編輯導讀：KANO模型主要是對用戶需求分類和排序，通過分析用戶對產品功能的滿意程度，來對產品的功能進行升級，從而確定產品實現過程中的優先級。本文作者圍繞“KANO模型的量化處理”進行分析，希望對你有幫助。

很多大廠在產品商業化、產品設計以及運營方面已經達到了非常精細化程度，比如在對需求優先級進行排序的時候，大家都聽說過KANO模型，很多產品經理也會采用該模型去“憑感覺”進行劃分，但感覺的問題在于一些模糊不清的地帶和一些需要通過互相說服來決策的時刻，這種定性的方式很難讓人達成共識。于是很多公司的用研部門會將“定量”的方式引入其中進行輔助，尤其越是龐大的產品，越是會做這樣的事情。

既然說到這，那就來聊聊KANO模型，在定量的方式上可以如何去實施。

背景就不去做交代了，假定目前已經確定了一些需求已經要做，但由于開發資源以及項目時間周期的限制，目前只能從中挑出一部分需求去進行設計，而且大家爭執不下的情況下，于是通過收集到用戶以及內部員工具體的一些答案通過統計結果來進行量化抉擇，便挑選出合適的用戶發出了調查問卷，設計問卷的時候為了方便后面的量化操作，問題需要存在一定的設計邏輯。

一、明確需求分類

先基于KANO模型，可以把需求分成如下幾類：

• M：必備型需求，即痛點
• O：期望型需求，即符合預期的
• A：興奮型需求，即超出用戶預期的
• I：無差異型需求，即用戶不在意的
• R：反向型需求，即會引起用戶反感的

對吧，很簡單，但你思維稍微停一下，你會發現，它的本質只不過是按照將需求對用戶的感受進行了不同程度的分類，這些程度之間是存在邏輯上的遞進關系的。

你不覺得這玩意的底層邏輯跟之前接觸過的很多東西都很像嗎？比如，學校里面給學生打分的時候會有優秀、良好等方面的評級，公司里會按照不同崗位劃分出不同的組織架構，哪怕去個奶茶店也會遇到小杯、中杯、大杯的區分。

這些東西的底層邏輯，要概括一下的話，其實都是基于MECE原則對某個事物按照“彼此獨立，完全窮盡”的方式進行了分類而已。

二、調查問卷設計

為了更好的得到方便量化的結果，問題設計上可以分為兩個方向并提供不同的選項供用戶選擇。

問題可以包含兩個方向：增加某個功能后用戶的態度以及不增加某個功能時用戶的態度

答案則提供幾種不同的程度，由喜歡程度的高到低分別是：非常喜歡、符合預期、無所謂、勉強接受、很不喜歡

最終構建出來的結果如下圖所示：

那么，在這里有一種比較特殊的情況，就是可疑結果（Q），畢竟對于一個功能的提供與否，用戶都表現出了很喜歡或者很不喜歡這種自相矛盾的情況，所以，這樣的結果在最終統計時，一般都需要排除掉。

同樣，思維在這里稍微停一下，你會發現依然是一個仿佛接觸過無數過的玩意。好像有點四象限法則的影子？好像還有點SWOT分析的趕腳？甚至這玩意還似曾相似的出現在你不知道要不要跳槽而感到迷茫時，你在紙上列出來的不同維度的對比……

其實，這些東西的底層就是矩陣思維，本質就是多角度縱橫交叉的看待同樣的一個問題。

三、調查問卷數據清洗加工

在收集到問卷的結果后，對數據進行清洗并加工。下圖所示就是之前我們在公司收集上來的調查問卷當中部分用戶的反饋結果：

四、對問卷進行需求分類

再結合上面的不同需求類型的矩陣圖，就可以針對每一條需求都劃分出每個用戶所認為的需求的類型是什么了，最終我們就定義出了需求的類型如下圖所示：

到這里之后，其實問題就出現了。對于同樣一條需求，不同用戶所定義的需求類型是不一樣的，那么，我們總得按照某種方式計算出一個最后的標準吧？最典型的思維方式就是少數服從多數，于是就可以考慮采用統計同一需求不用用戶不同類型的定義，然后計算趨向于對用戶帶來好的方向影響的占比，再計算給用戶帶來不好的方向影響的占比，最后按照平均值劃分進行定義。

在KANO模型里也是采用了上面的思考方式，只不過定義出了一個叫做better-worse系數的東西。

better系數 = (A+O)/(A+O+M+I)

worse系數絕對值 = |-(M+O)/(A+O+M+I)|

按照收集上來的問卷（包含了900份調查問卷的結果），統計和計算后的數據如下圖所示：

將統計后的每個需求對應的坐標點放置在better-worse坐標系當中，并且在坐標系當中基于所有的坐標點，生成better的平均值對應的參考線以及worse的平均值對應的參考線,劃分出最終的興奮型、必備型、期望型、無差異型需求，按照優先級必備型>期望型>興奮型>無差異型劃分出優先級即可。

至此，一個KANO模型在實際工作中的量化處理案例就講完了。

作者：小風，產品經理；公眾號：村上風

本文由 @小風 原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。