2. KANO模型基础：三类需求、魅力属性、权重意义
2.1 适用场景
KANO模型用于对用户需求做定性分类，帮助团队识别基本型（必备）、期望型（线性）和兴奋型（魅力）三类需求。在RICE评分中引入KANO权重，适合以下场景：
- 产品路线图优先级排序 — 需要区分“不做会死”与“做了会加分”的需求。
- 资源受限下的功能取舍 — 只能交付少量功能时，优先保障基本型，再选择性投入兴奋型。
- 用户满意度提升规划 — 通过魅力属性制造惊喜，提升NPS与留存。
- RICE评分校准 — 将需求类型转化为权重系数，修正“用户价值”维度的主观偏差。
2.2 前置条件
执行KANO权重设定前，必须完成以下准备工作：
- 已完成用户需求调研（问卷/访谈/日志分析），原始需求列表已清洗、去重。
- 具备至少一份用户满意度基线数据（可通过CSAT或NPS测量）。
- 团队（产品、设计、数据、开发）已接受KANO模型基础培训，对三类需求有统一理解。
- RICE评分的其他三个维度（Reach、Impact、Confidence、Effort）已有初步评估框架。
2.3 操作步骤
采用“分类 → 映射 → 校验”三步法完成KANO权重设定：
- 需求分类 — 根据用户调研结果，将每条需求归入基本型、期望型或兴奋型。若数据模糊，组织内部“需求分类工作坊”投票裁决。
- 权重映射 — 按照下表（2.4节）的参考系数，为每类需求赋予RICE权重。权重乘以Impact维度得分，形成加权用户价值分。
- 权重校验 — 抽取3~5条典型需求，代入RICE公式试算，检查排序结果是否符合业务直觉；若偏差过大，回退至步骤1重新审视分类。
💡 经验建议： 第一次使用KANO权重的团队，优先采用“基本型×3 / 期望型×2 / 兴奋型×4”的简化系数，运行一个迭代后再校准。
2.4 输入输出物
| 类型 | 名称 | 说明 |
|---|---|---|
| 输入 | 需求列表（含用户反馈摘要） | 来自调研、反馈、竞品分析的原始需求 |
| 输入 | 用户满意度基线数据 | CSAT / NPS / 满意度量表的当前分数 |
| 输出 | KANO分类矩阵 | 每条需求标注类别（Must-be / One-dimensional / Attractive） |
| 输出 | 权重系数对照表 | 见下方参考表 |
参考权重系数对照表（基于行业实践，团队可按产品阶段微调）：
| 需求类型 | 别名 | 用户心理 | 满意度曲线 | 推荐权重（RICE‑V） |
|---|---|---|---|---|
| 基本型 | 必备属性 | 理所当然，不做会骂 | 指数型（下弯） | 2.5 ~ 3.5 |
| 期望型 | 期望属性 | 越多越好，越多越满意 | 线性 | 1.5 ~ 2.5 |
| 兴奋型 | 魅力属性 | 意料之外，带来惊喜 | 指数型（上弯） | 3.5 ~ 5.0 |
2.5 责任边界
- 产品经理 — 主导需求分类决策，组织工作坊，对权重映射结果负责。
- 数据分析师 / 用户研究员 — 提供用户调研与满意度数据，协助量化分类依据。
- 开发团队（Tech Lead） — 确认技术可行性，对Effort维度的估算负责；不参与权重设定，但拥有质疑权。
- 决策委员会（EM/VP） — 审批最终权重系数与优先级排序结果。
2.6 记录材料
- KANO分类登记表（模板含：需求ID、需求名称、用户证据、分类结果、分类依据、分类人、评审日期）。
- 权重设定评审纪要（含系数选择理由、争议点、最终决议）。
- RICE评分试算记录（至少3条典型需求的完整计算过程，用于校验）。
2.7 异常处理
⚠ 常见异常与应对：
- 需求类型模糊 — 用户反馈同时包含“基本型”和“期望型”特征。→ 退回数据分析师补充用户调研，或按“就高不就低”原则暂归为期望型，后续验证。
- 用户数据量不足 — 样本量 < 30，分类置信度低。→ 统一采用“期望型”默认权重（1.5），避免误判导致优先级偏差。
- 权重争议 — 产品经理与开发对某类权重达不成一致。→ 升级至决策委员会，参考历史项目数据做类比决策。
2.8 验收标准
- 所有存量需求已完成KANO分类，分类记录可追溯、可审计。
- 权重系数有明确的决策依据（调研数据 / 历史经验 / 委员会决议），并存档在评审纪要中。
- 通过3条以上典型需求的RICE试算，排序结果与业务直觉偏差 < 20%。
- 团队全员对分类标准和权重系数达成共识，无遗留争议项。