历史版本3 :需求分析方法-KANO模型 返回文档
编辑时间: 内容长度:图片数:目录数: 修改原因:

目录:

1. 概述编辑

1.1 背景

李雷同学作为一个产品,经常会遇到非常多的产品需求, 开发同学忙的不可开交, 用户又似乎什么都想要。开发产品资源有限,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?

李雷认为不能光靠自己 YY 优先级顺序,决定引进「KANO模型」,进行系统的需求梳理,对需求进行分析和提炼,提高效率。

1.2 分析结果

李雷对约 100 个用户进行了调研,使用 KANO 模型绘制出四象限图,如下图所示:

10.png

四个象限对应了四种需求类型,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(必须有):即常说的痛点。对于用户而言,这些需求是必须满足的,理所当然的。当不提供此需求,用户满意度会大幅降低。这类是核心需求,也是产品必做功能。

  • 期望型需求(应该有):当提供此需求,用户满意度会提升;当不提供此需求,用户满意度会降低。通常作为竞品之间比较的重点。

  • 兴奋型需求(可以有):惊喜型产品功能,超出用户预期,往往能带来较高的忠诚度。不提供也不会降低用户满意度。

  • 无差异需求(可以没有):用户根本不在意的需求,对用户体验毫无影响。尽量规避做此类型功能。

李雷将自己做好的仪表板分享给了同事,并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。

1.3 获取仪表板

点击查看仪表板:KANO 模板 ,用户可以另存该仪表板后,查看学习仪表板内的详细操作。

2. 实现方式编辑

2.1 调研问卷设计

KANO 问卷中每个功能都要有正向和反向两个问题,例如:

12.png

调研后对数据进行清洗,本案例清洗后的数据下载:KANO原始数据.xlsx

2.2 处理数据

将「KANO原始数据」上传至 FineBI。添加自助数据集并勾选「KANO原始数据」的所有字段,如下图所示:

13.png

2)新增列「合并态度」,将「增加功能的态度」与「不增加功能的态度」进行合并,如下图所示:

14.png

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。

M:基本(必备)型需求;O:期望(意愿)型需求;A:兴奋(魅力)型需求

I:无差异型需求;R:反向(逆向)型需求;Q:可疑结果

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,添加类型列,如下图所示:

101.png

由于公式很长,用户可以直接复制下面到公式列,并用自己的字段替代「合并态度」:

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","Q","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")

效果如下图所示:

4)添加「分组汇总」,得到每个功能它们各种需求类型的人数,如下图所示:

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。

103.png

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。

104.png

6)计算占比,求得每个需求类型占参与调研人数的比例。

例如「功能1」的 「I 类型人数」占参与「功能1」调研人数的占比为 0.48。如下图所示:

105.png

2.3 制作组件

1)复制 5 个「占比」字段,如下图所示:

15.png

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」。如下图所示:

106.png

同理对其他复制的「占比」字段进行明细过滤,分别过滤类型,并对其重命名,如下图所示:

107.png

3)使用 better-worse 系数,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。

根据以上 better、worse 的公式,新建计算字段「better」「worse绝对值」,如下图所示:

109.png

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。如下图所示:

110.png

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 。如下图所示:

111.png


2.4 效果展示

如 1.2 节所示。