案例分析——详解KANO模型
今天阿G将会通过王者荣耀这个实际例子,和大家聊聊如何运用KANO模型。
什么是KANO模型?在什么场景下使用?如何使用?
一、定义
KANO模型,又称为狩野模型,是东京理工大学教授狩野纪昭(Noriaki Kano)针对用户 需求分类 和 优先级排序 发明的工具,体现产品功能和用户满意度之间的非线性关系。
而由此衍生出来的KANO模型分析方法,是狩野纪昭教授基于KANO模型对用户需求的分析原理,开发的一套结构型问卷和分析方法。
主要是通过标准化问卷调研的调研结果对各因素属性做归类,解决产品功能的优先级排序问题,以提高用户满意度。
二、适用场景
-
确认需求是否存在
-
评估需求优先级
-
减少无用功
-
打造爆款的传播要素(病毒性K值的设计)
三、使用好处
-
适用场景丰富
-
有效的量化模型
四、分类
根据不同类型的用户需求与用户满意度之间的关系,狩野教授将产品需求属性分为5大类:
-
必备属性
产品提供此类型需求,用户满意度 不会提 升
产品不提供此类型需求,用户满意度 会大幅下降
-
期望属性
产品提供此类型需求,用户满意度 会提升
产品不提供此类型需求,用户满意度 会下降
-
魅力属性(用户 意想不到 的需求)
产品提供此类型需求,用户满意度 会大幅提升
产品不提供此类型需求,用户满意度 不会下降
-
反向属性(用户 不需要 的需求)
产品提供此类型需求,用户满意度 会大幅下降
-
无差异属性(用户 不会在意 的需求)
无论产品是否提供此类型需求,用户满意度都 不会有所改变
以腾讯的《王者荣耀》举例说明。
玩家可以正常进入游戏就属于必备属性, 试想一下,如果连游戏都进不去,还何谈满意度呢?
相比于Dota、LOL需要回城才能买装备的限制,玩家在王者峡谷每一处都可以随时购买装备,同时英雄技能施放又极其简单,最大限度避开了手机对于MOBA(多人在线对战)游戏的限制。
一般而言,能引起玩家强烈情感共鸣的设计就是魅力属性,例如那句经典的“猥琐发育,别浪!”真的是在很多时候都能表达玩家深深的无奈。
王者荣耀的反向属性其实也比较明显,每次登录游戏都会有好多活动弹窗,关了一个又一个,没完没了。
最后一个无差异属性,王者荣耀每过一段时间都会提醒付费用户充值来维持贵族等级,这类设计纯粹是为了引导消费,所以属于无差异属性。
五、需求开发原则
当几种类型的需求都在需求池里面,我们应该遵循以下原则进行开发排期:
-
必备属性:留足资源,最优先满足
-
期望属性:排在必备之后,先做性价比更高的
-
魅力属性:尽力挖掘,先做成本低的
-
反向属性:避免做和商业模式无关的,同时要权衡多方利益
-
无差异属性:不做
要特别注意2点
1. 我们说一个需求属于某种属性,是指针对某一类特定用户
例如在王者荣耀中,无限制地向所有用户推送广告活动,对于玩家来说就是反向属性的需求,而对于广告主(例如虎牙等直播平台)就是必备属性。
2. 需求属于哪个属性,是有时效性的
例如在智能手机还没普及的年代,能在手机上播放视频就是一个魅力属性。而现在,能在手机上播放3D电影才是。所以当我们说一个需求属于「无差异需求」时,应该说的是「现阶段」不做。
六、使用步骤
1. 准备分析
深入地了解业务、了解用户,从用户角度认识产品或服务当前哪些地方需要改进。
2. 问卷调查
在设计问卷时,尽量的清晰易懂、语言尽量简单具体,避免产生歧义。同时,可以在问卷中加入简短且明显的提示或说明,方便用户顺利填答。(问卷设计也是一门学问,下次再单独写一篇文章讲讲)
问卷划分为2个维度:提供时的满意程度、不提供时的满意程度。
满意程度一般分为5个,因为人的满意程度往往是渐变,而非突变的。其程度的描述可随制定者修改,如「很喜欢、还不错/还可以、无所谓/理应如此、勉强接受/凑活、很不喜欢」等等。
问卷的形式也比较灵活,常用表格(打钩即可)或者选择题。
如果王者荣耀上线同城对战模式,你的评价是?
A. 我很喜欢 B. 理应如此 C. 无所谓 D. 勉强接受 E. 我不喜欢
如果王者荣耀没有同城对战模式,你的评价是?
