首页 专栏傅志华正文

傅志华:构建Kano模型 量化用户需求

 Kano模型是东京理工大学教授狩野纪昭(Noriaki Kano)发明的对用户需求分析、分类和需求优先级排序的模型。kano模型以分析用户需求对满意度的影响为基础。狩野纪昭(Noriaki Kano)教授1984年首度提出了Kano模型,该模型受赫兹伯格理论的双因素理论启发而来。

 赫茨伯格的双因素理论认为,满意和不满意并非共存于单一的连续体中,而是截然分开的。20世纪50年代末期,赫茨伯格和他的助手们在美国匹兹堡地区11家工商企业机构中对二百名工程师、会计师进行了调查访问,调查中他设计了许多问题,例如,“什么时候你对工作特别满意?”“什么时候你对工作特别不满意?”“原因是什么?”等等,请受访者一一回答。

 赫茨伯格从调查中发现,造成员工不满的原因,主要是由于公司的政策、行政管理、监督、工作条件、薪水、地位、安全以及各种人事关系的处理不善。这些因素的改善,虽不能使员工变得非常满意,真正地激发员工的积极性,却能解除员工的不满,故这种因素称为保健因素。研究表明,如果保健因素不能得到满足,往往会使员工产生不满情绪、消极怠工,甚至引起罢工等对抗行为。同时,调查中发现,使员工感到非常满意的因素,主要是工作富有成就感,工作本身带有挑战性,工作的成绩能够得到社会的认可,以及职务上的责任感和职业上能够得到发展和成长等等。这些因素的满足,能够极大地激发员工的热情,对于员工的行为动机具有积极的促进作用,它常常是一个管理者调动员工积极性,提高劳动生产效率的好办法。研究表明这类因素解决不好,也会引起员工的不满,它虽无关大局,却能严重影响工作的效率。因此,赫茨伯格把这种因素称为激励因素。

 赫茨伯格在研究的过程中发现日常工作中员工的满意度分为两种,一种是激励因素,另一种称为保健因素。激励因素表示工作本身带来的成就、认可和责任;保健因素指公司政策和管理、技术监督、薪水、工作条件以及人际关系等。当具备激励因素时会增加员工的满意,但是当缺乏时不会不满意;而当具备保健因素时不会提高员工的满意,但是当缺乏时,则会造成不满。赫茨伯格双因素理论的核心在于:“只有激励因素才能够给人们带来满意感,而保健因素只能消除人们的不满,但不会带来满意感”这一论断。

 受行为科学家赫兹伯格的双因素理论的启发,东京理工大学教授狩野纪昭(Noriaki Kano)于1984年发表了《魅力质量与必备质量》﹙Attractive Quality and Must-beQuality﹚的论文,这篇论文中,授狩野纪昭在首次提出满意度的二维模式,构建出Kano模型。在当时的日本,提高产品和企业服务这个问题一直都是一个难题。他提出的这个模型有效的解决了这个问题。

 Kano模型用来分类用户需求,确定需求优先级。Kano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:

 (1)基本型需求:基本型需求是用户对企业提供的产品/服务因素的基本要求,是用户认为产品/服务“必须有”的属性或功能。当其特性不充足(不满足顾客需求)时,顾客很不满意;当其特性充足(满足顾客需求)时,顾客也可能不会因而表现出满意。基本型需求与赫茨伯格双因素理论中的保健因素类似。对于基本型需求,即使超过了顾客的期望,但顾客充其量达到满意,不会对此表现出更多的好感。不过只要稍有一些疏忽,未达到用户的期望,则用户满意度将一落千丈。对于用户而言,这些需求是必须满足的,理所当然的。

 (2)期望型需求:期望型需求是指用户满意度与需求的满足程度成比例关系的需求。期望型需求没有基本型需求那样苛刻,其要求提供的产品/服务比较优秀,但并不是“必须”的产品属性或服务行为。企业提供的产品/服务水平超出顾客期望越多,顾客的满意状况越好,反之亦然。

 (3)兴奋型需求:兴奋型需求要求提供用户一些完全出乎意料的产品属性或服务行为,使用户产生惊喜。当其特性不充足时,并且是无关紧要的特性,则用户无所谓,当产品提供了这类需求时,用户就会对产品非常满意,从而提供用户的忠诚度。

 通过需求实现程度和用户满意度两个维度,可以构建更详细的Kano模型,如下图所示:横坐标表示某项要素的需求实现及优化程度,越向右边表示该需求要素的具备程度越高,横坐标越向左边,该要素的具备程度越低。纵坐标表示用户的满意程度,纵坐标越向上,用户越满意,越向下,越不满意。通过需求实现程度和用户满意度这两个维度,可以将用户需求分为五类属性:

 (1)兴奋型属性:是用户意想不到的需求,表现为用户满意度和需求实现及优化程度呈现指数函数关系,如果不提供此需求,用户满意度不会降低,若提供此需求,而且用户满意度随着需求实现及优化程度的增加会有很大提升;

 (2)期望型属性:用户满意度和需求实现程度及优化程度呈线性相关性,即随着当提供此及优化需求,用户满意度会提升,当不提供此需求,用户满意度会降低;

 (3)无差异属性:用户满意度和需求实现及优化程度不相关,即无论提供或不提供此需求,用户满意度都不会有改变,用户根本不在意;

