案例分析——詳解KANO模型

今天阿G將會通過王者榮耀這個實際例子既琴,和大家聊聊如何運用KANO模型占婉。

什么是KANO模型?在什么場景下使用甫恩?如何使用逆济?

一、定義

KANO模型磺箕,又稱為狩野模型奖慌,是東京理工大學(xué)教授狩野紀昭(Noriaki Kano)針對用戶需求分類優(yōu)先級排序發(fā)明的工具,體現(xiàn)產(chǎn)品功能和用戶滿意度之間的非線性關(guān)系松靡。

而由此衍生出來的KANO模型分析方法简僧,是狩野紀昭教授基于KANO模型對用戶需求的分析原理,開發(fā)的一套結(jié)構(gòu)型問卷和分析方法雕欺。

主要是通過標準化問卷調(diào)研的調(diào)研結(jié)果對各因素屬性做歸類岛马,解決產(chǎn)品功能的優(yōu)先級排序問題棉姐,以提高用戶滿意度。

二啦逆、適用場景

  • 確認需求是否存在

  • 評估需求優(yōu)先級

  • 減少無用功

  • 打造爆款的傳播要素(病毒性K值的設(shè)計)

三伞矩、使用好處

  • 適用場景豐富

  • 有效的量化模型

四、分類

根據(jù)不同類型的用戶需求與用戶滿意度之間的關(guān)系夏志,狩野教授將產(chǎn)品需求屬性分為5大類:

  • 必備屬性

    產(chǎn)品提供此類型需求乃坤,用戶滿意度不會提升

    產(chǎn)品不提供此類型需求,用戶滿意度會大幅下降

  • 期望屬性

    產(chǎn)品提供此類型需求盲镶,用戶滿意度會提升

    產(chǎn)品不提供此類型需求侥袜,用戶滿意度會下降

  • 魅力屬性(用戶意想不到的需求)

    產(chǎn)品提供此類型需求,用戶滿意度會大幅提升

    產(chǎn)品不提供此類型需求溉贿,用戶滿意度不會下降

  • 反向?qū)傩裕ㄓ脩?strong>不需要的需求)

    產(chǎn)品提供此類型需求枫吧,用戶滿意度會大幅下降

  • 無差異屬性(用戶不會在意的需求)

    無論產(chǎn)品是否提供此類型需求,用戶滿意度都不會有所改變

以騰訊的《王者榮耀》舉例說明宇色。

玩家可以正常進入游戲就屬于必備屬性九杂,試想一下,如果連游戲都進不去宣蠕,還何談滿意度呢例隆?

相比于Dota、LOL需要回城才能買裝備的限制抢蚀,玩家在王者峽谷每一處都可以隨時購買裝備镀层,同時英雄技能施放又極其簡單,最大限度避開了手機對于MOBA(多人在線對戰(zhàn))游戲的限制皿曲。

一般而言唱逢,能引起玩家強烈情感共鳴的設(shè)計就是魅力屬性,例如那句經(jīng)典的“猥瑣發(fā)育屋休,別浪坞古!”真的是在很多時候都能表達玩家深深的無奈。

王者榮耀的反向?qū)傩云鋵嵰脖容^明顯劫樟,每次登錄游戲都會有好多活動彈窗痪枫,關(guān)了一個又一個,沒完沒了叠艳。

最后一個無差異屬性奶陈,王者榮耀每過一段時間都會提醒付費用戶充值來維持貴族等級,這類設(shè)計純粹是為了引導(dǎo)消費附较,所以屬于無差異屬性吃粒。

五、需求開發(fā)原則

當幾種類型的需求都在需求池里面翅睛,我們應(yīng)該遵循以下原則進行開發(fā)排期:

