Using the Kano Model

现在我们已经对Kano模型的工作原理有了基本的了解，是时候就真实场景感受一下了。

产品经理和用户体验设计师的目标是确定哪些功能可以让用户更满意，并利用这些信息对产品功能需求进行排序。为了达到目的，还需要考虑一些重要的细节。

本节凝聚了多位研究学者在卡诺模型实践中得出的经验和总结的教训，包括每一步过程：

·选择功能和适合的用户；

·获取(尽可能有效的)用户数据；

·分析数据。

Step 1: Choose your target features and users

首先要考虑的是分析范围——包括功能和用户。

Choosing features

所要选择研究的功能应是那些用户能从中受益的功能。在备选池可能包含各种不同类型的功能诉求，比如技术负债清理、销售或营销团队报告系统、设计更新等。但这些都不在Kano分析的范围之内。

Kano模型研究的是用户对可感知、可操作功能的满意度，可产品的功能远不于此。如果是要获取能拒绝管理层等内部干系人某些诉求的支撑数据，使用Kano模型是危险的，它会让你的团队，用户和你自己产生混乱。

此外，还要限制问卷中包含的功能数量，特别是有志愿参与用户的情况。这样可以提高用户的参与度和专注度。

Selecting customers

在选择用户（或潜在用户）参与研究时，一定要考虑用户所属的人口统计学特征、社会群组或角色。否则最后得到的数据很可能是散布整张地图。

用户/潜在用户群可能不是同质的，他们对功能的感受也不相同。但如果考虑到他们所属的某些分组，就可以显著减少分析中的噪音。

Jan Moorman在向潜在用户介绍新产品功能时，意识到了这一点的重要性。该产品的核心功能已经存在，而且（据推测）是因竞争对手的产品而广为人知。 尽管如此，仍有一部分用户认为它是魅力型，而另一部分用户则认为它是必须型。 然后她得出结论，这些不同的反应是由于用户对市场的敏锐度。 当她按用户的个人资料对他们的回答进行细分时，每个功能的结果就更加清晰了。

虽然有各种细分可能性，但必须得选择对产品有意义的细分。 假设你正致力于B2B SaaS。 正在考虑添加一个允许用户将发票与采购订单相关联的功能，那这功能对小型企业和大企业客户的吸引力就有很大不同。

无论是在选择要研究的用户（因为你了解功能的目标），还是之后的分析所得的数据，都要记住这一点。

Step 2: Getting the (best possible) data from your customers

调查问卷及其显示方式是Kano研究的唯一输入。 因此，要确保此步骤的有效性。

Write clear questions

尽可能清晰、简洁的问题设计问卷的关键。每个问题都应该只代表单一功能。如果功能很复杂，而且包含多个步骤和子流程，那就需要进行拆分。

问题应该以用户利益相关的角度进行表述，而不是产品作用的角度。 例如，“如果您可以选择自动改善照片，您觉得怎么样？” 就好于“如果您拥有MagicFix™，您觉得怎么样？”。

同时要注意问题对的极性措词。 就是说，功能缺失问题并不一定是功能具备问题的对立面，它只是缺少功能而已。 来围观这个视频编辑app的示例，该示例考虑优化其导出速度：

功能具备问题：“如果导出任何视频的时间都在10秒以内，您觉得怎么样？”

错误的功能缺失问题：“如果导出任何视频的时间都超过10秒，您觉得怎么样？”

更合适的功能缺失问题：“如果导出某些视频的时间超过10秒，您觉得怎么样？”

Better than writing about features is to show them

尽可能直接给用户演示功能然后问她具备或不具备功能时的看法，这样比表述清楚的问题效果更好。

可以用文字描述功能优势，再用原型和交互式线框或模型来代替文本问题。 通过视觉和动态的“解释”，用户可以更清楚地了解这些功能和提问。

如果你以这种形式提出问题，那就应在用户与功能原型互动之后立即询问用户对标准备选答案的选择。 就像之前文字描述版问题一样。 这样用户就能始终保持清晰的记忆，不至于把这个功能与同一调查中的其他功能混淆。

