重温经典用户需求研究方法

Kano模型是东京理工大学教授狩野纪昭 (Noriaki Kano) 提出的对用户需求分析、分类和需求优先级排序的模型。

kano模型目的是通过对用户的不同需求进行区分处理,了解不同层次的用户需求,帮助企业找出提高产品用户满意度的切入点,或者识别出使用户满意至关重要的因素。

编者按

转自 | 51design
题图 | KANO模型图示
01 什么是KANO模型
受行为科学家赫兹伯格的双因素理论的启发,东京理工大学教授狩野纪昭(NoriakiKano)于1984年发表了《魅力质量与必备质量》(AttractiveQuality and Must-beQuality)的论文。
这篇论文中,狩野纪昭首次提出满意度的二维模式,构建出Kano模型。
在当时的日本,提高产品和企业服务这个问题一直都是一个难题。他提出的这个模型有效的解决了这个问题。
KANO模型用来分类用户需求,确定需求优先级。
KANO 模型定义了三个层次的用户需求:基本型需求、期望型需求和兴奋型需求。
基本型需求:产品「必须有」的功能。
对于基本型需求,即使超过了用户期望,用户充其量达到满意,不会对此表现出更多的好感。不过只要稍有一些疏忽,未达到用户的期望,则用户满意度将一落千丈。
对于用户而言,这些需求是必须满足的,理所当然的。
期望型需求:非必须功能需求,但通常作为竞品之间比较的重点;企业提供的产品/服务水平超出顾客期望越多,顾客的满意状况越好。
兴奋型需求:属于惊喜型产品功能,超出用户预期,往往能带来较高的忠诚度。
通过需求实现程度和用户满意度两个维度,可以构建更详细的Kano模型。
将用户需求分为五类属性:
1.兴奋型属性
是用户意想不到的需求,表现为用户满意度和需求实现及优化程度呈现指数函数关系。
如果不提供此需求,用户满意度不会降低,若提供此需求,用户满意度随着需求实现及优化程度的增加会有很大提升。
2.期望型属性
用户满意度和需求实现程度及优化程度呈线性相关性,即随着当提供此及优化需求,用户满意度会提升,当不提供此需求,用户满意度会降低。
3.无差异属性
用户满意度和需求实现及优化程度不相关,即无论提供或不提供此需求,用户满意度都不会有改变,用户根本不在意。
4.基本型属性
当不提供此需求,用户满意度会大幅降低,但提供了需求后,用户满意度不会随着此需求的优化而提升。
5.反向属性
用户完全没有此需求,若提供此需求,用户满意度反而会下降。
在产品功能的优先级上,要优先满足基本型属性的需求,第二是期望型属性需求,第三是兴奋型属性需求。
五种属性类别会随着时间的推移而改变。比如,手机的触摸屏,该功能刚推出的时候是属于兴奋型需求,不提供不会不满意,但提供了会很满意;但随着时间迁移,该功能对于很多用户来说就变成期望型需求,即不提供会出现不满意的情况。
02 流程方法
通过问卷调查的方式来调研用户对产品功能的态度,构建Kano模型来判定不同功能所属的需求类别,从而判定不同产品功能的需求优先级。
分类
通过分类的结果指导实现方向,剔除“无差异需求、反向型需求”,保证“必备型需求、期望型需求”,挖掘“魅力型需求”。
1. 问卷设计
每一项需求都需要设计2道问题,2道问题为正反提问:提供时的满意程度、不提供时的满意程度。
满意程度被划分为5级(非常满意、满意、一般、不满意、很不满意)。
满意程度的文案可根据实际问题灵活修改,如使用(非常喜欢、理应如此、无所谓、勉强接受、很不喜欢或者 非常有用、挺实用、无所谓、不实用、很不实用)更加形象的描述。
每个人对选项的理解有所不同,因此有必要加上此部分的说明,尽可能确保调研对象对各个选项有共同的认知。
例如:「浏览器意外关闭后是否可以恢复上次浏览」的需求,设计的问题为:

问题1-1、若浏览器崩溃后重启可以恢复上次浏览,你的感受是?

