如何利用KANO模型,判斷需求的屬性歸類?

25 評論 17376 瀏覽 101 收藏 16 分鐘

編輯導讀:產品經理工作中,面對多方需求,該如何對需求的優先級進行排序?本文作者從自身工作實踐出發,分享了利用模型KANO模型進行需求屬性歸類的方法,并對過程中需要注意的問題展開了梳理分析,與大家分享。

一、為什么要用KANO模型?

小額付費產品經理的日常工作中,經常會同時接到很多需求,VIP改版、新產品形態掘金、支付頁優化、花幣后臺優化、sqdb4.0添加注釋等等需求,甚至sqdb4..0改版需求中,又涉及到提高算法準確度、添加信號操作建議注釋、添加指標共振選股、增強及時提醒功能……

時間精力、開發資源、UI交互資源有限,尤其像今年上半年疫情泛濫的情況下,開發沒有及時到崗,面對眾多需求的情況下,為了保證收益的最大化,怎么進行取舍,哪些需求的屬性是什么樣子的,是否可以砍掉,怎么排序需求的優先級?以哪一種方式來確定才靠譜?

之前我們小額付費產品團隊中,在處理類似這種優先級排序的時候,都是召集所有提需求的產品一起開個需求會,各自講述一下自己需求的情況和緊急度,然后大家共同表決。雖然看起來很不錯,很民主科學,但實際上在執行的過程中,每個產品經理都會把自己的需求吹的很緊急很重要,但沒有給出一個合理公認的量化結論,以供參考,隨意性還是特別強,幾乎就是“看臉面”決定了優先級。

近期我們和用研的團隊合作,做了幾次調研,他們采用了一個新的模型–KANO模型來為我們的需求做了一個合理公允的分類,效果很不錯。內部分享了這種模型之后,也在思考去建立一套適合小額產品需求的KANO模型。因此,今天要給大家介紹的就是這個工具: KANO模型。

二、什么是KANO模型?

KANO模型是東京理工大學教授狩野紀昭(Noriaki Kano)發明的對用戶需求分類和排序的有用工具。通過分析用戶對產品功能的滿意程度,對產品功能進行分級,從而確定產品實現過程中的優先級。

KANO模型是一個典型的定性分析模型,一般不直接用來測量用戶的滿意度,常用于識別用戶對新功能的接受度。利用這個模型,我們可以了解手上的這些需求是什么類型的,可以根據重要程度來取舍,比主觀的隨意取舍更為合理、科學。

KANO模型中,根據不同類型的需求與用戶滿意度之間的關系,可將影響用戶滿意度的因素分為5類:基本型需求、期望型需求、興奮型需求、無差異需求、反向型需求。

2.1 基本型需求

這個是客戶購買某個產品、使用某個功能時,最根本的需求。當不提供這個需求,用戶滿意度大幅降低,產品會導致客戶投訴,續費率可能就直接為0。但優化此需求,用戶滿意度不會得到顯著提升。好比sqdb沒有給出紅綠電波的買賣點;推薦股票的產品沒有給出股票,而只給出倉位建議;手機level2沒有給出十檔行情,只給出大單凈量的指標……

2.2 期望型需求

客戶非常敏感的需求。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。它是處于成長期的需求,是客戶、競品包括我們自身都關注的需求,也是體現競爭能力的需求。對應到我們付費產品的期望型需求的話,比如更高成功率的股池、越精準詳細的操作建議、越及時有效的機會風險預警機制等等。

2.3 興奮型需求

顧名思義,就是會讓人興奮欣喜的需求。這種需求是用戶意想不到的,就像驚喜一樣。

若不提供此需求,用戶滿意度不會降低;若提供此需求,用戶滿意度會有很大的提升。手機level-2剛開始只有10擋行情,但還是3秒刷新1次,但后面推出了全景委托隊列需求,通過實時計算,將實時委托撤單數據累加到10擋上面,實現10擋委托能實時刷新,而非3秒一次的刷新,提高了數據更新的實時性,對短線客戶幫助非常大,對他們來說這個就是興奮型需求。

2.4 無差異需求

用戶根本不在意的需求,對用戶體驗毫無影響。這種需求可有可無。無論提供或不提供此需求,用戶滿意度都不會有改變。比如:提供自選股的平均漲跌幅,我們通過調研得出這個是無差異的需求。

2.5 反向型需求

用戶根本都沒有此需求,提供后用戶滿意度反而下降。

總而言之,我們小額付費產品需求時,需要盡量避免無差異型需求、反向型需求,至少做好基本型需求、期望型需求,如果可以的話再努力挖掘興奮型需求。

?三、如何使用KANO模型?

