KANO模型，一个能解决你工作中90%烦恼的需求分析神器

只要你在企业工作，你多少会碰到以下几种情况

产品经理：用户一直强烈要求加上他们想要的功能，根本不知道先解决哪个？

研发兄弟：产品经理提出一大堆需求，我就算天天007也做不完！

用户：我要的根本不是这个功能！产品经理是用屁股在思考吧，会改成这样？？

其实在实际工作中，出现这几种情况是太正常不过的事

每个用户都会有自己的个性化需求，所以会想加很多功能

但这些需求中，80%都是伪需求，只有剩下的20%才是真需求

况且研发的资源和人力是有限的，不能什么需求都做

所以产品经理就需要从这些需求中分辨出哪些是真需求，哪些是伪需求

那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？

今天要介绍的KANO模型分析法就是用来解决此类问题的

它可以对用户需求进行系统分类和优先排序，将需求分成4种需求类型

它们的优先级排序为：必备型需求>期望型需求>兴奋型需求>无差异需求

必备型需求（一定要有）：俗称痛点。对于用户，是核心需求，也是产品必做功能。如果没有，用户满意度则会大幅度降低。
期望型需求（应该要有）：提供此需求，用户满意度会提升；不提供此需求，用户满意度会降低。通常作为竞品之间比较的重点。
兴奋型需求（可有可无）：惊喜型产品功能，超出用户预期，能带来即时的新鲜感。但如果不提供，也不会降低用户满意度。
无差异需求（尽量不做）：用户根本不在意，对用户体验毫无影响。规避做此类型功能。
简单介绍完KANO模型的四个分类后，我们来举个例子，来加深对KANO模型的理解。

KANO分析实战
某互联网公司的A产品将于下个月更新，产品经理小B收集到了无数产品功能更新需求，为了确定哪些功能是真需求，小B决定通过KANO模型进行需求分析。

本次分析实战工具为BI工具FineBI数据分析工具。

1、设计调研问卷
在做KANO分析前，需要进行用户调研。通常采用矩阵量表的形式让用户对功能进行评价，评价分为五个程度“我很喜欢”、“它理应如此”、“无所谓”、“勉强接受”、“我很不喜欢”。

调研后需要对数据进行清洗，本案例清洗后的数据我放在文末了，需要的自取。

2、处理数据
（1）将清洗好的数据上传至FineBI。添加自助数据集并勾选「KANO原始数据」的所有字段

（2）新增列「合并态度」，将「增加功能态度」与「不增加功能态度」进行合并

按照用户对「增加功能态度」与「不增加功能态度」，最终我们可以通过下表定位某功能对于用户来说是什么需求。

（3）上一步骤我们已经知道如何定位需求类型，接下来要做的就是在分析表中定位判断

（4）添加「分组汇总」，得到每个功能它们各种需求类型的人数

例如参与调研的人数中，认为「功能1」是无差异需求的人数有 48 人

（5）因为调研过程中有些用户会跳题，所以参与每个功能调研的人数有所不同。新增列「参与调研人数」，选择「组内所有值」，如下图所示，求出参与每个功能调研的人数。

3.分析结果可视化
小B进入仪表板中，新建组件选择刚刚处理过的自助数据集。

（1）复制 5 个「占比」字段

（2）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」。

（3）使用 better-worse 系数

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。
根据以上灰字中的better、worse 的公式，新建计算字段「better」「worse绝对值」

（4）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。

（5）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。

4.分析结果展示
最终，小B做出了如下better-worse四象限分布图，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。

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KANO模型分析逻辑，提高工作效率。

原始数据及工具获取方式：评论+私信回复KANO