文章来源：SPSSAU公众号
市调大赛必备分析组合：KANO模型+IPA分析
从用户需求到满意度诊断
今天和大家分享市调大赛两种常用的且比较出彩的模型——KANO模型和IPA模型。
- KANO模型：通过识别用户需求的不同属性类型（如魅力、期望、必备属性等），判断每项功能对用户满意度的影响方式，从而确定功能设计的优先级。
- IPA分析：通过对比用户认为的重要性与满意度，将功能划分为四个象限，以明确哪些项目需要保持、优化或减少投入。
一、KANO模型基础知识
1、KANO模型简介
KANO 模型是一种量化分析用户对产品/服务功能需求的方法，由东京理工大学教授狩野纪昭发明。他指出用户的满意度与产品或服务的质量表现情况之间并非单一的二维线性关系，它告诉我们，用户需求是有层次、有属性的。
KANO模型不是让用户给功能打分，而是通过“正向—负向”情境判断：
- 这个功能有，你什么感受？
- 这个功能没有，你什么感受？
基于双向提问，KANO将顾客的需求分为五个基本类别，这些类别有助于指导产品开发和改进的方向。
（1）魅力属性A：指超出用户预期的功能/服务；一旦具备，会带来极大的惊喜和满意度；若不提供，用户也不会不满。
（2）期望属性O：用户能明确表达的需求，有某功能/服务会提升满意度，没有会使满意度下降；
（3）必备属性M：这是用户认为“理所当然”应该具备的功能，如果缺少，用户会极度不满；但即便做得再好，用户也认为是应该的，满意度不会有太大提升；
（4）无差异属性I：指有和没有某功能/服务均不影响满意度；
（5）反向属性R：指没有某功能/服务满意度会更高，有的话反而会招致用户反感；
（6）可疑属性Q：指受访者没有很好理解某提问或误答。由于可疑属性一般情况下不会出现，因此KANO模型实际上经常讨论的是前五种属性类别。对比说明如下表：
属性类型 |
用户反应 |
产品含义 |
示例 |
魅力型（A） |
有会惊喜；没有不抱怨 |
功能亮点、差异化武器 |
AI摄影场景识别 |
期望型（O） |
越好越满意 |
产品竞争力来源 |
充电速度 |
必备型（M） |
没有很不满；有也不加分 |
基础项，不做无法上线 |
通话质量 |
无差异型（I） |
有无都无所谓 |
不要浪费资源 |
默认浏览器皮肤 |
反向型（R） |
有反而不满 |
功能方向不正确 |
强制预装不可卸载应用 |
2、KANO模型问卷设计
KANO模型的数据一般通过规范的调查问卷进行收集。例如对家庭智能门锁是否应该配置“远程网络开锁”的功能需求，针对该需求设计一正一反两条问卷题目。
正向题与反向题选项交叉后形成5×5=25个格子的交叉表，KANO模型将这25个格子划分为6种不同的类别属性，包括：魅力属性、期望属性、必备属性、无差异属性、反向属性、可疑属性，分别用字母A、O、M、I、R、Q表示，如下图所示：
3、Better-Worse系数图
当功能需求较多时，例如有3个功能需求同为必备属性，这种情况下无法客观安排同一属性内多个需求的优先级。在KANO分析中，可通过计算Better-Worse系数来解决上述问题。其中Better系数代表满意度，Worse系数代表不满意度。使用A、O、M、I四种属性的频数百分比来计算，可用于判定用户对功能/服务水平变化敏感程度。
- Better系数 = (A+O)/(A+O+M+I)，该指标介于0～1之间，值越大说明敏感性越大，优先级越高；
- Worse系数 = -1×(O+M)/(A+O+M+I)，该指标介于-1～0之间，值越小说明敏感性越大，优先级越高。
下面介绍如何使用SPSSAU软件进行KANO模型分析。
二、KANO模型案例分析
KANO模型案例：某家庭智能门锁企业正在设计一款产品，现得到7种功能需求，希望对这些功能需求进行属性分类及排列出研发的优先顺序，对100位潜在用户进行KANO调查，收集到相关数据，试进行KANO模型分析。
1、SPSSAU软件操作
KANO模型分析步骤如下：
操作：上传数据至SPSSAU，KANO模型数据格式如下：
2、KANO模型分析结果解读
（1）KANO模型分析结果汇总表
- 比如“NFC开锁”功能，“O型”属性百分比为38%，在六大属性分类中比例最大，因此判定“NFC开锁”功能属于“O型”期望属性类别；其他需求的归属类推，或直接看上表属性分类结果。