A. 我很喜欢 B. 理应如此 C. 无所谓 D. 勉强接受 E. 我不喜欢
3. 二维属性分类
在整理问卷调查结果时,可以清洗掉个别明显胡乱回答的问卷,例如全部问题都选满意度高或满意度低的。再根据官方的评价结果分类对照表将需求进行分类。 注意,按照概念,反向属性应该是提供程度和用户满意度成反比,也就是说产品提供了用户就不满意,所以上表只有左下角是明确的「反向属性」,有几个反向属性可以考虑转为「可疑结果」。
因为满意程度本身就很难衡量,所以在实际工作中,不应该盲目地套用方法论或模型,应该根据自己的产品、公司、地域、用户群等等因素做调整。
我之前做SCRM时,目标用户是自家的销售,做完详细的用户调研和业务调研之后,我把上面的表整理为
可以看到改动挺大的,但我觉得适合自己的才是最重要的。当然前提是得深入了解用户和业务情况。
4. 量化结果
在实际工作中,我们会调研很多个用户,对于同一个问题,会产生无数个答案。此时就可以根据下面这个原则来确定,需求到底属于哪个属性。
计算不同属性的比例之和,总数值最高的就是这个需求的属性。
假如我们调研王者荣耀的“同城对战模式”,回收了100份有效问卷,数值分布如下
必备属性(M):17,17.00%
期望属性(O):3,3.00%
魅力属性(A):10,10.00%
无差异属性(I):26,26.00%
反向属性(R):36,36.00%
可疑结果(Q):8,8.00%
由以上结果可得 , 回收的这100份有效问卷 ,大部分人认为“同城对战模式”是一个反向属性的功能,还有很大一部分人认为,这是一个具有无差异属性的功能,所以这个功能现在不应该做。
这时候你可能会问,如果有几个属性的数值很接近甚至相同,怎么办?
出现这种情况,一般而言我们需要再扩大调研的用户数量级,比如说刚才是100人,我们可以再调研500人,把两次结果相加起来做运算。
七、 Better-Worse系数
我们还可以再借助一个工具:Better-Worse系数,看此需求对增加满意度或降低满意度的影响程度。
Better:增加某功能的体验改善程度,数值通常是正的,越大表示完成需求对提升用户满意度的效果越显著。
公式为:SI = (A+O)/(A+O+M+I)
即 SI = (魅力属性+期望属性)/(魅力属性+期望属性+必备属性+无差异属性)
Worse:去掉某功能的体验改善程度,数值通常是负的,绝对值越大表示完成需求对降低用户满意度的效果越显著。
公式为:DSI = -1*(M+O)/(A+O+M+I)
即 DSI = -1*(必备属性+期望属性)/(魅力属性+期望属性+必备属性+无差异属性)
将第六点回收的1 00份有效问卷结果代入公式,可得
SI = (10+3)/(10+3+17+26) ≈ 23.21%
DSI = -1*(17+3)/(10+3+17+26)≈ -35.71%
结论也和上面的一致,这是一个具有无差异属性的功能,所以这个功能现在不应该做。
这个工具更多的用途是在: 同时对多个需求进行优先级排序。
例如王者荣耀现在想做5个功能:功能1-5
步骤1:通过问卷调研和Better-Worse系数的计算,得出一下几个数值
步骤2:用 SI平均值 和 DSI平均值的绝对值 作为坐标原点, 横 轴是Worse(DSI)的绝对值,纵轴是Better(SI) ,绘制以下二维坐标
第一象限Better值高、Worse绝对值也高,表示提供此类型功能时,用户满意度会提升。因此落在这个象限的需求都是期望属性。
第二象限Better值高、Worse绝对值低,表示提供此类型功能时,用户满意度会大幅提升。因此落在这个象限的需求都是魅力属性。
第三象限Better值低、Worse绝对值也低,表示提不提供有没有此类型功能,用户满意度都不会有太大变化,因此落在这个象限的需求都是无差异属性。
第四象限Better低,Worse绝对值高,表示不提供此类型功能时,用户满意度会大幅下降,因此落在这个象限的需求都是必备属性。
通过上面几个步骤,我们可以知道上面5个功能的属性和开发原则:
1. 功能1、功能2属于无差异属性
2. 功能3、功能5属于魅力属性
3. 功能4属于必备属性
所以功能1-5的优先级排序结论就是:先做功能4,在功能3和功能5中选择成本低的做,功能1和功能2现阶段不做。
至此关于KANO模型,阿G也和大家聊得差不多了。