东京理工大学教授狩野纪昭基于赫兹伯格的双因素理论提出了KANO模型，这个模型原本不属于互联网领域，现在却被广泛用于产品的需求分析。作为互联网人，了解一点还是很有必要的。
主要分为三个部分：
一、设计调研表格，获取调研数据；
二、KANO二维属性归属分析；
三、Better-Worse系数计算。
一、设计调研表格，获取调研数据；
Paste_Image.png
按照上表的格式，对每一个功能做一个的调研，充分收集用户的数据。
采集回来的数据，需要有一个清洗的过程。
除了剔除一些胡乱填写的数据，一些不符逻辑的异常数据也在清洗之列。
下面将结合二维属性归属表，对数据进行一个清洗及梳理。
二、KANO二维属性归属分析；
Paste_Image.png
Paste_Image.png
1、魅力属性(A):有，非常满意；没有，不会失望；
eg:中午吃饭时的红烧肉。没有红烧肉，一顿饭也能吃；有红烧肉，异常开心。
2、期望属性(O):有，开心；没有，不开心；
eg:中午吃饭时喝汤。有汤，开心，没汤，不开心；
3、必备属性(M):有，没感觉；没有，不开心;
eg:中午可以吃饭，没感觉；中午不能吃饭，阴影面积爆表；
4、无差异属性(I)：有，没感觉；没有，没感觉；
eg:单身狗出去吃午饭，有人陪，没感觉；没人陪，没感觉；
5、可疑结果(Q)
将拿到的数据，按照上述的格式汇总到每一格。
比如，有12个人选择了(提供——很满意；不提供——很满意）这个选项。那么把这个选择按照总投票量，折算成百分比。
如下图所示：
Paste_Image.png
将数值最高的属性作为kano属性。
通过上述步骤，即可量化评估用户的需求属性。
量化完之后，可以按照必备属性>期望属性>兴奋属性>无差异属性的顺序，安排产品需求的优先级了。
除了KANO二维属性归属分析,还可以按照计算Better-Worse系数来量化评估需求优先级别.
三、Better-Worse系数计算。
Better-Worse系数是按照下述公式进行计算。
Better/SI=（A+O）/(A+O+M+I)
Worse/DSI=-1*（M+O）/(A+O+M+I)
Better，可以被解读为增加后的满意系数。better的数值通常为正，代表如果提供某种功能属性的话，用户满意度会提升；正值越大/越接近1，表示对用户满意上的影响越大,用户满意度提升的影响效果越强，上升的也就更快。
Worse，则可以被叫做消除后的不满意系数。其数值通常为负，代表如果不提供某种功能属性的话，用户的满意度会降低；值越负向/越接近-1，表示对用户不满意上的影响最大，满意度降低的影响效果越强，下降的越快。
Paste_Image.png
根据各功能在横纵轴的均值划分12%、40%的分割区分。得到四个象限。
第一象限：期望属性；
第二象限：魅力属性；
第三象限：无差异属性；
第四象限：必备属性；
不同需求属性的功能，按照必备属性>期望属性>兴奋属性>无差异属性安排优先级。
同一需求属性功能，按照better值的高低来排序。
第一次运用markdown语法写东西，纪念一下~~
网友评论