- 按必备属性﹥期望属性﹥魅力属性﹥无差异属性的优先级，通过上表可知：“门未关提示”、“远程网络开锁”两个必备属性应当优先得到满足，其次是期望属性的“NFC开锁”功能，再次之是“关门自动上锁”、“低电量提示”、“门铃”功能等。
（2）Better-Worse系数图
- 第一象限为期望属性：Better值高，Worse值绝对值高。该象限的功能/服务应优先满足；
- 第二象限为魅力属性：Better值高，Worse值绝对值低。该象限的功能/服务应优先满足；
- 第三象限为无差异属性：Better值低，Worse值绝对值低。该象限的功能/服务通常不提供；
- 第四象限为必备属性：Better值低，Worse值绝对值高。该象限的功能/服务一定需要满足；
- 必备属性﹥期望属性﹥魅力属性﹥无差异属性
出现在同一个象限内的功能需求，可以按Better系数与Worse系数的大小综合确定优先顺序，一般上可优先考虑消减不满意程度，因此优先选择安排Worse系数较低的功能需求。因此就本例而言，重要属性的优先顺序为：远程网络开锁﹥门未关提示﹥NFC开锁﹥低电量提示﹥门铃﹥关门自动上锁﹥可视猫眼。
三、IPA分析
IPA分析法是综合考量使用者感知重要性和现状满意度差异的策略决策工具。
1、IPA象限图
IPA象限图横轴代表重要性，纵轴则表示满意度，以两者的均值为象限划分点，使得各个分析对象能够依据其在两个维度上的得分情况，该矩阵图通常被划分为四个象限，如下图：
- 第一象限（优势区）
具有较高的重要性和满意度，因此应该继续保持这些属性的高质量水平，来维持用户的满意度和忠诚度；
- 第二象限（维持区）
具有较低重要性，但较高的满意度，这表明可能在此部分投入过多资源，因此建议适当维持或缩减此区域的投入。
- 第三象限（机会区）
重要性和满意度均较低，表明该象限的属性是用户不太看重且表现较差的，为次要改进的部分。
- 第四象限（改进区）
具有较高重要性，但较低满意度，表明该象限的属性是用户十分看重但却并不满意。所以这些属性需要迫切改进，使其向第一象限靠近。
2、IPA法问卷设计
IPA 模型需要的只有两类数据：
- 每个项目（功能/服务）的“重要性”得分
- 每个项目（功能/服务）的“满意度”得分
而这两类数据必须是相互对应的一一匹配关系。即：同一个受访者对同一个项目的两项评分：重要性 & 满意度。问卷示例如下：
下面介绍如何使用SPSSAU进行IPA象限图分析。
四、IPA象限图案例分析
IPA象限图需要的数据格式如下：
1、SPSSAU软件操作
操作：上传数据至SPSSAU，IPA象限图数据格式如下：
在SPSSAU【可视化】模块选择【象限图】，将变量拖拽至右侧分析框中，横轴X轴代表用户满意度，纵轴Y轴则表示重要性，点击【开始分析】按钮即可得到象限图，操作如下图：
2、IPA象限图
SPSSAU输出重要性和满意度象限图如下：
共有3个变量，I1、I2、S3在这个区域，三个因子的重要性即表示用户的预期性期望值高，当然最终用户的满意度是大于用户期望值。
（2）第二象限：维持区
共有7个变量，T2、F1、I3、I4、S2、T3、F3，在这个区域表明用户重视程度虽然不高，但是满意程度较高。
（3）第三象限：机会区
共有6个变量，C4、T1、S4、I5、F2、F4，在这个区域表明用户重要性和满意度的指标都相对来说不高。
（4）第四象限：改进区
共有4个变量，C3、C2、S1、S1，在这个区域表明用户重视程度高，期望高，但实际的用户满意度较低。
五、总结
1、KANO模型
主要用于识别用户对各项功能或属性的需求层次，分为五个基本类别——魅力属性A、期望属性O、必备属性M、无差异属性I、反向属性R。通过KANO模型，可以明确“用户认为哪些功能重要”，帮助团队在资源有限时优先满足核心和关键需求，避免在无关紧要的属性上浪费精力。
2、IPA分析（重要性-满意度分析）
进一步揭示“这些功能现在表现得如何”。IPA通过将用户对功能的重要性和当前满意度分别作为横纵轴，将属性划分为四个象限：
- 高重要性 + 高满意度（优势保持区）
- 低重要性 + 高满意度（资源过度投入区）
- 低重要性 + 低满意度（次要改善区）
- 高重要性 + 低满意度（重点改善区）
IPA让团队清晰地看到哪些是优势项，哪些是短板，从而指导资源合理分配。总结来说：KANO和IPA相辅相成：KANO为需求定性和分级，IPA为表现定量和定位。通过这一组合，产品团队可以更科学地规划功能开发优先级、提升用户满意度，实现资源投入与用户价值的最大化。