 (4)基本型属性:当不提供此需求,用户满意度会大幅降低,但提供了需求后,用户满意度不会随着此需求的优化而提升。

 (5)反向属性:用户完全没有此需求,若提供此需求,用户满意度反而会下降;

 在产品功能的优先级上,我们要优先满足基本型属性的需求,第二是期望型属性需求,第三是兴奋型属性需求。

傅志华:量化用户需求

图Kano二维模型示意图

 以上五种属性类别会随着时间的推移而改变。比如,手机的触摸屏,该功能刚推出的时候是属于兴奋型需求,不提供不会不满意,但提供了会很满意;但随着时间迁移,比如推出一年多,该功能对于很多用户来说就变成期望型需求,即不提供会出现不满意的情况。

 通过用户调研构建Kano模型进而量化用户需求

 我们可以通过问卷调查的方式来调研用户对产品功能的态度,构建Kano模型来判定不同功能所属的需求类别,从而判定不同产品功能的需求优先级。通常来说,我们可以对功能问两个问题来确定分类:一个问题是如果产品中有这个功能,用户会觉得如何;另一个问题就是如果功能不存在,用户又是觉得如何,对每个问题采用5点的度量方式进行回答。如下例子为某社交软件产品功能Kano问题。对于某一功能(如视频聊天),我们会同时调查用户两个问题:如果提供某某功能(如视频聊天),用户的喜好程度会怎样,如果不提供该功能,用户的喜好程度会怎样。

傅志华:量化用户需求

图2 产品功能kano问卷题目示例

 调查后,根据下图的归类矩阵,将功能进行归类来确定需求的类型。其中,R为反向型需求,I为无差异型需求,A为兴奋型需求,O为期望型需求,M为基本型需求,Q为有问题的回答。

傅志华:量化用户需求

图3 kano属性分类矩阵

 下面我们以某社交产品功能的Kano问卷调查为例。该问卷统计方法主要是是:对每一功能所属的需求属性占比进行统计,并以占比最高的属性作为该功能的归属类别。如,功能1的各类需求属性中,O的比例最高,所以把功能归类到属性O(期望型属性)。这个例子的调查结果发现,大部分被调查的功能都属于无差异型需求,即无论提供或不提供此需求,用户满意度都不会有改变,用户根本不在意。只有功能1、功能3和功能8为期望型需求,即随着当提供此及优化需求,用户满意度会提升,当不提供此需求,用户满意度会降低,如“视频聊天”功能。

傅志华:量化用户需求

图4 调查结果kano分类示例

 探索kano模型在大数据的应用

 目前已经有一些学者在探索利用网上产品评论数据来构建Kano模型。即通过抓取网络上产品的评论,并对评论进行主题分类,从而区分出不同产品功能的评论,并对每类功能的网上评论进行正负面的分析,结合特定的规则来判断不同功能的需求属性。比如,有学者认为:对于期望型属性,用户对期望型属性的关注程度最高,而这类产品属性也最能让用户特意在网上发表信息进行分享,评论正面和负面均有;基本型属性是客户关注的,但该类属性的实现并不能激起用户在网上发表评论进行,反而是当这类质量没能实现时,客户会在网上抱怨,评论绝大部分是负面评论;魅力质量是客户意想不到的,用户会较少的在论坛上发表评论, 但一旦该类质量得到满足,会引起客户很大的惊喜和满意度,网上的评论绝大部分是正面评论。

 我们认为,更科学的办法是对每类需求的网上正面评论量、负面评论量、评论的调性、评论量等评论数据作为自变量(X)与Kano需求属性作为因变量(Y)建立回归模型。由于建模需要训练数据,我们可以利用网上抓取的每类需求的网上正面评论量、负面评论量、评论的调性、评论量和通过问卷调查所得到的产品kano模型属性结果来作为训练数据,通过机器学习的算法,建立属性的网络评论和kano模型属性结果的函数关系,一旦该模型建立且相对稳定,我们就可以通过网上评论的数据来判断该需求属于那种Kano需求属性。

 文:傅志华

 关于作者:傅志华为某大型互联网公司数据中心副总经理,同时任中国信息协会大数据分会理事,北京航空航天大学软件学院大数据专业特聘教授,中科院管理学院MBA企业导师,首都经贸大学统计学院硕士生导师。曾为腾讯社交网络事业群数据中心总监以及腾讯公司数据协会会长。傅先生谙熟数据分析和数据挖掘方法,在数据驱动企业数据化运营和营销方面以及大数据驱动的新商业模式研究有丰富的经验。

 参考文献:

 1. 芮明杰.《管理学》:高等教育出版社,2009年6月:317-320

 2. 章剑林,沈千里. 《互联网产品用户体验》,清华大学出版社,2013年6月:77

 3. 涂海丽,唐晓波,谢力.基于在线评论的用户需求挖掘模型研究.情报学报.2015年10月:1088-1097

 (原标题:量化用户需求)

 注:本文来源于微信公众号-傅志华,版权著作权归原创者所有,转载请注明来源!

☞点击进入 傅志华 在数据观的专栏栏目>>>

责任编辑:陈近梅

分享:
2022全数会
贵州

贵州大数据产业政策

贵州大数据产业动态

贵州大数据企业

更多
企业
更多