Be mindful of the answers’ phrasing and understanding

有些人对Kano问卷中标准答案的顺序感到困惑。通常，他们不明白为什么“我喜欢那样”出现在“必须是那样”之前，而那样似乎是一种更为温和的说法。

以这种方式呈现答案的逻辑是，它们从高兴的程度一路啪啪啪降到避免不高兴的程度。还有一些可参考的替代措词，例如：

我喜欢那样

这是基本必需品，或者我希望这样

我是中立的

我不喜欢它，但可以容受

我不喜欢它，不能接受

或是这种，由Robert Blauth的团队撰写的：

这对我很有帮助

这是我的基本要求

这对我没影响

这有点麻烦

对我来说这是个严重的问题

实际上，我认为本指南开头介绍的选项列表在清晰性和简洁性之间达到了最佳平衡。

要点是我们要注意如何解释这些选项，且确保受访者理解调查问卷的目的也很重要。 选择最匹配的答案选项集，并事先向参与者解释说明各选项，这样可以有更好的结果。

Ask the customer about the feature’s importance

多个团队提出对Kano方法学的一个重要补充，是在功能具备/功能缺失组合之后加入另一个问题。这个问题询问用户这个功能对他们的重要程度。

获得这条信息对于区分彼此的功能、了解与用户最相关的功能非常有用。 它提供了一种区分大型功能与小型功能区的工具，以及它们是如何影响用户对产品的决策。

自述的重要性问题可以以下列形式提出：“它有多重要，如果：<条件>？”. 例如，“它有多重要，如果：导出视频所需时间总是不到10秒？”。

答案的范围应从1到9，从“完全不重要”到“极其重要”。

Test your questionnaire

如果可能的话，在将问卷传给用户之前，先与团队成员测试这个问卷。如果内部对问卷有任何困惑，那与外部人士探讨时肯定也存在。

Step 3: Analyze the Results

现在正式进入激动人心的快车道(我编的🙄️)。 在对收集的结果进行制表和处理后，就能够对功能进行分类，并深入了解确定功能优先级排序的最佳方法。

分析可以分为离散分析和连续分析。 这些术语只是我想出的，因为这些方法缺乏任何标准（或更好）的术语。 二者都是对数学概念的引用，并且与它们如何将参与者的结果与Kano的分类进行映射有关。

每种方法都很有用，具体取决于你需要的类型。

Discrete Analysis离散分析

我们处理Kano结果的最简单方法是：

根据所属的人口统计属性/角色标准来划分受访者；

使用评估表对每个受访者的答案进行分类；

统计每个功能（和人口统计属性）在每个分类的所有回答的数量；

功能的类别将是出现频次最高的回答（即模式）；

如果各类别之间的结果接近，则使用以下规则(最左赢)：必须型>期望型>魅力型>无差异型；

如果已要求受访者提供自述的重要性排名（并且应该这样做），请对每个功能取平均值。

最后你将得到这样一张表：

如果出现多个结果而没有一个明确的分类，则可能有隐藏的用户资料没有考虑到。 这种情况下，就要回到用户问卷中去寻找线索；尝试检查哪些用户的答案经常与其他用户的答案相同，从而找出可能没被发现的“人口统计集群”。

从结果表中，可以根据功能的重要性对其进行排序。此后，在确定优先级时使用的一般经验法则是：首当其冲所有的必须型功能，然后添加尽可能多的期望性功能，最后来一丢丢魅力型功能。

这种分析类型非常有助于获得初步了解，在许多不需要更严格方法（如测试设计思想或草拟路线图）的情况下非常有用。

Continuous Analysis连续分析

尽管离散分析可以很好地帮助我们入门并对结果有全面了解，但是它仍然存在一些问题。 即：

·在此过程中丢失了很多信息。 首先，从每位受访者的25个答案组合转变为六个Kano分类中的一个。 其次，所有受访者的答案进一步简化为每个功能的单一分类；

·对数据中存在的差异一无所知；

·赋予温和答案与强烈答案一样的权重。 只需想想对于魅力型功能，在功能缺失维度“应该如此”与“勉强忍受”的差别就能领会。

接下来的几节介绍的是Bill DuMouchel 提出的一种很不错的连续分析方法。 不用担心这些计算；本指南随附的电子表格已经完成了这些工作（拉到底部点击原文获取数据）。 目前仅专注于理解每个步骤。

