神奇風(fēng)骨草需求分析神器：KANO模型分析法實(shí)戰(zhàn)案例講解
發(fā)布時(shí)間：2022-03-12 10:17:47
任何一個(gè)互聯(lián)網(wǎng)神奇風(fēng)骨草，都會(huì)涉及到很多的需求，老板、業(yè)務(wù)提的各種需求時(shí)常扎堆，哪怕一個(gè)小功能、次次次級(jí)頁(yè)面經(jīng)常都會(huì)爭(zhēng)得不可開交。哪個(gè)需求對(duì)用戶來(lái)說(shuō)最重要？用戶對(duì)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(jì)、測(cè)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(lái)的，而應(yīng)該由神奇風(fēng)骨草設(shè)計(jì)團(tuán)隊(duì)的分析師、神奇風(fēng)骨草經(jīng)理，通過(guò)客觀的分析確定下來(lái)。那么如何真正從用戶需求出發(fā)來(lái)梳理出需求層次以及需求優(yōu)先級(jí)，并能進(jìn)一步判斷需求實(shí)現(xiàn)對(duì)用戶影響程度呢？
這時(shí)候，就可以引入一個(gè)神奇風(fēng)骨草需求分析的經(jīng)典模型「KANO分析模型」，進(jìn)行系統(tǒng)的需求梳理，對(duì)需求進(jìn)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(jì)昭發(fā)明的對(duì)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(duì)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(guò)對(duì)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(wú)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(shí)，用戶不會(huì)感到滿意。需求不滿足時(shí)，用戶會(huì)很不滿意。期望型需求(O)：需求滿足時(shí)，用戶會(huì)感到很滿意。需求不滿足時(shí)，用戶會(huì)很不滿意。魅力型需求(A)：該需求超過(guò)用戶對(duì)神奇風(fēng)骨草本來(lái)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(wú)差異型需求(I)：需求被滿足或未被滿足，都不會(huì)對(duì)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(huì)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(wú)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(wú)差異數(shù)）
Better系數(shù)越接近1，表示該具備度越高該需求對(duì)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(duì)用戶滿意度造成的負(fù)面影響越大。
KANO分析實(shí)戰(zhàn)
某公司的神奇風(fēng)骨草A將于下個(gè)月進(jìn)行版本更新，神奇風(fēng)骨草經(jīng)理小B收集到了來(lái)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(shí)需要更新，小B決定通過(guò)KANO模型進(jìn)行需求分析。
1.調(diào)研問(wèn)卷設(shè)計(jì)
在做KANO分析前，一般需要進(jìn)行用戶調(diào)研。通常采用矩陣量表的形式讓用戶對(duì)功能進(jìn)行正面和負(fù)面評(píng)價(jià)，評(píng)價(jià)分為五個(gè)程度“我很喜歡”、“它理應(yīng)如此”、“無(wú)所謂”、“勉強(qiáng)接受”、“我很不喜歡”。
調(diào)研后對(duì)數(shù)據(jù)進(jìn)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(jìn)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(jìn)行合并，如下圖所示：
按照用戶對(duì)「增加功能態(tài)度」與「不增加功能態(tài)度」，最終我們可以通過(guò)下表定位某功能對(duì)于用戶來(lái)說(shuō)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(wú)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(lái)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(zhǎng)，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(gè)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(rèn)為「功能1」是無(wú)差異需求的人數(shù)有 48 人。
�。�5）因?yàn)檎{(diào)研過(guò)程中有些用戶會(huì)跳題，所以參與每個(gè)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(gè)功能調(diào)研的人數(shù)。
�。�6）計(jì)算占比，求得每個(gè)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(guò)FineBI的儀表板，可以將數(shù)據(jù)進(jìn)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(jìn)入儀表板中，新建組件選擇剛剛處理過(guò)的自助數(shù)據(jù)集。
�。�1）復(fù)制 5 個(gè)「占比」字段，如下圖所示：
�。�2）對(duì)復(fù)制的「占比」字段進(jìn)行明細(xì)過(guò)濾，過(guò)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(duì)其他復(fù)制的「占比」字段進(jìn)行明細(xì)過(guò)濾，分別過(guò)濾類型，并對(duì)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(huì)越強(qiáng)，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(duì)用戶不滿意度的影響最大，滿意度降低的影響效果越強(qiáng)，下降的越快。
根據(jù)以上灰字中的better、worse 的公式，新建計(jì)算字段「better」「worse絕對(duì)值」，如下圖所示：
�。�4）選擇「散點(diǎn)圖」，拖入「better」、「worse絕對(duì)值」字段。并將「功能」字段拖入圖形屬性的標(biāo)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(rèn)同他的決定，罕見地沒有出現(xiàn)以往為增加哪個(gè)功能而爭(zhēng)得不可開交的局面，提升了效率。
以上就是KANO分析的全部過(guò)程，在實(shí)際工作場(chǎng)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(gè)“KANO”就能獲得工具！