KANO模型分析方法主要是通過標準化問卷進行調研,根據調研結果對各因素屬性歸類,解決需求屬性的定位問題,以提高用戶滿意度。

我把使用模型的步驟分為3步:

第一步:明確調研的目的。

第二步:圍繞目的設計問卷。

第三步:清洗數據與整理分類。

下面拿我最近一個需求實戰案例–sqdb 是否添加信號說明注釋,來講解如何使用KANO模型。

3.1 明確目的

明確自己做問卷調研的目的,以便后面設計問卷題目的時候,能緊緊圍繞目的來設計,確保后面得到的結果也是自己想要的。

例:

【背景】sqdb是公司最賺錢的小額付費產品,存量基數達到10萬,產品的影響面是非常大,但使用滿意度及復購率處于較低水平,一直有客戶反饋信號太過單一,希望能提供有用的信號操作建議等注釋信息。且當前還有好幾個需求在排隊,需要了解這個需求的類型,以判斷其優先級。

【目的】了解用戶是否需要對電波信號進行注解的功能,或者說信號操作建議注釋功能對客戶而言是什么樣的需求,必備、期望的、還是無差異等,從而來確定這個需求的優先級。

3.2 設計問卷

問卷調查表劃分維度有兩個:提供時的滿意程度、不提供時的滿意程度。

而滿意程度被劃分為5級(非常滿意、滿意、一般、不滿意、很不滿意),因為人的滿意程度往往是漸變的,而不是突變的。

滿意程度的文案可根據實際問題靈活修改,如使用(非常喜歡、理應如此、無所謂、勉強接受、很不喜歡 或者 非常有用、挺實用、無所謂、不實用、很不實用 )更加形象的描述。

設計問卷的過程中,有幾點要注意:

  1. 設計題目要緊緊圍繞目的來設計,確保后面得到的結果也是自己想要的,設計的題目多和相關同事溝通商量,不斷修改完善。
  2. 問卷中的每道題都涉及到正反兩面,應適當給予強調,防止用戶看錯(比如正反對立詞字體加粗/標紅等等);
  3. 在設計問卷時,盡量做到清晰易懂、語言盡量簡單具體,避免語意產生歧義
  4. 選項給予說明:由于每個人對“非常喜歡、理應如此、無所謂、勉強接受、很不喜歡”等形容詞的理解都不一樣,所以最好有一個明確統一的說明,讓用戶可以有個對照,方便填寫。

其實,滿意程度的文案可根據實際問題靈活修改,如使用(非常喜歡、理應如此、無所謂、勉強接受、很不喜歡 或者 非常有用、挺實用、無所謂、不實用、很不實用 )更加形象的描述。

『例如』sqdb需求添加信號注釋說明,題目可以這么設計:

  • 非常喜歡:注釋讓你覺得信號更準,更有意義。
  • 理應如此:本來就應該提供的、必備的功能/服務。
  • 無所謂:有無注釋,沒影響,都可以接受。
  • 勉強接受:注釋不太喜歡,有的話,我也不看。
  • 很不喜歡:注釋很厭惡,影響判斷,千萬不要給。

3.3 數據清洗、分類

得到問卷結果后,處理掉一些亂填的客戶數據后,整理統計得到最后以下結果表。

按照最早模型的統計口徑來說,屬性維度占比最大的就是該需求的屬性類型,從上面的得分可以看到無差異屬性的占比為44.2%,說明這個需求就是無差異需求。

但是,由于采用問卷的形式,客戶填寫的隨意性很高,很多答案都沒有經過認真思考就得出來的,因此會發現最后做了很多需求,利用這個模型反饋都是無差異的。所以,不代表這個需求不做,還是要看其他屬性的占比情況,因為這些屬性也代表著部分客戶的需求。

因此我們需要利用另一個指標來確定需求的屬性類型,最后再確定其優先級。這個指標叫做『better/SI 和 worse/DSI 指數』,通過計算這個需求的的better/SI 和 worse/DSI 指數,并標志在四分位圖上,來確定這個需求的類型。

下面我們再來講一下什么是better/SI 和 worse/DSI 指數,以及它的計算方式。

3.4 計算better/SI 和 worse/DSI 指數

Better指數,可以解讀為增加后的滿意系數。Better的數值通常為正,代表如果產品提供某種功能或服務,用戶滿意度會提升。正值越大/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。

增加后的滿意系數 Better/SI=(興奮型指數+期望型指數)/(1-反向型指數-可疑型指數)

Worse,可以叫做消除后的不滿意系數。Worse的數值通常為負,代表產品如果不提供某種功能或服務,用戶的滿意度會降低。其負值越大/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。

消除后的不滿意系數 Worse/DSI= -1 *(期望型指數+基礎型指數)/ (1-反向型指數-可疑型指數)

因此,根據 better-worse系數,兩者系數絕對分值較高的項目優先級越高。

通過上面的計算公式,可以得到sqdb添加信號注釋的Better/SI和Worse/DSI指數:

