需求优先级怎么排?需求分类怎么分?KANO模型实操讲解

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、优先级排序的工具,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间的关系。

KANO 模型与产品经理的贴合度非常高,于是这样一个非产品行业的教授所发明的工具,成为了产品经理们的方法论。

满意度模型

KANO 模型是基于满意度模型的产物。

消费者的满意度取决于他们对产品、服务的事前期待,与实际(感知)效果比较后,用户形成开心或失望的感觉。

如果实际消费过程中的感受与事前期待相符,消费者感到满意;超过事前期待,则非常满意;未达到事前期待,消费者不满意或非常不满意。

实际效果与事前期待差距越大,不满意的程度也就越大,反之一样。用户高满意度时该用户会成为产品的忠诚用户,也会不遗余力的为产品宣传。

人们常认为企业的产品功能或服务越多,用户的满意度就越高,但其实并不是,功能太多甚至会损害用户体验。

狩野纪昭(Noriaki Kano)受到赫茨伯格(Herzberg)的双因素理论启发就发明了满意度二维模型。

赫茨伯格的双因素理论认为引起人们工作动机的因素主要有两个:一是激励因素,二是保健因素。

只有激励因素才能够给人们带来满意感,而保健因素只能消除人们的不满,但不会带来满意感。

KANO模型

KANO模型,模型以分析用户需求对用户满意度产生的影响为基础,其中卡诺模型给产品和服务的质量进行了分类,分别是必备属性、期望属性、魅力属性和无差异属性。

  • **魅力属性:**用户意想不到的,如果不提供此需求,用户满意度不会降低,但当提供此需求,用户满意度会有很大提升;

  • **期望属性:**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;

  • **必备属性:**当优化此需求,用户满意度不会提升,当不提供此需求,用户满意度会大幅降低;

  • **无差异因素:**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;

  • **反向属性:**用户根本都没有此需求,提供后用户满意度反而会下降

KANO模型应用

应用一:划分不同类型的需求

举个栗子

"女孩子都喜欢白马王子,请问作为产品经理的你,如何分析这一需求?"

利用KANO模型,以"白马王子"的特征,可以确定女孩子对白马王子有这么几种需求:

生理需求:

  • 帅气型,肌肉、身高匹配、运动细胞等等。

  • 普通型,五官端正,身材不会很极致...

  • 外貌评分低,微胖或瘦弱。

  • 邋遢、丑、挫

精神需求:

  • 很好的涵养、疼女生、懂女生的心。

  • 木讷,但是本身是善良温柔。

  • 恶劣、猥琐

物质需求:

  • 爱财,虚荣拜金。

  • 衣食无忧即可,不拜金,但是要保证最起码的基本需求。

  • 完全无所谓,苦日子也可以接受。

应用二:识别需求优先级

用KANO模型划分需求优先级,是一个数据分析的过程,相对严谨但执行比较麻烦,实践中较少使用。

执行过程是首先从用户角度认识产品、服务的需求,然后设计问卷调查表,实施调查并收集结果。对结果数据汇总后建立质量原型,识别测量指标特点

KANO调查问卷对每个需求都由正向、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需求时的反应。

除了分析Kano属性归属,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指增加后的满意系数。

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是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最大,满意度降低的影响效果越强,下降的越快。

根据better-worse系数,系数绝对分值较高的功能/服务需求应优先实施。

根据better-worse系数值,把需求落入四个象限。

  • 第一象限:better系数值高,worse系数绝对值也很高的情况。

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,使其产品和服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;

  • 第二象限:better系数值高,worse系数绝对值低的情况。

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;

  • 第三象限:better系数值低,worse系数绝对值也低的情况。

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。

  • 第四象限:better系数值低,worse系数绝对值高的情况。

落入这一象限的属性,称之为是必备属性,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最基本的功能,这些需求是用户认为我们有义务做到的事情。

同类型功能之间,建议优先考虑better系数较高,worse系数较低的。

后台回复 竞品 免费送你《10份精选竞品分析文档》****

相关推荐
fanstuck21 分钟前
基于大模型的个性化推荐系统实现探索与应用
大数据·人工智能·语言模型·数据挖掘
TG_yunshuguoji2 小时前
亚马逊云代理:亚马逊云怎么样进行大规模数据分析与处理?
数据挖掘·数据分析·云计算·aws
开发者工具分享3 小时前
研发文档分类混乱如何快速查找所需内容
分类
和鲸社区8 小时前
四大经典案例,入门AI算法应用,含分类、回归与特征工程|2025人工智能实训季初阶赛
人工智能·python·深度学习·算法·机器学习·分类·回归
人大博士的交易之路10 小时前
今日行情明日机会——20250912
大数据·数据挖掘·数据分析·缠论·缠中说禅·涨停回马枪·道琼斯结构
赵谨言12 小时前
基于支持向量机的空间数据挖掘方法及其在旅游地理经济分析中的应用
经验分享·数据挖掘·毕业设计
赵谨言16 小时前
基于数据挖掘技术构建电信5G客户预测模型的研究与应用
经验分享·5g·数据挖掘·毕业设计
CC数分1 天前
零基础3个月上岸[特殊字符]自学数据分析路线
学习·数据挖掘·数据分析·大学生·考证
rit84324991 天前
人工鱼群算法AFSA优化支持向量机SVM,提高故障分类精度
算法·支持向量机·分类
彬彬醤1 天前
TikTok矩阵有哪些运营支撑方案?
大数据·网络·网络协议·tcp/ip·矩阵·udp·产品运营