KANO模型

简介: KANO模型由东京理工大学教授狩野纪昭(Noriaki Kano)发明,其用于分析用户对于各类需求的排名偏好情况,其在企业产品需求调研,市场研究中有着广泛的应用。

1.概述

   KANO模型由东京理工大学教授狩野纪昭(Noriaki Kano)发明,其用于分析用户对于各类需求的排名偏好情况,其在企业产品需求调研,市场研究中有着广泛的应用。


2.原理

 1.属性

   Kano模型将需求分为:魅力需求A、期望属性O、必备属性M、无差异属性I、反向属性R

属性名称

属性特征

魅力属性A

超出用户预期的功能/服务,该功能/服务完善程度高,用户满意度会明显上升,如果没有该功能/服务时,用户满意度下降不明显

期望属性O

有某功能/服务会提升满意度,没有会使满意度下降

必备属性M

有某功能/服务不会提升满意度,但没有会使满意度下降

无差异属性I

有和没有某功能/服务均不影响满意度

反向属性R

没有某功能/服务满意度会更高

可疑结果Q

用户没有很好理解某问项或误答

7a956314399c9e33d24c2f09dd3c4edb.png


2.分析指标

  • Better(满意影响力)= (A+O)/(A+O+M+I),该指标介于0 ~ 1之间,值越大说明敏感性越大,优先级越高;
  • Worse(不满意影响力)= -1 * (O+M)/(A+O+M+I),该指标介于-1 ~ 0之间,值越小说明敏感性越大,优先级越高。

   Better,可以被解读为增加后的满意系数。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,则可以被叫做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。


3.基本步骤

 1.识别所有可能需求

   可以通过规范研究、研究文献和访谈材料等方式来获取所有可能的需求。

 2.设计问卷

   设计基于KNAO模型的问卷,需要把需求划分为两个维度:提供该服务时的满意程度、不提供该服务时的满意程度。对于同一个指标设计两个问题作为一组,一个正向一个反向,让用户对功能进行正面和负面评价。

   选项通常有:

  • A.我喜欢
  • B.正因如此
  • C.无所谓
  • D.能忍受
  • E.不喜欢

image.png

 3.实施问卷

   让用户完成上一步基于KANO设计的问卷。正反问题之间的区别需注意强调,防止用户看错题意。在实际题目设置上,当功能点个数比较多(大于5个时)或功能点的差异不大时,有相似之处时,建议对用户进行分组,每个用户最多回答5个功能点,且尽量是区分度大的功能点。

 4.问卷数据处理

   根据问卷结果,参照KANO模型的分类标准,对问卷的选项进行汇总,确定质量属性(占比最大的为KANO定位属性),再计算Better系数和Worse系数。Kano 模型定位,比如在问卷中正向问题选择了B.正因如此,反向问题选择了E.不喜欢,查表应为第二行第第五个M(必备属性)。

81782efa1f7d3914506c5daa0d5acba1.png

360a9b6572cbeeba85c2b79dc1d51bdd.png

 5.制作Better-Worse系数图

   根据第四部统计得出的Better系数和Worse系数,Better系数为Y轴、Worse系数为X轴,制作二维图表,把各个需求的Better系数和Worse系数作为y和x值标在图上。x=50%,y=50%作为中心点,把图表等分为四个象限。

  • 第一象限(期望特性)表示:better 系数值高,worse 系数绝对值也很高的情况。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(魅力特性):better 系数值高,worse 系数绝对值低的情况。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(无差异特性):better 系数值低,worse 系数绝对值也低的情况。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(必备特性):better 系数值低,worse 系数绝对值高的情况。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。

27828749fdd0e1c25aa811fddea6d47e.png

   通常情况下,产品开发需求的优先级为:必备特性>期望特性>魅力特性>无差异特性。

目录
相关文章
|
机器学习/深度学习 编解码 PyTorch
DenseNet的应用--语义分割--(DenseASPP )
转载自:https://blog.csdn.net/u011974639 DenseASPP DenseASPP for Semantic Segmentation in Street Scenes 原文地址:DenseASPP 收录:CVPR2018(IEEE Conference on Computer Vision and Pattern Recognition) 代码: PyTorch 简介: 将DeepLab系列中的ASPP和DenseNet中的密集连接相结合,构成了DenseASPP。
5682 1
|
缓存 监控 关系型数据库
MySQL PXC 集群死锁分析案例
前不久一个系统死锁导致部分业务受到影响,今次补上详细的节点日志分析过程。
353 1
|
人工智能 Kubernetes 监控
Kubernetes 故障诊断 AI 助手
【10月更文挑战第6天】
401 1
|
弹性计算 小程序 关系型数据库
24.8|超值超省,开发者轻创业算力补贴申请教程
阿里云推出一系列优惠活动,助力企业和开发者高效上云。核心优惠包括:“99计划”提供超低价服务器资源,老用户也可享受;5亿算力补贴与满减优惠降低上云成本;免费试用覆盖多种产品;创业者计划提供高额抵扣金;多款产品组合满足不同需求。学生更可专享300元补贴。此外,还介绍了开发者如何利用低成本云资源通过广告变现,包括不同广告计费模式及成功案例分析。这些优惠和服务有助于企业快速成长与数字化转型。
284 2
24.8|超值超省,开发者轻创业算力补贴申请教程
|
11月前
|
SQL
南大通用GBase 8a配置gcware日志等级,减少日志输出,节省磁盘IO
南大通用GBase 8a配置gcware日志等级,减少日志输出,节省磁盘IO
|
存储 JSON Go
一文搞懂 Golang 高性能日志库 Zerolog
一文搞懂 Golang 高性能日志库 Zerolog
1157 0
|
存储 分布式计算 数据处理
MaxCompute 的成本效益分析与优化策略
【8月更文第31天】随着云计算技术的发展,越来越多的企业选择将数据处理和分析任务迁移到云端。阿里云的 MaxCompute 是一款专为海量数据设计的大规模数据仓库平台,它不仅提供了强大的数据处理能力,还简化了数据管理的工作流程。然而,在享受这些便利的同时,企业也需要考虑如何有效地控制成本,确保资源得到最优利用。本文将探讨如何评估 MaxCompute 的使用成本,并提出一些优化策略以降低费用,提高资源利用率。
506 0
|
数据采集 JSON 算法
使用Python爬取华为市场APP应用进行分析
这个网站也是作者最近接触到的一个APP应用市场类网站。讲实话,还是蛮适合新手朋友去动手学习的。毕竟爬虫领域要想进步,还是需要多实战、多分析!该网站中的一些小细节也是能够锻炼分析能力的,也有反爬虫处理。甚至是下载APP的话在Web端是无法拿到APK下载的直链,需要去APP端接口数据获取
|
C语言
C语言for循环必备练习题
C语言for循环必备练习题
623 0
C语言for循环必备练习题
|
存储 数据安全/隐私保护 Windows
逆向学习Windows篇:进程句柄操作详解
逆向学习Windows篇:进程句柄操作详解
709 0