一、KANO模型所屬模塊

KANO模型歸在SPSSAU【問卷研究】模塊。

二、方法概述

KANO模型主要用于識(shí)別用戶需求類型，幫助判斷哪些功能會(huì)提升滿意度，哪些功能缺失后更容易引發(fā)不滿。它常用于產(chǎn)品優(yōu)化、服務(wù)改進(jìn)、問卷研究等場景，適合做需求優(yōu)先級排序。

三、變量設(shè)置規(guī)則

1. 需要設(shè)置的變量類型

KANO模型需要設(shè)置兩類變量，分別是正向題和反向題，兩類變量都為必填，各自最少放入1項(xiàng)，最多可放入200項(xiàng)。實(shí)際操作時(shí)，通常按同一功能或服務(wù)的一正一反成對設(shè)置，這樣更便于后續(xù)分類判斷。

（1）正向題

正向題用于詢問“如果具備某項(xiàng)功能或服務(wù)，用戶會(huì)有什么感受”。這一欄必須放入變量，數(shù)量至少1項(xiàng)，最多200項(xiàng)。若一次分析多個(gè)功能點(diǎn)，建議每個(gè)功能單獨(dú)對應(yīng)1道正向題。

（2）反向題

反向題用于詢問“如果缺少某項(xiàng)功能或服務(wù)，用戶會(huì)有什么感受”。這一欄同樣必須放入變量，數(shù)量至少1項(xiàng)，最多200項(xiàng)。反向題應(yīng)與正向題一一對應(yīng)，否則結(jié)果匯總時(shí)不利于準(zhǔn)確解釋。

四、分析結(jié)果表格及其解讀

1. 輸出表格概覽

SPSSAU進(jìn)行KANO模型分析后，通常會(huì)輸出4張核心結(jié)果表，分別用于查看分類規(guī)則、各功能歸類結(jié)果、原始數(shù)量分布以及有效樣本量情況。

2. 表1：KANO模型評價(jià)結(jié)果分類對照表

該表格的作用是展示正向題與反向題不同回答組合，對應(yīng)會(huì)落入哪一種KANO需求類型，表內(nèi)包含正向題選項(xiàng)、反向題選項(xiàng)以及A、O、M、I、R、Q六類分類標(biāo)記。

● 正向題與反向題組合：用于確定每位受訪者對某項(xiàng)功能的需求歸類。判斷時(shí)只需要看該受訪者在正向題和反向題中的答案落在哪個(gè)交叉位置，交叉格對應(yīng)的字母就是該次評價(jià)結(jié)果。

● A：表示魅力屬性，意思是有了會(huì)明顯加分，沒有時(shí)用戶通常也不會(huì)強(qiáng)烈不滿。判斷上，如果某項(xiàng)功能更常被歸到A，說明它適合做體驗(yàn)提升點(diǎn)。

● O：表示期望屬性，功能表現(xiàn)越好，滿意度越高，功能不到位時(shí)也容易帶來不滿。如果某項(xiàng)功能更多落在O，通常說明它是直接影響評價(jià)的重要因素。

● M：表示必備屬性，用戶往往覺得“應(yīng)該有”，做到了未必特別加分，但缺失時(shí)不滿會(huì)很明顯。如果某項(xiàng)功能主要落在M，通常說明它屬于基礎(chǔ)配置。

● I：表示無差異屬性，是否提供這項(xiàng)功能，對滿意度影響都不明顯。如果某項(xiàng)功能主要落在I，說明當(dāng)前用戶并不太在意它。

● R：表示反向?qū)傩裕f明用戶可能更不希望出現(xiàn)該功能或該功能設(shè)計(jì)方式不符合預(yù)期。若R占比偏高，通常提示該功能需要謹(jǐn)慎上線。

● Q：表示可疑屬性，多見于答題矛盾、理解偏差或填寫不認(rèn)真。若Q占比偏高，說明題目設(shè)計(jì)或數(shù)據(jù)質(zhì)量需要重點(diǎn)檢查。

3. 表2：KANO模型分析結(jié)果匯總

該表格的作用是匯總每個(gè)功能或服務(wù)最終落入哪一類需求類型，同時(shí)給出各類型占比以及Better、Worse兩個(gè)核心指標(biāo)，是解釋KANO結(jié)果時(shí)最常用的一張表。

