用户需求分析：如何分析产品功能的优先性？

“大家好，我是李启方!今天通过一道面试题给大家详细讲解一下KANO模型。”

【面试题】

某公司的A产品将于下个月进行版本更新，产品经理小B收集到了来自各方的产品功能更新需求。各方都将希望更新的功能描述得十分重要，然开发人员时间精力有限，必须选择从中选择某些功能进行更新。

那么，应该如何根据用户需求，科学地确定功能的优先性？

【分析思路】

日常业务中，由于开发产品资源有限，开发、设计、测试人手总是不够用，需求优先性问题十分常见。怎么才能捞出真正的用户需求，给真正重要的需求高优先级？这个不应该是拍脑袋想出来的，而应该由产品设计团队的分析师、产品经理，通过客观分析确定下来。

一般来说，有5种方式可以帮助进行产品优先级排序，分别是MoSCoW、KANO、Effort Impact Matrix、CD3和RICE。

今天跟大家分享其中的「KANO模型」。这是一个产品需求分析的经典模型，它可以进行系统地需求梳理，对需求进行分析和提炼，提高效率。

01

什么是KANO模型

KANO模型是东京理工大学教授狩野纪昭发明的对用户需求分类和优先排序的有用工具，以分析用户需求对用户满意的影响为基础，体现了产品性能和用户满意之间的非线性关系。

为了分析客户需求，KANO模型在两个轴上绘制了这些需求：

• 纵轴显示客户对产品及其功能的满意度。高满意度在轴的顶部，而极低的用户满意度在底部。

• 横轴表示产品性能，或满足这些期望的水平。高性能产品在右侧，而低性能产品位于左侧。

KANO模型对于想要回答以下关键问题的产品团队非常有用：

• 应该如何衡量客户满意度？

• 产品可以创建哪些功能来提高客户满意度？

• 产品当前的功能是否带来了很高的客户满意度？

• 应该如何增强产品的功能，以使客户满意度达到最佳水平？

通过关注这些问题并满足客户需求，产品团队可以确定他们的产品进入、保持和在目标市场中脱颖而出所需的条件。

02

KANO模型的优缺点

【优点】：

1. 节省时间和金钱：KANO模型可防止浪费与开发不吸引目标客户的功能相关的时间和资源。
2. 确定优先领域：KANO模型确定了当前产品功能的优先领域，需要立即关注以纠正性能不佳的问题。
3. 对最佳功能进行分组：KANO模型将您的功能创意优先于基于性能增强和客户满意度的清晰开发计划。
4. 提高客户满意度：KANO模型避免了对不会提高客户满意度的想法进行功能开发，以便您可以更快地取悦客户。

【缺点】：

1. 以定量为主：问卷提供的结果倾向于提供定量结果，无法探索数据背后的“原因”。因此，可能需要进一步的研究以深入研究结果。
2. 可能难以管理：管理调查的手动方法可能难以管理——它们需要时间并且难以比较。

03

KANO模型的需求分类

通过对需求满意度、具备度的二维分析，KANO将需求划分为必备型、期望型、兴奋型、无差异型、反向型五类，分别以英文字母M、O、A、I、R表示。

KANO模型描述了需求的具备程度和用户的满意度之间的关系。

• 必备型需求(M-必须有）：用户觉得理所应当的功能。需求满足时，用户不会感到满意。需求不满足时，用户会很不满意。这类是核心需求，是产品必做功能。

• 比如各类购物软件的在线支付包含主流的支付渠道。

• 期望型需求(O-应该有)：用户带有期待的功能。需求满足时，用户会感到很满意。需求不满足时，用户会很不满意。通常作为竞品之间比较的重点。

• 比如在线文档产品的免费分享和协作功能，石墨文档的免费分享功能没有后，就遭到很多使用者的诟病。

• 兴奋型需求(A-可以有)：用户意想不到的功能。超出用户预期，往往能带来较高的忠诚度。若不提供此需求，用户满意度不会降低；若提供此需求，用户满意度会有很大的提升。

• 比如微信的「拍一拍」功能，极大增加了社交的趣味性，也比如美团外卖的「提醒点主食」功能。

• 无差异型需求(I-可以没有)：用户根本不在意的需求。需求被满足或未被满足，都不会对用户的满意度造成影响。

• 比如有些软件获取的徽章可以随重力在移动，这种功能就比较鸡肋。
  

• 反向型需求(R-根本没有)：该需求与用户的满意度呈反向相关，提供此需求后用户满意度反而下降。

• 比如各种视频网站、各类App的广告功能，广告越长，用户更厌烦。

这五类需求的优先级排序为：必备型需求>期望型需求>兴奋型需求>无差异需求>反向型需求。产品团队应该全力以赴满足必备型需求，尽力满足期望型需求，争取满足兴奋型需求，尽量避免无差异和反向型需求。

