產品需求分析神器:KANO模型分析法

前言:

? ? ? 任何一個互聯網產品,哪怕是一個簡單的頁面,也會涉及到很多的需求,產品經理也會經常遇到這樣的情況:老板,業務提的各種新需求一下子都扎堆,哪個需求對用戶來說最重要,用戶對我們的新功能是否滿意?開發產品資源有限,開發、設計、測試人手總是不夠用,這么多需求沒辦法都做,先做哪些需求?

? ? ? 這些都不應該是PM拍腦袋想出來的,其實產品經理的基本要求就是在有限的資源上,通過優化產品設計,提煉出正確、有效的需求,盡量避免在后續的設計、開發中臨時改需求,至少要做到框架級的需求不大改,那么如何不用大腦YY出來或者YY出來不至于那么不靠譜,真正從用戶需求出發來梳理出需求層次以及需求優先級,并能進一步判斷需求實現對用戶影響程度呢?

? ? ? 正如標題所示,使用KANO模型,能夠有效幫你系統的梳理需求,做需求的分析和提煉,提高效率。

一.什么是KANO模型分析法呢?

? ? ? KANO模型分析法是授野紀昭基于KANO模型對顧客需求的細分原理,開發的一套結構型問卷和分析方法。KANO模型是一個典型的定性分析模型,KANO模型分析法并一般不直接用來測量用戶的滿意程度,主要用于識別用戶對新功能的接受度,幫助企業了解不同層次的用戶需求,找出顧客和企業的接觸點,識別使顧客滿意的至關重要的因素。

1、KANO模型的屬性分類

? ? ? 在卡諾模型中,將產品功能/需求和服務的特性分為五種屬性:必備屬性、期望屬性、魅力屬性、無差異屬性、反向屬性。


KANO模型屬性分類

(1)魅力屬性:用戶意想不到的,如果不提供此需求,用戶滿意度不會降低,但當提供此需求,用戶滿意度會有很大提升;

(2)期望屬性:當提供此需求,用戶滿意度會提升,當不提供此需求,用戶滿意度會降低;

(3)必備屬性:當優化此需求,用戶滿意度不會提升,當不提供此需求,用戶滿意度會大幅降低;

(4)無差異屬性:無論提供或不提供此需求,用戶滿意度都不會有改變,用戶根本不在意;

(5)反向屬性:用戶根本都沒有此需求,提供后用戶滿意度反而會下降

? ? ? 我們做產品設計時,需要盡量避免無差異屬性、反向屬性,至少做好必要屬性、一維屬性,努力做魅力屬性。

2、根據KANO模型進行用戶需求分類

? ? ? 根據KANO模型,我將其屬性分類與用戶需求優先級進行對應,便于實際應用,主要定義了三種:基本型需求(必備屬性)、期望型需求(期望屬性)、興奮型需求(魅力屬性),這三種需求根據績效指標分類就是基本因素、績效因素和激勵因素。


用戶需求與KANO模型的屬性對應關系

處于金字塔底端的為用戶基本型需求,也是核心需求,是產品必須做的功能。

二.KANO模型實際操作流程

1.設計問卷調查表并實施有效的問卷調查

? ? ? KANO問卷中每個屬性特性都由正向和負向兩個問題構成,分別測量用戶在面對具備或不具備某項功能所做出的反應。問卷中的問題答案一般采用五級選項,按照:喜歡、理應如此、無所謂、勉強接受、我不喜歡,進行評定。

例如:1、針對于電商購物車無貨商品到貨提醒功能,問卷設置正反兩題:

(1)如果我們在購物車中提供無貨商品到貨提醒功能,你的感受是:

A.我很喜歡 B.理應如此 C.無所謂 D.勉強接受 E.我不喜歡

(2)如果我們在購物車中不提供無貨商品到貨提醒功能,你的感受是:

A.我很喜歡 B.理應如此 C.無所謂 D.勉強接受 E.我不喜歡

2、問卷設置可以在實際項目中進行調整,比如最近在做音樂產品新功能點分析,主要出于功能實用性角度進行調研,為便于用戶理解,把問卷選項進行調整:

針對于歌單無損標識功能,您的想法是?

(1)在歌單中加入該功能,您認為此功能實用性如何?

A.特別實用 B.比較實用 C.一般 D.很不實用E.非常不實用

(2)在歌單中不具備該功能點,對您的使用影響程度有多大?