  1. 具備信號注解功能的滿意度系數(Better/SI)為26.8%
  2. 消除信號注解功能的不滿意系數(Worse/DSI)為-30.3%

以此推知信號注解功能屬于為必備功能(表示當產品提供此功能,用戶滿意度不會提升,當不提供此功能,用戶滿意度會大幅降低)。當前sqdb不具備此功能,需要增加注解功能。

至此,我已經介紹完了如何利用KANO模型來判斷需求的屬性歸類。當然這個過程周期是比較長,所以一般都是多個調研需求一起做,減低調研的成本。另外,這個KANO模型也是比90年代提出來的,08年外國有人研究出了一個更為科學,謹慎的KANO模型,但因為過程更為繁瑣復雜,因此比較難以實施,有興趣的同學可以找我要一份相關的資料。

 

本文由 @新時代過客 原創發布于人人都是產品經理,未經作者許可,禁止轉載。

題圖來自Unsplash,基于CC0協議。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 樓主求一份資料!1051548875@qq.com

    來自廣東 回復
  2. 您好,對于坐標軸的確定有一些困惑,請問可以發一份資料給我嗎?1594794884@qq.com謝謝您!

    來自上海 回復
  3. (Better/SI)系數怎么有些人求的不一樣啊

    來自廣東 回復
  4. 你好,求一份資料,Xqp_dd@163.com,謝謝!

    來自上海 回復
  5. 你好,求一份資料,uanlee@163.com,謝謝!

    來自廣東 回復
  6. ws07091107@163.com 同求資料

    來自湖南 回復
    1. 發了

      來自浙江 回復
  7. 請問最后的分位圖的坐標軸是怎么定的? 為什么以X=12% Y=45% 這兩條線作為邊界?

    來自上海 回復
    1. 看下面的回答

      來自浙江 回復
  8. 請問四分位圖橫豎坐標的最大值是怎么計算出來的

    來自廣東 回復
    1. 問得好,這個是我們內部現在一直在思考探索的問題,也是建立我們自己小額產品模型的核心標準,這個界限是一個電商實際應用的一個上限。我們將最近半年的7個需求套到這個分位圖,還是比較合理。

      來自浙江 回復
  9. 我暈,你這調研表還真是燒腦……..

    來自四川 回復
    1. 這個調研表,用研的同事最后發出的,我后面總結一下其實可以像我上面寫的那樣易懂些。
      另外,維度其實完全可以改成滿意、一般、不滿意,3個維度,或者4個維度。5個維度感覺不適合在問卷調研上,客戶區分自己程度的顆粒度認識并不是很清楚,所以會出現很多答案集中在中間,導致最后給出的結果是無差異。

      來自浙江 回復
  10. 有的反向型需求不能因為降低用戶滿意度就不做了….

    來自四川 回復
    1. 上面說的是“無差異需求”,但這個也是從最粗的維度得出的,最終確定是什么需求,還要參考行業特性等,所以才用better-worse指數的分位圖來界定。

      反向型需求,肯定是比較明確的客戶厭惡,這鐘需求肯定是不會做的,現實工作需求中,一個再傻的產品經理也不會提出一個“讓用戶討厭”的需求,并拿去做問卷,浪費各種資源。

      按照原有模型粗糙的統計方式來看,除非是很明顯用戶覺得很有必要,很有吸引力的需求,最終會體現為必備、期望、興奮屬性上。但在股票行業,由于產品需求屬性的問題——成功率不是100%,不能解決客戶投資需求–100%賺錢(給結果型的產品,成功率往往只有60%-70%,很容易打臉),所以很難讓客戶信服。綜合客戶填寫問卷隨意性等其他因素,最后給出的答案都偏向于“無差異”。
      因此我們會再采用better-worse指數與四分位圖來界定。
      當然better-worse指數的結果,也是拿來做決策參考,是否要做這個需求也要考慮其他因素,并不是按照KANO模型結果100%執行。

      來自浙江 回復
    2. 玩個游戲要讓你輸身份證進行實名,你說惡心不…但又不得不做….知道為什么么……..
      現在注冊新微信號為什么那么多步驟,那么繁瑣,你說惡心不,但企鵝為什么要這樣…….

      來自四川 回復
    3. 這個是合規要求,沒辦法,在面對降低用戶體驗感和可能被監管取締之間,顯然監管更重要。

      來自浙江 回復
  11. 求資料

    回復
    1. 如果想要,你發下郵箱。 不過估計你看到都是英文版的,以及繁瑣的過程,也會卻步

      來自浙江 回復
    2. 1075262338@qq.com 麻煩了!

      來自上海 回復
    3. 發了

      來自浙江 回復
    4. 627801392@qq.com,多謝!

      來自廣東 回復
    5. 發了

      來自浙江 回復
    6. ws07091107@163.com 同求資料

      來自湖南 回復
    7. 發了

      來自浙江 回復