 · 前 言 · KANO模型，一个产品经理或策划以及客研人员必备的小工具，你可以不会用它，但是你必须了解它。首先我们来解释一下KANO模型是什么：KANO模型是用于衡量某个事物如何影响被测试群体行为的一种工具，其本质是交叉分析—通过客户对正向问题（对于有XXX，你会怎么看）和反向问题（如果没有XXX，你会怎么看）的不同反馈进行交叉分析，来确定该事物大概率属于哪一类别，进而提出应对策略。 那么，KANO模型能具体解决什么问题呢？包括但不限于： 1 对于商场，哪些业态是必不可少的？哪些业态可能会成为引流点？哪些业态是可以放弃的？ 2 对于精装，哪些配置是必须要有的？哪些配置可能成为亮点？哪些配置可以不做，或者不能做？ 3 对于找对象，哪些特质是必须要有的？哪些特质如果有就是亮点，没有也没关系？哪些特质是不能有的？ 2 · 应 用 · KANO模型的基本形式： KANO模型的基本形式由两条坐标轴构成，分别为对正向问题和反向问题的反馈。纵轴表示对正向问题的反馈，本质是该属性存在时客户的反馈，反映溢价的概率和引流能力；横轴表示对反向问题的反馈，本质是该属性不存在时客户的反馈，反映需求程度和必备性；两条坐标轴以积极和消极的差异性反馈作为正负方向，纵轴正向的积极反馈代表“想要”，负向的消极反馈代表“不想要”；横轴正向的消极反馈代表“不想要”，负向的积极反馈代表“想要”。 两条坐标轴构成了4个象限，KANO模型将四个象限根据不同区域的特点，划分为7个主要区域，共6个类型： 说到这，传统的KANO模型原理就差不多了，在实际操作测试中，实际场景大概率是这样的： 上下滑动查看更多 发现问题了吗？传统KANO模型的实施模式步骤： 1 面对被测试者，先提出正向问题，再提出反向问题 2 记录被测试者的两次反馈，确定该事物对该测试者的类型 3 对每一位被测试者重复上述过程，统计各类型的占比，确定该事物属于何种类型 而这种模式的缺点在于连续遭遇正反向问题，引起被测试者的迷惑和反感，第二个提出的问题得到的回答，准确性难以保证。于是，我们在保持传统KANO模型的原理的同时，对其实施方式和计算方式进行了更新迭代。 禾略KANO实施方法1： ①将全部被测试者分为AB组，对A组提出正向问题，对B组提出反向问题 ②对选项定权重，进行加权求和，得到AB组对各问题的加权平均数作为结论 ③AB组的加权平均结论交叉得到该事物的KANO模型结论 缺点： 对于部分产生两极分化的选项，加权平均的结果为0，会被识别为无差异特征，造成大量无差异特征出现。（比如200个被测试者，分为两组，每组一百个，其中正好每组都是50个选了强负面反馈，50个选强正面反馈，加权平均后结果均为0，表现为无差异，但实际上并不是。） 解决方法：加一个方差列和置信区间 举个例子（权重与区间必须匹配）：    表现在坐标上是这样： 正如我们看到的，仅仅是这样的表现方式，会存在漏洞，所以我们也需要对方差项较高的测试点观察其置信区间，而置信区间就是由概率矩阵形成的，那么我们是否可以直接使用概率矩阵来表示KANO模型的结果呢？ 于是，就有了禾略KANO实施方法2： ①将全部被测试者分为AB组，对A组提出正向问题，对B组提出反向问题 ②统计AB组不同选项的个数，计算各选项的概率的行矩阵 ③A组概率矩阵转置与B组概率矩阵相乘得到A∩B的概率矩阵 缺点： ①部分甲方可能难以理解概率矩阵的形成 ②概率矩阵可读性差 由于问卷上设计了5个选项，所以概率矩阵大概长这样：
在对期望，无差异，必备和魅力属性进行归类时，我们把落在Essential&Low-Attractive和Attractive&Low-Essential以及Low-Expect/Low-Attractive/Low-Essential的元素平均分配给了最邻近的类别。最终结果仍为六类：期望，魅力，必备，无差异，两极分化，反向。
由于此矩阵由概率构成，异常不再为异常，而是可能由部分两极分化的选项导致，如果概率不高可以忽略。 举个例子，以某商业体进行客户调研为例，该商场希望了解客户对智能停车场的看法，所以执行KANO模型的调研后反馈结果如下：
处理后的概率矩阵如下：
42%的期望属性概率最大，所以我们认为智能停车场更偏向于一个期望属性，做好了会有较强的引流能力，也是必备性极强的配套，必须有。到这里，我们也逐步将传统KANO模型的7区6类向更多的划分进行转变：
重点关注的区域：
在使用中，总体的逻辑如下： ① 通过必备程度，得出配置强度 ② 通过魅力程度，得出回报强度 ③ 二者结合，确定KANO模型结果 ④ KANO模型结果与经济效益交叉，或通过不同客群的KANO模型结果对比，确定可行性和优先级 最后输出的结果案例如下：
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