A.非常影響 B.比較影響 C.一般 D.影響很小 E.完全沒有影響

KANO問卷需要注意:

① KANO問卷中與每個功能點相關的題目都有正反兩個問題,正反問題之間的區別需注意強調,防止用戶看錯題意;

② 功能的解釋:簡單描述該功能點,確保用戶理解;

③ 選項說明:由于用戶對“我很喜歡”“理應如此”“無所謂”“勉強接受”“我很不喜歡”的理解不盡相同,因此需要在問卷填寫前給出統一解釋說明,讓用戶有一個相對一致的標準,方便填答。

我很喜歡:讓你感到滿意、開心、驚喜。
理應如此:你覺得是應該的、必備的功能/服務。
無所謂:你不會特別在意,但還可以接受。
勉強接受:你不喜歡,但是可以接受。
我很不喜歡:讓你感到不滿意。

2.收集數據并清洗

3.將調查結果的功能屬性進行分類,建立原型;

(1)KANO模型區分產品需求的操作方法介紹:原始數據處理階段,需要注意是每個功能各個樣本量針對正反兩題確立屬性。

? ? ? 為了能夠將質量特性區分為基本型需求、期望型需求和興奮需求,然后按照正向問題和負向問題的回答對屬性進行分類,具體分類對照下表。當正想問題的回答是“我喜歡”,對負向問題的回答是“我不喜歡”,那么KANO評價表中,這項質量特型就分為“o”,即期望型需求。如果顧客對某項特征正負向問題的回答結合后,分類為“M”或“A”,那么該因素被分別分為基本型需求或者興奮型需求。

? ? ? 其中R表示顧客不需要這種質量特型,甚至對該質量特性有反感;I類表示無差異需求,顧客對這一種因素無所謂;Q表示有疑問的結果,顧客的回答一般不會出現這個結果。除非這個問題的問法不合理,或者是用戶沒有很好的理解問題,或者是用戶在填寫問題答案時出現錯誤。

簡單說就是:

A:魅力屬性;O:期望屬性;M:必備屬性;I:無差異屬性;R:反向屬性;Q:可疑結果

(2).確立功能影響程度究竟多大:Better-Worse系數-計算與使用

? ? ? 除了對于Kano屬性歸屬的探討,還可以通過對于功能屬性歸類的百分比,計算出Better-Worse系數,表示某功能可以增加滿意或者消除不喜歡的影響程度。

計算公式如下:

增加后的滿意系數 Better/SI=(A+O)/(A+O+M+I)

消除后的不滿意系數 Worse/DSI=-1*(O+M)/(A+O+M+I)

? ? ? 以上算法,就是把各個項目下每個字母對應的百分比放進去進行計算,得到兩個系數。

Better,可以被解讀為增加后的滿意系數。better的數值通常為正,代表如果提供某種功能屬性的話,用戶滿意度會提升;正值越大/越接近1,表示對用戶滿意上的影響越大,用戶滿意度提升的影響效果越強,上升的也就更快。

Worse,則可以被叫做消除后的不滿意系數。其數值通常為負,代表如果不提供某種功能屬性的話,用戶的滿意度會降低;值越負向/越接近-1,表示對用戶不滿意上的影響最大,滿意度降低的影響效果越強,下降的越快。

? ? ? 因此,根據better-worse系數,對系數絕對分值較高的功能/服務需求應當優先實施。

? ? ? 以電商退換貨中維修功能為例計算它的better-worse系數如下:


better-worse系數計算過程

(3)根據better-worse系數值,將散點圖劃分為四個象限,以確立需求優先級。

? ? ? 以曾經做過的電商售后頁面新增功能點舉例說明,最后計算完所有功能點的better-worse系數,利用散點圖得到如下結果:

KANO模型項目案例

? ? ? 則極速退款功能是用戶最為迫切需求,在線咨詢客服功能對用戶來說是必備功能,而相似功能對用戶來說并不在意,可酌情考慮開發。 然后,產品經理得根據產品所處階段進行產品需求文檔的書寫,之后就可以去找開發、設計童鞋跟進產品開發工作了。相信你自己梳理一遍需求后,再去找開發、設計評審時,你會自信、堅定一些。

最后結語:

1、KANO模型將需求分成“基礎、擴展(期望需求)、增值(興奮需求)”三層。可根據KANO模型建立產品需求分析優先級,運用到產品設計中就是要抓住用戶的核心需求,解決用戶痛點(基本型需求),在確保基本需求解決的前提下,給用戶一些high點(興奮型需求);

2、但是就具體問題分析后發現用戶對基本需求、期望需求、興奮需求的優先級會根據產品在于用戶內心的閥值有所變化,但興奮需求有時候是超出用戶預期的(或者根本不知道),所以我們可以引導用戶;

3、用戶調研可能只能獲取到期望需求(基本需求用戶默認有),所以基本需求和興奮需求需要靠自己深入調研;

4、用戶有時候并不知道他們到底想要什么,所以我們要做的是要在用戶訴求中提取用戶需求再轉化成為產品需求。一句話,聽用戶的,但別照著做。

5、需求會因人而異要做的是滿足目標用戶人群中多數人的需求;需求會因為文化差異而不同;需求會隨著時間變化,昨天的期望型需求,甚至魅力型需求,到今天可能已變成了必備型需求。所以需要持續調研需求、產品需要持續迭代。

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 228,546評論 6 533
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 98,570評論 3 418
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 176,505評論 0 376
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 63,017評論 1 313
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 71,786評論 6 410
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 55,219評論 1 324
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 43,287評論 3 441
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 42,438評論 0 288
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 48,971評論 1 335
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 40,796評論 3 354
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 42,995評論 1 369
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 38,540評論 5 359
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,230評論 3 347
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 34,662評論 0 26
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 35,918評論 1 286
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 51,697評論 3 392
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 47,991評論 2 374

推薦閱讀更多精彩內容