1. KANO 模型概念与价值
用户场景：需求评审会上的“公说公有理”
周二下午的需求评审会上，产品经理、设计师、开发 Leader 对着 47 条需求争执了 90 分钟——“这个功能用户一定需要”“那个不做用户会骂”“这个做了用户超惊喜”，但谁都无法证明自己的判断。最终只能按“声音最大的人”拍板，上线后却发现：投入 3 周开发的“重磅功能”只有 5% 的点击率，而一个被忽略的“小优化”却引发了大量客诉。
业务问题：缺少区分“必须做”与“可以做”的科学标尺
产品团队每天面对数百条需求，最核心的痛点是 优先级排序缺乏结构化依据。常见结果是：
- 同质化堆砌：只做竞品有的功能，陷入价格战；
- 资源浪费：把大量精力放在“表面光鲜”的兴奋型功能上，基本体验却满是漏洞；
- 满意度陷阱：功能做了一大堆，用户满意度纹丝不动。
KANO 模型定义：三类需求与满意度曲线
东京理工大学教授 狩野纪昭（Noriaki Kano） 在 1984 年提出了 KANO 模型，将用户需求按“实现程度”与“用户满意度”的关系分为三类：
| 需求类型 | 核心定义 | 用户心理 | 典型特征 |
|---|---|---|---|
| 基本型（Must-be / M） | 用户认为“理所当然”的属性 | 不做→非常不满；做了→觉得本该如此 | 不满足会直接导致客诉或流失 |
| 期望型（One-dimensional / O） | 用户明确想要、越多越好的属性 | 做得越好→越满意；做得差→不满意 | 线性关系，是竞争差异化的主战场 |
| 兴奋型（Attractive / A） | 超出用户预期的惊喜属性 | 不做→不会不满；做了→非常惊喜 | 短期带来口碑效应，但会随时间降级为期望型 |
用户访谈：用 KANO 问卷发现需求属性
要准确判断需求属于哪一类，不能靠“拍脑袋”，而要通过 配对提问 进行结构化访谈。每一条需求都需要问用户两个方向的问题：
- 正向问题：如果产品提供这个功能，您会觉得怎样？
- 反向问题：如果产品不提供这个功能，您会觉得怎样？
每个问题提供五个选项：
| 选项 | 编码 |
|---|---|
| 我很喜欢 | 5 |
| 理所当然 | 4 |
| 无所谓 | 3 |
| 勉强接受 | 2 |
| 我很不喜欢 | 1 |
将正/反答案组合后，对照 KANO 评价表即可判定需求属性（M / O / A / I / R / Q）。
需求拆解：从问卷结果到分类矩阵
收集 30～50 份有效问卷后，统计每条需求在“M / O / A / I / R / Q”上的频次，取 出现次数最多的类别 作为最终属性。常见分类结果及解读：
- M（基本型） → 必须修复或保留，是“底线”；
- O（期望型） → 优先投入资源，是“竞争力”；
- A（兴奋型） → 选择性投入，作为“惊喜弹药”；
- I（无差异型） → 暂不投入，用户不关心；
- R（反向型） → 用户反感，坚决不做；
- Q（可疑结果） → 问卷设计问题，需重测。
方案表达：基于 KANO 分类的优先级策略
将需求分类结果映射到产品路线图中，形成 三层优先级结构：
- P0（底线性）：所有 M 类需求。不做则产品不可用，必须在本迭代完成；
- P1（竞争力）：O 类需求。做得越好，满意度越高，作为版本核心卖点；
- P2（惊喜性）：A 类需求。每个大版本选择 1～2 个投入，制造口碑话题。
指标验证：Better-Worse 系数量化分析
为了更精确地衡量每个需求对满意度的影响，计算 Better 系数（满意度提升力） 和 Worse 系数（满意度破坏力）：
Better = (A + O) / (A + O + M + I)
Worse = (M + O) / (A + O + M + I) × (−1)
解读规则：
- |Worse| 高 → 基本型属性强，缺失会严重降低满意度；
- Better 高 → 兴奋型/期望型属性强，做好能显著提升满意度；
- Better 与 |Worse| 均低 → 无差异型（I），可暂缓。
绘制 Better-Worse 四象限散点图（横轴为 |Worse|，纵轴为 Better），可以直观地看到每个需求落在哪个区域：
| 象限 | Better | |Worse| | 策略 |
|---|---|---|---|
| 第一象限 | 高 | 高 | 期望型（O）→ 优先投入 |
| 第二象限 | 高 | 低 | 兴奋型（A）→ 选择性投入 |
| 第三象限 | 低 | 低 | 无差异型（I）→ 暂不投入 |
| 第四象限 | 低 | 高 | 基本型（M）→ 必须完成 |
验收标准：KANO 分析结果的有效性检查
在将 KANO 结论用于决策之前，需要确认分析过程的质量：
- 样本量 ≥ 30 份：低于 30 份统计结果不稳定；
- Q（可疑）占比 < 5%：超过 5% 说明问卷存在歧义或用户不理解题目；
- M / O / A 三类总占比 ≥ 60%：如果大部分需求落在 I 或 R 类，说明需求池本身质量不高；
- Better 与 Worse 的 Cronbach's α ≥ 0.7：问卷信度可接受。
交付物模板：KANO 需求分析报告
每轮 KANO 分析完成后，输出结构化的报告，便于跨角色对齐。推荐使用以下模板：
| 模块 | 内容说明 | 示例 |
|---|---|---|
| 需求编号 | 唯一标识 | REQ-2025-037 |
| 需求描述 | 一句话用户故事 | 作为骑手，我希望在暴雨天获得配送补贴 |
| KANO 分类 | M / O / A / I / R | M（基本型） |
| Better 系数 | 0.00～1.00 | 0.12 |
| Worse 系数 | −1.00～0.00 | −0.81 |
| 优先级等级 | P0 / P1 / P2 | P0 |
| 决策建议 | 明确行动方案 | 当前迭代必须上线，否则骑手客诉率会持续上升 |
| 置信度 | 高 / 中 / 低 | 高（样本 42 份，Q 占比 2.3%） |
将上述表格汇总为 KANO 需求分类总表，并附上 Better-Worse 四象限散点图，即可作为需求评审会的核心决策依据。