表示：better 系数值高，worse 系数绝对值低的情况。

落入这一象限的因素，称之为兴奋型因素。

功能 1 落入此象限，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。

落入这一象限的因素，称之为无差异因素。

功能 3落入此象限，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。

第四象限表示：better 系数值低，worse 系数绝对值高的情况。

落入这一象限的因素，称之为必备型因素。

功能 4 落入此象限，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最基本的功能。