神奇風(fēng)骨草需求分析神器：KANO模型分析法實戰(zhàn)案例講解
發(fā)布時間：2022-03-12 10:17:47
任何一個互聯(lián)網(wǎng)神奇風(fēng)骨草，都會涉及到很多的需求，老板、業(yè)務(wù)提的各種需求時常扎堆，哪怕一個小功能、次次次級頁面經(jīng)常都會爭得不可開交。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(fā)神奇風(fēng)骨草資源有限，開發(fā)、設(shè)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(yīng)該是拍腦袋想出來的，而應(yīng)該由神奇風(fēng)骨草設(shè)計團隊的分析師、神奇風(fēng)骨草經(jīng)理，通過客觀的分析確定下來。那么如何真正從用戶需求出發(fā)來梳理出需求層次以及需求優(yōu)先級，并能進一步判斷需求實現(xiàn)對用戶影響程度呢？
這時候，就可以引入一個神奇風(fēng)骨草需求分析的經(jīng)典模型「KANO分析模型」，進行系統(tǒng)的需求梳理，對需求進行分析和提煉，提高效率。
KANO 模型是東京理工大學(xué)教授狩野紀昭發(fā)明的對用戶需求分類和優(yōu)先排序的有用工具，以分析用戶需求對用戶滿意的影響為基礎(chǔ)，體現(xiàn)了神奇風(fēng)骨草性能和用戶滿意之間的非線性關(guān)系。
1.需求屬性分類
通過對需求的滿意度、具備度二維分析，KANO將需求劃分為必備型、期望型、魅力型、無差異型、反向型五類，分別以英文字母M、O、A、I、R表示。
必備型需求(M)：需求滿足時，用戶不會感到滿意。需求不滿足時，用戶會很不滿意。期望型需求(O)：需求滿足時，用戶會感到很滿意。需求不滿足時，用戶會很不滿意。魅力型需求(A)：該需求超過用戶對神奇風(fēng)骨草本來的期望，使得用戶的滿意度急劇上升。即使表現(xiàn)得不完善，用戶的滿意度也不受影響。無差異型需求(I)：需求被滿足或未被滿足，都不會對用戶的滿意度造成影響。反向型需求(R)：該需求與用戶的滿意度呈反向相關(guān)，滿足該要求，反而會使用戶的滿意度下降。
2. better-worse系數(shù)
Better系數(shù)=（期望數(shù)+魅力數(shù)）/（期望數(shù)+魅力數(shù)+必備數(shù)+無差異數(shù)）
Worse系數(shù)=-1*（期望數(shù)+必備數(shù)）/（期望數(shù)+魅力數(shù)+必備數(shù)+無差異數(shù)）
Better系數(shù)越接近1，表示該具備度越高該需求對用戶滿意度提升的影響效果越大。Worse系數(shù)越接近-1，表示具備度越低該需求對用戶滿意度造成的負面影響越大。
KANO分析實戰(zhàn)
某公司的神奇風(fēng)骨草A將于下個月進行版本更新，神奇風(fēng)骨草經(jīng)理小B收集到了來自各方的神奇風(fēng)骨草功能更新需求，為了確定哪些功能確實需要更新，小B決定通過KANO模型進行需求分析。
1.調(diào)研問卷設(shè)計
在做KANO分析前，一般需要進行用戶調(diào)研。通常采用矩陣量表的形式讓用戶對功能進行正面和負面評價，評價分為五個程度“我很喜歡”、“它理應(yīng)如此”、“無所謂”、“勉強接受”、“我很不喜歡”。
調(diào)研后對數(shù)據(jù)進行清洗，本案例清洗后的數(shù)據(jù)已附在文末，需要的朋友可以進入文末下載。
2.處理數(shù)據(jù)
小B將清洗好的數(shù)據(jù)上傳至 FineBI。添加自助數(shù)據(jù)集并勾選「KANO原始數(shù)據(jù)」的所有字段，如下圖所示：