  • 必備屬性:留足資源声搁,最優(yōu)先滿足

  • 期望屬性:排在必備之后黑竞,先做性價比更高的

  • 魅力屬性:盡力挖掘,先做成本低的

  • 反向?qū)傩裕罕苊庾龊蜕虡I(yè)模式無關(guān)的疏旨,同時要權(quán)衡多方利益

  • 無差異屬性:不做

要特別注意2點

1. 我們說一個需求屬于某種屬性很魂,是指針對某一類特定用戶

例如在王者榮耀中,無限制地向所有用戶推送廣告活動檐涝,對于玩家來說就是反向?qū)傩缘男枨蠖舸遥鴮τ趶V告主(例如虎牙等直播平臺)就是必備屬性。

2. 需求屬于哪個屬性谁榜,是有時效性的

例如在智能手機還沒普及的年代幅聘,能在手機上播放視頻就是一個魅力屬性。而現(xiàn)在窃植,能在手機上播放3D電影才是帝蒿。所以當我們說一個需求屬于「無差異需求」時,應(yīng)該說的是「現(xiàn)階段」不做巷怜。

六葛超、使用步驟

1. 準備分析

深入地了解業(yè)務(wù)、了解用戶延塑,從用戶角度認識產(chǎn)品或服務(wù)當前哪些地方需要改進绣张。

2. 問卷調(diào)查

在設(shè)計問卷時,盡量的清晰易懂关带、語言盡量簡單具體侥涵,避免產(chǎn)生歧義。同時宋雏,可以在問卷中加入簡短且明顯的提示或說明芜飘,方便用戶順利填答。(問卷設(shè)計也是一門學(xué)問好芭,下次再單獨寫一篇文章講講)

問卷劃分為2個維度:提供時的滿意程度燃箭、不提供時的滿意程度冲呢。

滿意程度一般分為5個舍败,因為人的滿意程度往往是漸變,而非突變的敬拓。其程度的描述可隨制定者修改邻薯,如「很喜歡、還不錯/還可以乘凸、無所謂/理應(yīng)如此厕诡、勉強接受/湊活、很不喜歡」等等营勤。

問卷的形式也比較靈活灵嫌,常用表格(打鉤即可)或者選擇題壹罚。

如果王者榮耀上線同城對戰(zhàn)模式,你的評價是寿羞?

A. 我很喜歡 B. 理應(yīng)如此 C. 無所謂 D. 勉強接受 E. 我不喜歡

如果王者榮耀沒有同城對戰(zhàn)模式猖凛,你的評價是?

A. 我很喜歡 B. 理應(yīng)如此 C. 無所謂 D. 勉強接受 E. 我不喜歡

3. 二維屬性分類

在整理問卷調(diào)查結(jié)果時绪穆,可以清洗掉個別明顯胡亂回答的問卷辨泳,例如全部問題都選滿意度高或滿意度低的。再根據(jù)官方的評價結(jié)果分類對照表將需求進行分類玖院。

注意菠红,按照概念,反向?qū)傩詰?yīng)該是提供程度和用戶滿意度成反比难菌,也就是說產(chǎn)品提供了用戶就不滿意试溯,所以上表只有左下角是明確的「反向?qū)傩浴梗袔讉€反向?qū)傩钥梢钥紤]轉(zhuǎn)為「可疑結(jié)果」郊酒。

因為滿意程度本身就很難衡量耍共,所以在實際工作中,不應(yīng)該盲目地套用方法論或模型猎塞,應(yīng)該根據(jù)自己的產(chǎn)品试读、公司、地域荠耽、用戶群等等因素做調(diào)整钩骇。

我之前做SCRM時,目標用戶是自家的銷售铝量,做完詳細的用戶調(diào)研和業(yè)務(wù)調(diào)研之后倘屹,我把上面的表整理為

可以看到改動挺大的,但我覺得適合自己的才是最重要的慢叨。當然前提是得深入了解用戶和業(yè)務(wù)情況纽匙。

  1. 量化結(jié)果

在實際工作中,我們會調(diào)研很多個用戶拍谐,對于同一個問題烛缔,會產(chǎn)生無數(shù)個答案。此時就可以根據(jù)下面這個原則來確定轩拨,需求到底屬于哪個屬性践瓷。

