1.1 课程概述与学习目标
本课程系统讲授如何将 KANO 模型（用户需求分类与满意度权重）融入 RICE 评分（覆盖度、影响力、信心度、工作量），形成一套可复用的加权优先级排序流程。在真实产品决策中，单纯使用 RICE 容易忽略用户需求层次差异，而 KANO 权重恰好弥补这一缺陷。
适用场景
- 产品需求列表优先级排序：在功能 backlog 中筛选高 ROI 且满足核心用户需求的功能。
- 功能价值评估与资源分配：多项目竞标时，为不同 KANO 分类的需求赋予差异权重，避免资源错配。
- SaaS / 互联网产品版本规划：将兴奋型功能与基本型功能统一到同一打分体系，防止“唯 RICE 论”导致用户体验断层。
前置知识要求
| 知识领域 | 要求等级 | 说明 |
|---|---|---|
| KANO 模型 | 理解 | 熟悉基本型、期望型、兴奋型、无差异型、反向型五大分类 |
| RICE 评分 | 理解 | 掌握 Reach, Impact, Confidence, Effort 四个维度的定义与打分方法 |
| 产品优先级决策 | 了解 | 有过至少一次使用单模型（如 ICE 或 MoSCoW）排序的经验 |
| 基础数据分析 | 了解 | 能阅读权重乘加计算表，不要求编程能力 |
学习目标（完成本课程后）
- 能够独立将已完成的 KANO 问卷结果转化为 分类权重系数（如基本型 ×1.5，期望型 ×1.0，兴奋型 ×0.8）。
- 能够将 KANO 权重嵌入 RICE 评分计算过程，输出 加权 RICE 总分。
- 能够使用课程附带的 Excel / 在线模板完成 10 条需求以上的批量排序。
- 能够识别并处理 异常情况（如某需求同时归属多类、信心度过低）。
融合价值概述
KANO 模型提供“用户满意度-完成度”曲线，但不能量化 ROI；RICE 评分提供量化公式，但忽略需求层次差异。两者融合后，形成以下闭环：
- 输入：原始需求列表 + KANO 问卷调查数据 + RICE 维度估算值。
- 处理：对每项需求计算 KANO 权重 → 加权代入 RICE 公式 → 得出融合优先级分数。
- 输出：按加权总分降序排列的优先级列表，附带决策建议（如“先做高权重基本型需求”）。
适用提示：本课程强烈建议在已有 KANO 问卷数据（至少 30 份有效问卷）和初步 RICE 估算的基础上学习。若数据不足，第 22 章会提供“数据缺失时的插值方法”。
本章所涉流程要素示意
输入 / 输出物定义
| 类型 | 名称 | 格式 / 来源 | 责任角色 |
|---|---|---|---|
| 输入 | 需求列表（含 5W1H 描述） | Excel / Jira 导出 | 产品经理 |
| 输入 | KANO 问卷汇总表 | 分类统计结果（better-worse 系数） | 数据运营 / 用户研究 |
| 输入 | RICE 预估表 | 各维度 1-10 整数打分 | 产品团队 / 开发 lead |
| 输出 | 加权优先级排序表 | 带 KANO 权重列的 RICE 总分 + 排名 | 产品经理 |
责任边界
- 产品经理：提供需求原始描述、确认 KANO 分类准确性、使用本课程模板输出最终排序。
- 用户研究 / 数据团队：执行 KANO 问卷并产出分类结论，不介入权重取值。
- 开发团队：提供 Effort 工作量估算（人天），不参与权重决策。
记录材料
课程配套提供以下文档（位于每章附件区）：
KANO_RICE_权重模板.xlsx— 自动化计算表，含公式与示例数据。需求列表模板.csv— 标准化输入格式。异常处理清单.md— 常见问题与应对方案。
异常预判：若 KANO 分类出现“模糊类别”（同一需求落在两个类别的边界，Better-Worse 值接近阈值），请在第9章“异常处理”中获取判断规则，切勿主观硬分类。
验收标准
- 学员能准确说出 KANO 权重融入 RICE 的前置条件。
- 学员能正确填写输入表格，在课程提供的模板中运行计算并得到排名。
- 学员能识别至少 2 种常见异常（如信心度过低、Effort 缺失），并知道对应的处理章节编号。