● A、O、M、I、R、Q占比：表示某項(xiàng)功能被判定為各類屬性的比例。作用是觀察分類分布結(jié)構(gòu)。判斷時(shí)，哪一類占比最高，通常就以哪一類作為該功能的主要分類結(jié)果；如果幾類占比很接近，則說明該功能認(rèn)知較分散，解釋時(shí)要更謹(jǐn)慎。

● 分類結(jié)果：是對該功能最終類型的歸納結(jié)論。作用是幫助快速完成需求分層。判斷時(shí)，可直接查看結(jié)果屬于A、O、M、I、R中的哪一類，再結(jié)合業(yè)務(wù)目標(biāo)決定優(yōu)先級。

● Better：表示當(dāng)該功能被提供或做好時(shí)，對用戶滿意度的拉動(dòng)強(qiáng)弱。作用是幫助識(shí)別“做出來能不能明顯加分”。判斷標(biāo)準(zhǔn)上，數(shù)值越高越好，越接近高水平，說明越能提升滿意度。

● Worse：表示當(dāng)該功能缺失或做不好時(shí)，對用戶不滿意的影響強(qiáng)弱。作用是幫助識(shí)別“缺了會(huì)不會(huì)惹用戶不滿”。判斷時(shí)通?？雌浣^對值，絕對值越高，說明缺失帶來的負(fù)面影響越明顯，越需要優(yōu)先保障。

4. 表3：KANO模型分析結(jié)果匯總-數(shù)字結(jié)果

該表格的作用是用原始人數(shù)而不是比例，展示每個(gè)功能在A、O、M、I、R、Q各類別中的分布情況，同時(shí)保留分類結(jié)果、Better和Worse指標(biāo)，便于從樣本數(shù)量角度補(bǔ)充判斷。

● 各類別數(shù)字結(jié)果：表示落入不同屬性類別的實(shí)際人數(shù)。作用是幫助判斷比例背后的樣本基礎(chǔ)是否穩(wěn)定。判斷時(shí)，如果某類人數(shù)明顯最多，該功能的分類通常更有支撐；若總體人數(shù)較少，即使比例高，解釋時(shí)也應(yīng)更保守。

● 分類結(jié)果：與匯總百分比表中的結(jié)論相對應(yīng)，用于再次確認(rèn)主要屬性類型。判斷時(shí)，應(yīng)結(jié)合人數(shù)分布和比例分布一起看，避免只看單一指標(biāo)。

● Better與Worse：這兩個(gè)指標(biāo)仍然用于判斷滿意提升和不滿風(fēng)險(xiǎn)方向。實(shí)際解讀時(shí)，可以把這張表看作是表2的數(shù)量補(bǔ)充版。

5. 表4：KANO模型分析有效樣本量

該表格的作用是展示每組正向題與反向題配對后，真正進(jìn)入分析的有效樣本數(shù)量，核心指標(biāo)只有分析有效樣本量。

● 分析有效樣本量：表示該功能在剔除無效、缺失或無法配對的數(shù)據(jù)后，最終參與分析的人數(shù)。作用是判斷結(jié)果是否穩(wěn)定可靠。判斷標(biāo)準(zhǔn)上，樣本量越充足，結(jié)果越穩(wěn)；如果不同功能之間有效樣本量差異很大，說明部分題目可能存在漏答或配對不完整，需要結(jié)合原始問卷檢查。

五、分析結(jié)果圖表及其解讀

SPSSAU的KANO模型會(huì)輸出Better-Worse系數(shù)圖1種核心圖表，用于直觀比較各功能對滿意提升和不滿意風(fēng)險(xiǎn)的雙重影響。

Better-Worse系數(shù)圖

該圖本質(zhì)上是一個(gè)需求優(yōu)先級分布圖，每個(gè)點(diǎn)代表一項(xiàng)功能或服務(wù)?？v向位置越靠上，說明該功能做得好時(shí)越能提升滿意度；橫向位置越靠右，說明該功能缺失時(shí)越容易引發(fā)不滿。判斷時(shí)，如果某個(gè)點(diǎn)同時(shí)偏上又偏右，往往說明這類功能既重要又敏感，通常應(yīng)優(yōu)先優(yōu)化；如果位置偏下且偏左，通常說明當(dāng)前對整體滿意影響相對有限。

以上就是SPSSAU KANO模型的相關(guān)內(nèi)容，更深入教程可查看SPSSAU幫助手冊、教學(xué)視頻、疑難解惑等資料。