04

实操解决面试题

KANO模型分析主要是通过标准化问卷进行调研，根据调研结果对各因素属性归类，解决需求属性的定位问题，以提高用户满意度。

模型的使用有三步：

• 第一步：明确调研的目的，并围绕目的设计问卷。
  
• 第二步：处理数据，包括剔除无效问卷与把数据进行归类。
  

• 第三步：分析结果可视化，并得出分析结论。
  

下面拿上文提及的面试题来讲解如何使用KANO模型，本次分析实战工具为BI工具FineBI，免费激活码已附在文末，需要自取。

1、明确调研目的，设计调研问卷。

小B调研的目的是给本次需要更新的产品功能需求进行优先级排序，以给真正重要的需求高优先级。

问卷调查表划分维度有两个：提供时的满意程度、不提供时的满意程度。

因为人的满意度是渐变的，因此满意程度需要被划分为5级，非常满意、满意、一般、不满意、很不满意）。在实际调研中，满意程度的文案可以根据问题进行灵活修改，可以使用“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”。

小B设计的问卷如下所示。

2、处理数据

调研后对剔除无效问卷，本案例清洗后的数据已附在文末，需要的朋友可以到文末下载。

（1）数据准备：

FineBI中的「分析主题」是进行数据分析的容器，所有的分析都是在分析主题中进行，具体的数据分析流程如下图所示：

小B创建分析主题「KANO分析」，添加「KANO原始数据」并点击「字段设置」勾选所有字段，然后新增公式列列「合并态度」，将「增加功能态度」与「不增加功能态度」进行合并，如下图所示：

（2）把问卷数据进行分类整理：

每个功能点都可参照以下表格进行对照。

然后在分析表中定位判断，新增公式列类型，使用switch函数，如下图所示：

具体公式：

SWITCH(合并态度,"非常喜欢非常喜欢","Q","非常喜欢理应如此","A","非常喜欢无所谓","A","非常喜欢勉强接受","A","非常喜欢很不喜欢","O","理应如此非常喜欢","R","理应如此理应如此","I","理应如此无所谓","I","理应如此勉强接受","I","理应如此很不喜欢","M","无所谓非常喜欢","R","无所谓理应如此","I","无所谓无所谓","I","无所谓勉强接受","I","无所谓很不喜欢","M","勉强接受非常喜欢","R","勉强接受理应如此","I","勉强接受无所谓","I","勉强接受勉强接受","I","勉强接受很不喜欢","M","很不喜欢非常喜欢","R","很不喜欢理应如此","R","很不喜欢无所谓","R","很不喜欢勉强接受","R","很不喜欢很不喜欢","Q")

（3）进行数据汇总

由于可能存在用户跳题的情况，这一步的目的是计算每个需求类型占参与调研人数的比例。

先添加「分组汇总」，得到每个功能它们各种需求类型的人数。然后新增列「参与调研人数」，选择「组内所有值」，求出参与每个功能调研的人数。最后计算占比，求得每个需求类型占参与调研人数的比例。

3、分析结果可视化，并得出分析结论

通过FineBI的仪表板，可以将数据进行可视化组件呈现，其中内置了几十种分析图表，可以满足绝大部分的可视化分析需求。小B新建仪表盘。

（1）字段处理：

复制 1个「占比」字段，对复制的「占比」字段进行明细过滤，过滤条件为：类型属于A,并将其重命名为「A 占比」。同理再复制4个「占比」字段，并对其进行明细过滤，对其重命名。如下图所示：

（2）对多个需求进行排序分级：

使用 better-worse 系数，根据公式，新建计算字段「better」「worse绝对值」如下图所示：

• better-增加某功能后提升的满意系数： better=（A占比+O占比）/(A占比+O占比+M占比+I占比) ，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-不增加某功能用户的不满意系数： worse=-1*（O占比+M占比）/(A占比+O占比+M占比+I占比) ，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。

向右滑动查看更多

（3）制作图表：

选择「散点图」，拖入「better」、「worse绝对值」字段。并将「功能」字段拖入图形属性的标签栏和颜色栏。分别添加「横向警戒线」和「纵向警戒线」，分别为 better平均值 和 worse平均值 。如下图所示：

（4）得出分析结论：

最终，小B做出了如下better-worse四象限分布图，并将将做好的仪表板分享给了同事，决定此次功能更新增加「功能2、功能3、功能5、功能8」。有了数据支撑，大家都很认同他的决定，罕见的没有出现以往为增加哪个功能而争得不可开交的局面，提升了效率。

以上就是KANO分析的全部过程，在实际工作场景中，情况更加多变，因此需理解此模型分析逻辑，灵活变通。

在本公众号后台回复关键词“KANO”即可获取本文数据。

文末点击“阅读全文”即可领取文中工具 FineBI 的永久免费激活码！