kano模型-不會被顧客過分期望的需求

活用狩野分析搞定意見分岐

設計的方法 這本書不管是 UI、UX、PM、Planner 桌上都該擺一本,不知道報告/企劃書怎麼寫的時候拿來跑一下實驗很好用。從中我認識到「狩野分析」,參考 UX,設計的方法(專案初始) 這篇文,當時預期狩野分析適合用在專案初始、分析這個功能要不要做。最近簡單地跑了一遍,來寫點筆記…步驟雖然多,但只要會加減乘除就行了。

不加新功能就會死恐慌症

很多人都曉得「少就是多」,也都知道越簡單越容易被理解和操作,卻得了一種「不加新功能就會死」的恐慌症。(我覺得自己得了一種求你不要亂加新功能的恐慌症。)

為什麼要加功能?加了這個功能有什麼好處?解決什麼問題?這些問題企劃書要掰都掰得出來,但有沒有客觀點的研究方法能驗證這個功能真的是使用者/業主重視的?

以下內容參考 KANO模型 - MBA智库百科 一文,該文講得很清楚,不過有點硬不好啃,我用自己的理解重新整理。

需求有 6 種

在狩野分析裡有 6 種需求,最重要的只有 3 種: M 基本型需求、O 期望型需求、A 魅力型需求。

M 基本型需求(Must-be)

顧客對企業提供的產品/服務因素的基本要求。

產品一定、理所當然要有的功能/服務/特性。有是應該的,使用者不會因為有就覺得滿意;但沒有一定會被罵到臭頭。

O 期望型需求(One-dimensional)

顧客的滿意狀況與需求的滿足程度成比例關係的需求。

產品有這功能會比較好,但不是一定要具備。如果有則會讓使用者滿意度變高。

A 魅力型需求(Attractive)

不會被顧客過分期望的需求。

讓使用者覺得驚喜的功能。如果有,則會讓使用者感到滿意,但沒有也不會因此表現出明顯的不滿。

I 無差異需求(Indifferent)

使用者對這一因素無所謂。(時間可以不用浪費在這裡的功能。)

R 不需要(Reverse)

使用者不需要這種功能,甚至對該功能反感。(多做多錯不如不做。)

Q 有疑問(Questionable)

表示有疑問的結果,一般不會出現這個結果,除非這個問題的問法不合理、受測者沒有很好地理解問題、或者是在填寫問題答案時出現錯誤。(出錯乃 UX 常事,大俠請重新來過。)

優先度:M (Must-be) > O (One-dimensional) > A (Attractive) > I (Indifferent)

1. 質量特性評價表

剛提到 6 種需求,那我們怎麼知道該功能屬於哪個需求呢?可以透過「質量特性評價表」來取得數據。針對某功能請使用者/業主/客戶回答正向問題和負向問題。

正向問題:具備這個功能時,你覺得如何?

負向問題:沒有這個功能時,你覺得如何?

喜歡

應該的

無所謂

能忍受

不喜歡

簡單來說就是遇到意見分岐,發問卷下去給大家寫,問卷只有 2 題,選項就這 5 個。寫完回收統計數據就知道這個功能到底受不受使用者/業主重視了。有時候使用者/業主很傲驕的,嘴巴上不會給你心裡想的真正答案(也有可能他們真的沒有想法只是隨口講講)。質化研究在處理意見分岐要花太多時間,改用量化較能快速取得方向。

2. KANO 評價結果分類對照表

問卷填完回收後,可以對照「KANO 評價結果分類對照表」進行分析,每一張問卷都會取得一個英文代號(需求類型)。

A 魅力型需求

O 期望

M 基本需求

I 無差異需求

R 不需要

Q 有疑問

3. 評價結果

根據剛剛整理的問卷數據,算出每個英文代號的百分比。

根據上方我亂掰的數據,可以得出結果是「I」, I 是「無差異需求」,也就是有沒有做都不影響使用者滿意度。如果只針對單一功能做分析,偷懶的話到這個步驟就可以了。如果同時對數個功能做優先排序,請繼續下一個步驟。

優先順序為:M > O > A > I

4. 敏感性分析結果

這個步驟要計算分數,取得某功能滿意、不滿意的影響力數據。對照「功能評價結果」的百分比數據,套下列公式計算。記得先算 () 括號裡的數字。

SI:滿意影響力

DSI:不滿意影響力

計算公式

SI =(A+O) / (A+O+M+I)

DSI = (O+M) / (A+O+M+I) × -1

SI = 40 / 90 = 0.44

DSI = 20 / 90 x -1 = -0.22

5. KANO 模型分析結果

參考下圖,原點在左上角。對照敏感性分析結果把每個功能座落在哪一個位置標出來。

在灰色圈子裡的就是質量特性敏感性不大,可暫時不予以考慮的功能。離原點越的優先程度越重。

結論

整個狩野分析的操作步驟為:

發問卷,正向問題、負向問題 5 選1。

對照「評價結果分類表」,每張問卷都有一個英文代號。

統計完所有的英文代號數量,換算成百分比。

套用計算公式,算出 SI 滿意影響力和 DSI 不滿意影響力的數值。

用影響力數值當座標,把該功能標在 KANO 模型分析結果上。

開會還在吵要不要做哪個功能嗎?工時這麼短、要做的事那麼多,卻不能決定哪個先哪個後嗎?狩野分析能用量化的方式幫你快速決定要或不要。只求真正有決策權的人在跑完狩野分析看到報告文件後能多考慮一下,產品不是功能越多越好用啊!

反正問題就那 2 項,隨時備個幾份帶去開會,再爭執要不要做某功能就發下去填一填會後統計交分析報告…還是沒辦法克服「不加新功能就會死恐慌症」的話我也不知道該怎麼辦了…orz




资源来自互联网,仅供学习研究使用,切勿作为商业用途。

另外这里才是原文的链接『原文链接』,感谢合作!

如您发现文章有所侵权,请立即联系,将会予以删除

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,186评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,858评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,620评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,888评论 1 285
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,009评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,149评论 1 291
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,204评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,956评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,385评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,698评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,863评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,544评论 4 335
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,185评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,899评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,141评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,684评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,750评论 2 351

推荐阅读更多精彩内容