来源：TXD技术体验设计（公众号）
作者：澄曦
是不是曾发生想到或用户提出了很多需求，但不知道怎么辨识真正有用的需求，或排期优先级怎么安排的情况？以下介绍一种定性研究，透过问卷调研的方式来了解需求属型与必要性。
一、KANO 模型简介
KANO 卡诺模型是由日本狩野纪昭（Noriaki Kano）博士所提出，主要用途是了解需求实现与用户满意度之间的关系，作为产品需求分析与优先级排序的参考依据。KANO 模型定义了三个层次的顾客需求：基本型需求、期望型需求和兴奋型需求，这三种需求根据绩效指标分类就是基本因素、绩效因素和激励因素。
在 KANO 模型中，将产品和服务的质量特性分为五种类型：
魅力属性：让用户意想不到，如果不提供此需求，用户满意度不会降低；当提供此需求，用户满意度会有很大的提升。
期望属性：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。
必备属性：当提供此需求，用户满意度不会提升；当不提供此需求，用户满意度会大幅降低。
无差异属性：无论提供或不提供此需求，用户满意度都不会发生改变，用户根本不在意。
反向属性：用户根本没有此需求，提供后用户满意度反而会下降。
二、KANO 模型分析法的基本步骤
步骤一：设计问卷调查表，实施有效的问卷调查
KANO 模型的问卷问法，是对每个质量特性都由正向和负向两个问题构成，分别测量用户在面对存在或不存在某项质量特性时的反应。问卷中的问题答案采用五级选项分别是：
我很喜欢：让你感到满意、开心、惊喜。
理应如此：你觉得是应该且必备的功能。
无所谓：你不会特别在意，但还可以接受。
勉强接受：你不喜欢，但可以接受。
我很不喜欢：让你感到不满意。
（备注：可疑结果通常不会出现，除非用户理解错误）
步骤二：问卷结果整理，进行数据分析
根据问卷结果进行 KANO 模型二维属性归属分析，可得出魅力属性、期望属性、必备属性、无差异属性、反向属性与可疑结果的功能属性归类百分比。除了对属性的归属探讨外，并通过百分比计算出 Better-Worse 系数，表示某功能可以增加满意或者消除很不喜欢的影响程度。
增加后的满意系数 Better/SI=(A+O)/(A+O+M+I)
消除后的不满意系数 Worse/DSI=-1*(O+M)/(A+O+M+I)
Better 的数值通常为正，代表如果提供某种功能属性，用户满意度会提升；正值越大越接近 1，表示对用户满意度提升的影响效果越大，上升越快。Worse 的数值通常为负，代表如果不提供某种功能属性，用户的满意度会降低；值越负向越接近-1，表示对用户满意度降低的影响效果越大，下降越快。 因此，根据 better-worse 系数，对系数绝对分值较高的功能/服务需求应当优先实施。
根据 better-worse 系数值，将散点图划分为四个象限：
第一象限期望属性：表示 better 系数值高，worse 系数绝对值也很高的情况，产品提供此功能，用户满意度会提升，当不提供此功能，用户满意度就会降低，应尽力去满足用户的期望型需求。
第二象限魅力属性：表示 better 系数值高，worse 系数绝对值低的情况，不提供此功能，用户满意度不会降低，但当提供此功能，用户满意度和忠诚度会有很大提升。
第三象限无差异属性：表示 better 系数值低，worse 系数绝对值也低的情况，无论提供或不提供这些功能，用户满意度都不会有改变，这些功能点用户并不在意。
第四象限必备属性：表示 better 系数值低，worse 系数绝对值高的情况，当产品提供此功能，用户满意度不会提升，当不提供此功能，用户满意度会大幅降低，说明这些功能是最基本的需求，必须要实现。
步骤三：数据解读，将结果落地实施
KANO 模型是对功能需求的优先级进行探索，具体情况还需要和业务方进行讨论，结合实际情况后制定可行的产品功能开发优先级顺序，以将调研结果落地实施。
三、实际操作案例说明
以下以掌上运维APP的问卷调研题目与统计数据作为实例，详细描述数据统计的过程与方式。
步骤一：设计问卷问题，发放问卷
编制问卷的时候，对每个功能都要有正反两道题来测，正反问题之间的区别需注意强调，防止用户看错题意，功能的解释要能简单描述该功能点，确保用户理解。采用单选矩阵的形式提供作答，举例如下所式：
题目：根据报警内容，“掌上运维”提供运维操作建议（如磁盘满了智能推荐执行日志清理等）。
步骤二：问卷统计，进行 KANO 模型二维属性归属分析
回收问卷后需要先进行数据的清洗，去除非有效的作答数据，接著根据 KANO 模型计算方式进行统计，首先需人为进行答题结果的统计计算，如有用户正向答题很喜欢，负向答题很不喜欢，则统计数字就会交叉落在最右边的第一个格子中，数字加1，已此类推进行数量的统计。
接著统计每种可能下的用户人数占总人数的百分比，来填入下表；之后将下表中标 A、O、M、I、R、Q 的格子中百分比相加，即可得到五种属性对应的百分比。本调查结果可以得到A魅力属性占比为42.1%，O期望属性占比9%，M必备属性占比1.2%，I无差异属性占比38.9%，R反向属性占比1.8%，Q可疑结果占比7%。
步骤三：计算 Better-Worse 系数，明确功能落点象限
依据六种属性的百分比，使用上方的计算公式来得出 Better-Worse 系数，Better系数为0.56，Worse系数为-0.11，并根据 better-worse 系数值，将散点图划分为四个象限，落点在于第二象限的魅力属性，发生于 better 系数值高，worse 系数绝对值低的情况，即表示不提供此功能，用户满意度不会降低，但当提供此功能，用户满意度和忠诚度会有很大提升。
步骤四：多个功能需求结果对比进行优先级排序
当多个需求进行调研统计后，从需求优先级排序来说，应先满足M必备属性功能，接著是去除R反向属性功能，再满足O期望属性功能，最后满足A魅力属性功能，不过还是要根据业务当下的需求与情况来做调整判断。