A、非常喜欢 B、理应如此 C、无所谓 D、勉强接受 E、很不喜欢

问题1-2、若浏览器崩溃后重启不可以恢复上次浏览,你的感受是?

A、非常喜欢 B、理应如此 C、无所谓 D、勉强接受 E、很不喜欢

2. 开展调查
开展问卷调查前,先招募一定的目标用户,然后进行问卷发放和回收。问卷发放可通过纸质也可通过电子的形式,招募数和发放形式根据你所拥有的资源而定。
问卷中存在废卷的情况,因此招募的数量不能太少。
3. 整理数据
回收问卷后开始对数据进行整理,将无效问卷剔除,无效问卷可能会是:所有问题的答案都一致,大量题目未作答。剩下的就是有效问卷。
为了能够将需求区分为基本型需求、期望型需求和兴奋需求,需按照正向和负向问题的回答对属性进行分类。参照对照表,每份问卷的每个功能点都有了分类结果。
4. 结果分类
汇总所有用户的有效问卷,对所有用户对某功能点的分类结果比例进行统计,分别得出A(魅力型)、O(期望型)、M(必备型)、I(无差异型)、R(反向型)、Q(可疑结果)所占的比例,比例值最大对应的类别就是对应功能点的分类类别了。
分级
涉及到多个需求的排序分级时,还需明确不同类别和相同类别需求的优先级,可以更加直观看到分级结果以及对同类需求的优先级进行排序。
1. 计算Better-Worse系数
Better-worse 系数,表示某功能可以增加满意或者消除不喜欢的影响程度。
当某个点确定了X和Y坐标值,就能在四象限中定位一个点。每个需求点的Y坐标和X标分别对应Better系数和Worse值的绝对值。
Better:可以解读为增加后的满意系数。
Better的数值通常为正,代表如果产品提供某种功能或服务,用户满意度会提升。
正值越大/越接近 1,则表示用户满意度提升的效果会越强,满意度上升的越快。
Worse:可以叫做消除后的不满意系数。
Worse的数值通常为负,代表产品如果不提供某种功能或服务,用户的满意度会降低。
其负值越大/越接近 -1,则表示对用户不满意度的影响最大,满意度降低的影响效果越强,下降的越快。
因此,根据better-worse 系数,对两者系数绝对分值较高的项目应当优先实施。
计算公式分别是:

Better/SI=(A+O)/(A+O+M+I)

Worse/DSI = -1*(O+M)/(A+O+M+I)

2. 结果产出
某产品希望优化 5 项功能,但是不知道哪些是用户需要的。通过 KANO 调研分析,可以分别计算出 5 项功能的better-worse 系数。
根据 5 项功能的 better-worse 系数值,将散点图划分为四个象限,以确立需求优先级。
总的排序规则为:剔除无差异型需求,不同类别需求的优先级排序规则是“必备型 > 期望型 > 魅力型”,同类需求的优先级排序规则是Better值越高,优先级越高。
第一象限表示:better 系数值高,worse 系数绝对值也很高的情况。
落入这一象限的因素,称之为期望型因素(一维因素)。
功能 2 落入此象限,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。
第二象限表示:better 系数值高,worse 系数绝对值低的情况。
落入这一象限的因素,称之为兴奋型因素。
功能 1 落入此象限,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,用户满意度会有很大提升。
第三象限表示:better 系数值低,worse 系数绝对值也低的情况。
落入这一象限的因素,称之为无差异因素。
功能 3落入此象限,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。
第四象限表示:better 系数值低,worse 系数绝对值高的情况。
落入这一象限的因素,称之为必备型因素。
功能 4 落入此象限,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。
(0)

相关推荐