�。�2）新增列「合并態(tài)度」，將「增加功能態(tài)度」與「不增加功能態(tài)度」進行合并，如下圖所示：
按照用戶對「增加功能態(tài)度」與「不增加功能態(tài)度」，最終我們可以通過下表定位某功能對于用戶來說是什么需求。
M：基本（必備）型需求；O：期望（意愿）型需求；A：興奮（魅力）型需求；I：無差異型需求；R：反向（逆向）型需求；Q：可疑結(jié)果
�。�3）上一步驟我們已經(jīng)知道如何定位需求類型，接下來要做的就是在分析表中定位判斷，添加類型列，此處需使用到switch函數(shù)，函數(shù)公式如下圖所示：
由于公式很長，用戶可以直接復(fù)制下面到公式列，并用自己的字段替代「合并態(tài)度」：
效果如下圖所示：
�。�4）添加「分組匯總」，得到每個功能它們各種需求類型的人數(shù)，如下圖所示：
例如參與調(diào)研的人數(shù)中，認為「功能1」是無差異需求的人數(shù)有 48 人。
�。�5）因為調(diào)研過程中有些用戶會跳題，所以參與每個功能調(diào)研的人數(shù)有所不同。新增列「參與調(diào)研人數(shù)」，選擇「組內(nèi)所有值」，如下圖所示，求出參與每個功能調(diào)研的人數(shù)。
�。�6）計算占比，求得每個需求類型占參與調(diào)研人數(shù)的比例。
例如「功能1」的 「I 類型人數(shù)」占參與「功能1」調(diào)研人數(shù)的占比為 0.48。如下圖所示：
3.分析結(jié)果可視化
通過FineBI的儀表板，可以將數(shù)據(jù)進行可視化組件呈現(xiàn)，其中內(nèi)置了幾十種分析圖表，可以滿足絕大部分的可視化分析需求。小B進入儀表板中，新建組件選擇剛剛處理過的自助數(shù)據(jù)集。
�。�1）復(fù)制 5 個「占比」字段，如下圖所示：
�。�2）對復(fù)制的「占比」字段進行明細過濾，過濾條件為：類型屬于 A 。并將其重命名為「A 占比」。如下圖所示：
同理對其他復(fù)制的「占比」字段進行明細過濾，分別過濾類型，并對其重命名，如下圖所示：
�。�3）使用 better-worse 系數(shù)，如下圖所示：
better-增加某功能后提升的滿意系數(shù)：better=（A占比+O占比）/(A占比+O占比+M占比+I占比)，越接近 1，則表示用戶滿意度提升的效果會越強，滿意度上升的越快。worse-不增加某功能用戶的不滿意系數(shù)：worse=-1*（O占比+M占比）/(A占比+O占比+M占比+I占比)，越接近 -1，則表示對用戶不滿意度的影響最大，滿意度降低的影響效果越強，下降的越快。
根據(jù)以上灰字中的better、worse 的公式，新建計算字段「better」「worse絕對值」，如下圖所示：
�。�4）選擇「散點圖」，拖入「better」、「worse絕對值」字段。并將「功能」字段拖入圖形屬性的標簽欄和顏色欄。如下圖所示：
�。�5）分別添加「橫向警戒線」和「縱向警戒線」，分別為 better平均值 和 worse平均值 。如下圖所示：
4.分析結(jié)果展示
最終，小B做出了如下better-worse四象限分布圖，并將將做好的儀表板分享給了同事，決定此次功能更新增加「功能2、功能3、功能5、功能8」。有了數(shù)據(jù)支撐，大家都很認同他的決定，罕見地沒有出現(xiàn)以往為增加哪個功能而爭得不可開交的局面，提升了效率。
以上就是KANO分析的全部過程，在實際工作場景中，情況更加多變，因此需理解此模型分析邏輯，靈活變通。
文末驚喜
本文數(shù)據(jù)已打包好，回個“KANO”就能獲得工具！