Scoring Answers

首先，将每个答案选项转换为满意度量表范围内的对应数值，从-2到4。数值越大，答案就越能反映客户对该功能的想要程度。重要性也从1分到9分，和之前一样。

 功能具备：-2(不喜欢), -1(忍受), 0(无所谓), 2(必须), 4(喜欢)；

功能缺失：-2(喜欢), -1(必须), 0(无所谓), 2(忍受), 4(不喜欢)；    

重要性：1(完全不重要),…,9(极其重要)

你可能会认为功能缺失量值似乎是反向的。 NO。 分数（正）越高，表示满意度潜力越大。 对于功能缺失的答案，不喜欢某些功能意味着强烈反对该功能的缺失。 所以如果将其包括在内，则将有更高满意度的潜力，这就是为什么它具有更高的分数。

这种不对称比例（从-2开始而不是-4）是因为，从负向的答案中得出的分类（反向型和可疑型）比从正向的答案中获得的分类（必须型和期望型）更弱。 因此DuMouchel决定强化正向值。

这些分数将功能在一个二维平面内进行分类，就不再需要标准评估表。

分析的重点应放在正象限上，这个象限是最强烈的正面情绪回答。 除此之外表格中还有其他较弱的答案以及“可疑型”和“反向型”分类。 如果某个功能是“反向型”，可以利用之前介绍的技巧将其定位为对应的逆向分类，将分数分别调整为“功能具备”和“功能缺失”问题对调后的数值，这样一来就了有新的分类，biu！再去掉“反向型”分类。

A sidenote: Satisfaction and Dissatisfaction coefficients

在翻阅各种Kano资料时，经常会看到有关满意度和不满意度系数的引用。本节介绍的DuMouchel连续分析方法有更好的替代方法。 但考虑到它们被引用的频率，先得简单做个概述。

Mike Timko使用“Better”和“Worse”系数来反映用户对某个功能具备/缺失的满意或不满意变化。 但他并没在原稿中将其命名为“满意系数”和“不满意系数”，只是约定俗成的叫法。 先统计给定功能在每个分类中的答案总数，再套用以下公式进行计算：

尽管它们确实产生了可用于相对比较的数值结果，但这些系数是有些问题的，Timko本人在他的文章中也提到了这些问题。最主要的是，它面临着和离散分析相同的问题：这些数值是建立在对所有受访者答案的合并简化得出的某一Kano分类基础之上。 这类信息的丢失会导致数据的不稳定性增加，以及对所有答案赋予相等权重而忽视其原有强烈/较弱的情绪。

使用DuMuchel的连续分析方法计算出的功能具备和功能缺失评分也能达到同样的目的，且没有该类问题，这也是重点关注它的原因。

Categorizing Features

如果对每个可能的答案都标有数值，那就意味着可以使用平均数。以下是我们需要为每个功能进行的计算：

1、所有功能具备、功能缺失和重要性答案的平均分值；

2、功能具备、功能缺失和重要性评分的标准差。

根据每个功能的功能具备和功能缺失的平均分值，可以将它们放在二维分类平面上，如下图所示：

当然目前讨论的是平均分值，但它们隐藏了数据中可能存在的巨大差异。这也是为什么将标准差以误差线的形式添加到图形中，这样可以从图中了解这个分类是符合还是偏离目标。如下图所示：

最后一步是添加重要性分数。可以通过将散点图中的点转换成气泡来可视化这一维度，气泡的大小与其重要性成比例。这样就能很容易地比较具有相似定位的功能需求。

之前关于离散分析给出的一般优先级规则在这里仍然适用：必须型>期望型>魅力型>无差异型。这可以很好地转化为图形术语：

对于小功能集，另一种（可能更好的）可视化方法是通过堆栈排名列表。 表格分三列（从高分到低分）对功能进行排名：潜在不满意度，潜在满意度和重要性。 在这个案例中，前两列分别是功能缺失评分和功能具备评分。 如下图所示：

注意最后两行。 在那种情况下你会怎么做？ 一个是对不满意有更大影响的无差异型功能（但其实非常接近必须型）。 另一个是能明显提高满意度并且用户认为很重要的功能。 在某些情况下我们需要优先考虑其中一个。 由此可见仅遵循一些排序并不能解决实际中的所有难题；很多情况下我们仍然需要做出艰难的选择，进行实验，测量和迭代。