怎樣用數據分析方法應用KANO模型?

本文從數據分析的角度，重新解讀如何應用kano模型。

一、 kano模型簡介

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優先排序的工具，以分析用戶需求對用戶滿意度的影響為基礎，體現了產品性能和用戶滿意度之間的非線性關係。KANO模型將需求分為五種類型，下圖展示了不同類型的需求對用戶滿意度的影響。

圖中的橫坐標代表一個需求的實現程度高低，越往右越高。縱坐標代表用戶的滿意度，越往上越高。

這裡的滿意度從低到高就是從不滿意一直到滿意，在中間是沒有不滿意和沒有滿意的中間狀態，也就是用戶覺得理所當然的狀態。

圖上標出了五種不同類型的需求實現帶來的用戶滿意度變化，分別是必備型需求、期望型需求、魅力型需求、無差異需求和反向需求。

這五類需求，簡單地說就是：必備型需求關心能不能用，期望型需求關心好不好用，魅力型需求關心是否驚豔，無差別需求用戶根本不關心，反向需求關心的是這功能什麼時候撤掉。

二、 如何確定一個需求屬於哪種類型？

KANO模型的應用目前最常見的是問卷調查法。

通過問卷分別詢問用戶，如果提供某功能時用戶的感受，以及不提供某功能時用戶的感受。用戶答案和功能的分類對應如下表。

根據最終用戶的反饋比例，選出分數最高的一類，確定其需求類型。這裡面的計算方法比較複雜，不是本文的重點，有興趣的同學自己百度。

通過問卷調查的方式進行需求分析有一個很大的缺點，問卷類型的數據容易出現「倖存者偏差」的情況，即反饋的用戶本身就有較強的反饋意願，無法體現全體用戶的真實情況。

不光如此，用戶在回答問卷的過程中，得到的結果也並非可靠。

說個案例：在過去，電視臺統計收視率是通過日記調查法。所謂日記調查法，簡單地說就是在被抽中的樣本中留一本日記，可以是一張紙，卡片或者小冊子。請樣本家庭中的每一戶成員及時填寫一周自己收看電視的情況，內容包括觀眾姓名，收看的頻道，收看的時間等等。然後每周反饋給調查人員。

隨著科技的發展，機頂盒大規模地應用，調查人員可以直接通過機頂盒的數據獲取用戶收看電視的情況。調查人員發現，那些黃金時段的節目、知名度較高的節目，日記法的數據相比更精準的機頂盒的數據要高得多。

出現這種情況的原因是因為人們在回憶自己看過的電視節目時，往往會放大那些名氣更大的節目的收看時間。因此問卷法得到的信息往往是不準確的，而真實的用戶行為數據卻不會說謊。

所以用數據來反應用戶的行為將會更為準確，我們完全可以嘗試通過用戶行為數據進行kano模型的分析。

三、 利用數據應用KANO模型

由於大部分產品提升用戶產品的滿意度的目的主要是為了提升用戶的粘性，表現在數據上就是產品的留存率提高。如果一個功能用戶感到更加滿意，那麼這款功能的留存率必然會上升，或者當天的人均點次數上升。總之，用戶會更有意願使用該產品。

那麼根據頁面的數據信息，我們可以大概推測出該功能目前所處的滿意度水平，從而確定後續調整的優先順序。這種方式相比問卷法最大的優勢是信息的來源真實地反映了用戶的實際反映，而不是被用戶的情感因素加工過的二手信息。

不過通過數據的方式進行KANO模型的思考也有不足之處，即數據只能分析當前存在的功能用戶是不是愛用，而不能發現用戶目前並不存在的需求。

如果該產品連基本的必備型需求都沒有滿足，那麼在產品頁面上沒有用戶的需求點，數據也就無法找出用戶究竟需要什麼樣的需求。當然，我們可以通過其他功能的使用數據去發現用戶的需求，不過這種情況下需要用產品思維去揣摩用戶心理，有一定猜測的成分，數據不是決定因素。

另外數據也很難預測出魅力型需求。

還是以iPhone為例，如果當時的諾基亞有用戶的數據分析，那麼數據必然可以得出用戶有更大屏幕，更便捷交互的需求。但是這種方向如果沒有配合上產品經理的創意，最終誕生的可能也只是更大屏的帶觸控筆的塞班機而已，這依然在用戶的預期範圍之內，最多只能算期望型需求。

要想成為魅力型需求，需要數據提供方向 + 產品提供創意。在用戶意想不到的方向解決用戶需求才能成為魅力型需求。

這樣的表述有些理論，我們看幾個例子。我們首先看一下現狀分析的情況。

例子一：某產品或功能的留存率非常低（多少算低，每個產品有不一樣的標準），那麼這個功能很可能處在下圖中的藍色框線位置。

此時用戶的狀態是不滿意，結合kano模型進行分析，必備型需求只要基本滿足即可以大幅提升滿意度，那麼很有可能是該產品的必備型需求的方向是錯誤的，用戶根本沒有這樣的需求。

在找到用戶的必備型需求之前，不管是調整當前頁面的排版，還是增加相同類型的信息等都無法從本質上提升用戶的滿意度。因此這時頁面改版最優先的方向是找到用戶的真實需求。只有找到了用戶的真實需求，那麼改動帶來的效益就是指數型增長的。

面對這樣的產品狀況，數據分析是很難幫助產品經理找到用戶的真實需求的方向的。因為前面提到過數據分析的優勢在於找到當前頁面上用戶感興趣的功能，當前頁面如果沒有滿足用戶的需求，數據也無法告訴我們用戶到底要什麼。這時候就需要復盤產品經理當時上線該產品時的用戶需求分析，找到問題所在。

再比如：

例子2：某產品或功能的留存率較好，那麼這個功能很可能處在下圖的藍色框線位置。

在這個位置上，用戶的必備需求基本得到了滿足，再增加必備型需求的意義不大，我們需要找到期望型需求。

我前面提到過，期望型需求是必備型需求的升級版，那麼找到用戶最感興趣的必備型需求，然後給出優化的方向就是該必備型需求的升級方向。

這個區域可以說是數據分析的舒適區，這類產品的數據不僅可以反映出大部分的問題，並且還能給出進一步的方向。

當留存率繼續向上升時，產品已經相當成熟，用戶達到了「滿意」的狀態，接下去可以開始嘗試一些魅力型需求，這類需求無法從數據中得出，只能通過產品經理的創意進行試驗，上線後再進行數據驗證。

可以看出，KANO方法告訴我們數據分析在產品分析中的適用範圍，在產品未找到用戶的必備需求之前，數據分析是不太容易幫助產品提升滿意度的。只有在產品找到用戶明確的需求後，數據才能協助產品對產品進行優化。而在產品已經非常成熟時，數據也是很難找到突破口的。

數據最佳的發揮空間是把產品從四五十分提高到八九十分。太高或太低分數的產品，更多地需要創造性的產品思維。

 

本文由 @Jason 原創發布於人人都是產品經理。未經許可，禁止轉載

題圖來自 Pexels ，基於 CC0 協議

收藏已收藏 | {{ postmeta.bookmark }} 點讚已贊 | {{ postmeta.postlike }}