計算不同屬性的比例之和,總數(shù)值最高的就是這個需求的屬性亡蓉。

假如我們調(diào)研王者榮耀的“同城對戰(zhàn)模式”晕翠,回收了100份有效問卷,數(shù)值分布如下

必備屬性(M):17砍濒,17.00%

期望屬性(O):3淋肾,3.00%

魅力屬性(A):10硫麻,10.00%

無差異屬性(I):26,26.00%

反向?qū)傩裕≧):36樊卓,36.00%

可疑結(jié)果(Q):8庶香,8.00%

由以上結(jié)果可得,回收的這100份有效問卷简识,大部分人認為“同城對戰(zhàn)模式”是一個反向?qū)傩缘墓δ芨弦矗€有很大一部分人認為,這是一個具有無差異屬性的功能七扰,所以這個功能現(xiàn)在不應(yīng)該做奢赂。

這時候你可能會問,如果有幾個屬性的數(shù)值很接近甚至相同颈走,怎么辦膳灶?

出現(xiàn)這種情況,一般而言我們需要再擴大調(diào)研的用戶數(shù)量級立由,比如說剛才是100人轧钓,我們可以再調(diào)研500人,把兩次結(jié)果相加起來做運算锐膜。

七毕箍、Better-Worse系數(shù)

我們還可以再借助一個工具:Better-Worse系數(shù),看此需求對增加滿意度或降低滿意度的影響程度道盏。

Better:增加某功能的體驗改善程度而柑,數(shù)值通常是正的,越大表示完成需求對提升用戶滿意度的效果越顯著荷逞。

公式為:SI = (A+O)/(A+O+M+I)

即 SI = (魅力屬性+期望屬性)/(魅力屬性+期望屬性+必備屬性+無差異屬性)

Worse:去掉某功能的體驗改善程度媒咳,數(shù)值通常是負的,絕對值越大表示完成需求對降低用戶滿意度的效果越顯著种远。

公式為:DSI = -1*(M+O)/(A+O+M+I)

即 DSI = -1*(必備屬性+期望屬性)/(魅力屬性+期望屬性+必備屬性+無差異屬性)

將第六點回收的100份有效問卷結(jié)果代入公式涩澡,可得

SI = (10+3)/(10+3+17+26) ≈ 23.21%

DSI = -1*(17+3)/(10+3+17+26)≈ -35.71%

結(jié)論也和上面的一致,這是一個具有無差異屬性的功能坠敷,所以這個功能現(xiàn)在不應(yīng)該做妙同。

這個工具更多的用途是在:同時對多個需求進行優(yōu)先級排序。

例如王者榮耀現(xiàn)在想做5個功能:功能1-5

步驟1:通過問卷調(diào)研和Better-Worse系數(shù)的計算常拓,得出一下幾個數(shù)值

步驟2:用SI平均值和DSI平均值的絕對值作為坐標原點渐溶,橫****軸是Worse(DSI)的絕對值辉浦,縱軸是Better(SI)弄抬,繪制以下二維坐標

第一象限Better值高、Worse絕對值也高宪郊,表示提供此類型功能時掂恕,用戶滿意度會提升拖陆。因此落在這個象限的需求都是期望屬性。

第二象限Better值高懊亡、Worse絕對值低依啰,表示提供此類型功能時,用戶滿意度會大幅提升店枣。因此落在這個象限的需求都是魅力屬性速警。

第三象限Better值低、Worse絕對值也低鸯两,表示提不提供有沒有此類型功能闷旧,用戶滿意度都不會有太大變化,因此落在這個象限的需求都是無差異屬性钧唐。

第四象限Better低忙灼,Worse絕對值高,表示不提供此類型功能時钝侠,用戶滿意度會大幅下降该园,因此落在這個象限的需求都是必備屬性。

通過上面幾個步驟帅韧,我們可以知道上面5個功能的屬性和開發(fā)原則:

  1. 功能1里初、功能2屬于無差異屬性

  2. 功能3、功能5屬于魅力屬性

  3. 功能4屬于必備屬性

所以功能1-5的優(yōu)先級排序結(jié)論就是:先做功能4忽舟,在功能3和功能5中選擇成本低的做青瀑,功能1和功能2現(xiàn)階段不做。

至此關(guān)于KANO模型萧诫,阿G也和大家聊得差不多了斥难。

如果你有什么好的想法或者不同的看法,歡迎隨時到公眾號「阿G聊產(chǎn)品」一起討論帘饶,學(xué)習(xí)哑诊。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市及刻,隨后出現(xiàn)的幾起案子镀裤,更是在濱河造成了極大的恐慌,老刑警劉巖缴饭,帶你破解...
    沈念sama閱讀 218,284評論 6 506
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件暑劝,死亡現(xiàn)場離奇詭異,居然都是意外死亡颗搂,警方通過查閱死者的電腦和手機担猛,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,115評論 3 395
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人傅联,你說我怎么就攤上這事先改。” “怎么了蒸走?”我有些...
    開封第一講書人閱讀 164,614評論 0 354
  • 文/不壞的土叔 我叫張陵仇奶,是天一觀的道長。 經(jīng)常有香客問我比驻,道長该溯,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 58,671評論 1 293
  • 正文 為了忘掉前任别惦,我火速辦了婚禮朗伶,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘步咪。我一直安慰自己论皆,他們只是感情好,可當我...
    茶點故事閱讀 67,699評論 6 392
  • 文/花漫 我一把揭開白布猾漫。 她就那樣靜靜地躺著点晴,像睡著了一般。 火紅的嫁衣襯著肌膚如雪悯周。 梳的紋絲不亂的頭發(fā)上粒督,一...
    開封第一講書人閱讀 51,562評論 1 305
  • 那天,我揣著相機與錄音禽翼,去河邊找鬼屠橄。 笑死,一個胖子當著我的面吹牛闰挡,可吹牛的內(nèi)容都是我干的锐墙。 我是一名探鬼主播,決...
    沈念sama閱讀 40,309評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼长酗,長吁一口氣:“原來是場噩夢啊……” “哼溪北!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起夺脾,我...
    開封第一講書人閱讀 39,223評論 0 276
  • 序言:老撾萬榮一對情侶失蹤之拨,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后咧叭,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體蚀乔,經(jīng)...
    沈念sama閱讀 45,668評論 1 314
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,859評論 3 336
  • 正文 我和宋清朗相戀三年菲茬,在試婚紗的時候發(fā)現(xiàn)自己被綠了吉挣。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片派撕。...
    茶點故事閱讀 39,981評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖听想,靈堂內(nèi)的尸體忽然破棺而出腥刹,到底是詐尸還是另有隱情马胧,我是刑警寧澤汉买,帶...
    沈念sama閱讀 35,705評論 5 347
  • 正文 年R本政府宣布,位于F島的核電站佩脊,受9級特大地震影響蛙粘,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜威彰,卻給世界環(huán)境...
    茶點故事閱讀 41,310評論 3 330
  • 文/蒙蒙 一出牧、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧歇盼,春花似錦舔痕、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,904評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至邢笙,卻和暖如春啸如,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背氮惯。 一陣腳步聲響...
    開封第一講書人閱讀 33,023評論 1 270
  • 我被黑心中介騙來泰國打工叮雳, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人妇汗。 一個月前我還...
    沈念sama閱讀 48,146評論 3 370
  • 正文 我出身青樓帘不,卻偏偏與公主長得像,于是被迫代替她去往敵國和親杨箭。 傳聞我的和親對象是個殘疾皇子厌均,可洞房花燭夜當晚...
    茶點故事閱讀 44,933評論 2 355

推薦閱讀更多精彩內(nèi)容