🏠 首页 / 📂 02-市场洞察与产品研发

📄 02.3.1-02-KANO模型与用户需求挖掘方法论

📅 日期: 2026-05-26

第3篇：KANO模型与用户需求挖掘方法论

问题（解决了什么？）

  • 面对大量用户反馈和需求，如何判断哪些该做、哪些不该做、哪些优先级最高？
  • 如何分辨真需求和伪需求？
  • 产品资源有限，如何做出最有性价比的功能排期决策？

学习（核心内容）

KANO模型简介：

由东京理工大学教授狩野纪昭（Noriaki Kano）于1984年提出，是对用户需求分类和优先排序的理论工具，体现产品性能和用户满意之间的非线性关系。

五大需求属性：
  • 必备属性（M）：用户认为理所当然的功能

    • - 满足→用户不会特别满意；不满足→用户会非常不满

    - 例：电商APP的搜索功能、下单功能、支付功能

  • 期望属性（O）：与满意度成正比的需求

    • - 提供越多→越满意；提供越少→越不满意

    - 例：更快的配送速度、更低的折扣、更丰富的商品选择

  • 魅力属性（A）：能给用户带来惊喜的功能

    • - 满足→极大满意度提升；不满足→也不会明显不满

    - 例：淘宝的"拍立淘"（拍照搜商品）、抖音的"猜你喜欢"

    - 是打造爆款和口碑传播的关键

  • 无差异属性（I）：用户不在意的功能

    • - 做不做对满意度都没影响

    - 结论：现阶段不做

  • 反向属性（R）：提供过多反而引发不满的功能

    • - 例：过度推送广告、频繁的弹窗、强制更新

    需求排期原则：

    必备属性 > 期望属性（先做性价比高的） > 魅力属性（先做成本低的） > 无差异属性（不做） > 反向属性（避免）

    使用KANO模型的流程： 1. 设计问卷（正反提问法）：

    对每个功能问正反两个问题：

    • 正向："如果有此功能，你感觉如何？"
    • 反向："如果没有此功能，你感觉如何？"

    选项：非常喜欢/理应如此/无所谓/勉强接受/很不喜欢

    2. 数据清洗：
    • 回收率 ≥ 85%
    • 剔除异常回答（全部选同一分值、完成时间过短）
    • IP重复 > 3次触发验证
    3. 属性分类：

    根据正反回答的交叉对照表确定每个功能属性

    统计各属性比例，占比最高的为该功能属性

    4. Better-Worse系数计算：
    • Better（满意度增益）= (A+O)/(A+O+M+I) — 值越大越能创造愉悦
    • Worse（不满意度衰减）= -1×(M+O)/(A+O+M+I) — 绝对值越大越不能缺失
    四象限策略：
    • 第一象限（Better高，Worse高）→ 期望属性 → 多做
    • 第二象限（Better低，Worse高）→ 必备属性 → 必须做
    • 第三象限（Better低，Worse低）→ 无差异属性 → 不做
    • 第四象限（Better高，Worse低）→ 魅力属性 → 创新做
    注意时效性和文化差异：
    • 昨天是魅力属性 → 今天是期望属性 → 明天是必备属性（如手机播放视频）
    • 不同国家/地区/用户群的分类可能完全不同

    分析（拆解逻辑）

    • KANO模型的核心洞见是满意度的非对称性和非线性——不是所有功能都"做得多满意度就越高"
    • 静态问题：KANO模型是一个截面的快照，需求会随时间迁移（魅力→期望→必备），需要定期重做
    • 分类模糊性：当几个属性比例接近时（如M=30%, A=28%, I=27%），需要扩大样本再做验证
    • 实操中的最大问题是问卷设计——"非常喜欢/理应如此"的定义对用户来说很模糊，需要给出具体指导

    理解（本质提炼）

    • KANO模型解决的核心问题是资源约束下的优先级判断：在什么都想做的情况下，找到"做了用户很满意、不做用户很生气"的那几件事，优先做满

    内化（用自己的话重述）

    • 必备属性就像餐馆的卫生——你做得再好也没人夸，但做得差人家直接走
    • 期望属性就像菜品的份量——多给点大家都开心，少了大家都不满
    • 魅力属性就像服务员的小惊喜（送个小甜品）——不做没人怪你，做了大家发朋友圈
    • 无差异属性就像你的盘子颜色——谁在乎呢？
    • 一句话：先别让人讨厌，再做让人喜欢的事，最后创造惊喜

    类比（跟什么像？）

    • 像谈恋爱：必备属性是人品靠谱（不出大错但有你就知足了），期望属性是会照顾人（做越多越加分），魅力属性是惊喜礼物（看心情给但效果炸裂）
    • 像去医院：必备属性是医生能准确诊断（这是底线），期望属性是等待时间短、态度好，魅力属性是医生主动电话回访问恢复情况

    迁移（能用到什么场景？）

  • 电商店铺优化：用户最不满的是什么（差评关键词）→ 修复必备属性；最能带来好评的是什么 → 强化期望属性
  • 选品决策：KANO可以用于判断新品类功能优先级
  • 产品详情页设计：哪些卖点必须展示（必备），哪些可以突出（期望），哪些可以创新（魅力）
  • 活动策划：基础优惠（必备）+梯度折扣（期望）+惊喜赠品（魅力）

    • 实践（如何落地？）

    实操步骤：
  • 收集需求池：从评价/客服/问卷中收集30-50个典型需求
  • 精简需求：合并同类项，保留15-20个核心功能点
  • 设计问卷：每个功能正反两个问题+5级量表选项
  • 投放收集：目标用户群发放，至少回收100份有效问卷
  • 数据处理：对照分类表+计算Better-Worse系数
  • 四象限划分：确定每个需求的属性归属
  • 排期决策：必备>期望>魅力>无差异
    • 注意事项：
    • 问卷中的"理应如此"不要写错，这是KANO专用术语
    • Better-Worse系数的Worse要取绝对值，但实际展示时为负数
    • 对魅力属性要持开放态度——这是产生口碑和差异化的关键来源
    常见坑：
    • ❌ 把期望属性当成魅力属性（前者是做了加分不做减分，后者是做了加分不做不减分）
    • ❌ 只做一次KANO就永远不更新（需求属性会随时间迁移）
    • ❌ 样本量不够导致分类结果不稳定
    • ❌ 未区分用户群（新手用户和资深用户对同一功能的判断可能完全相反）

    调整（如果错了怎么办？）

    • 什么情况下这个方法会失效？

    - 样本量和代表性不足 → 数据不可靠

    - 不同用户群差异过大 → 按用户分层做多组KANO

    - 产品处于极早期阶段 → MVP阶段先做最小化验证，别太依赖问卷

    • 怎么补救？

    - 分类不确定时 → 再看Better-Worse系数落入哪个象限

    - 两个属性比例接近 → 扩大样本量300+

    成事（一句话总结）

    • 用KANO模型把需求装上"优先级阀门"：先做必备属性打基础，再做期望属性提满足，最后用魅力属性制造惊喜——但永远不做无差异属性。

    关联笔记：参见"02-电商选品策略实战框架"、"02-数据驱动的产品决策方法论"

    ↑ 返回顶部