手把手教你用kano模型做到需求分析

下是：

3. 数据集去除

在收集所有短文之后，注意去除打碎个别明显胡乱问的个例，如全部疑虑都选择“我很爱好”或“很不爱好”的，这种问毫无参考价小得多值。

4. 归为校订

将数据集去除过的调查短文，进行时数据集统计数字，比如某一个应用程序对于提供者【截图通话】动态是爱好，不提供者是全然，这个时候这个结果就需在请注意表单中都纵向爱好与外侧全然中都记一票，依次类推进行时数据集统计数字。

5. 量化数据集，判别物件

上述表单数据集校订完成后，将同类标准型需进行时讲和统计数字，算出不尽相同类标准型需占比，占比小得多的物件，即为该动态的物件归属，也决定了该动态的完全一致话语权。

其中都需注意的一点是，这里表单的格式是固定的，就用请注意的表单并不一定，同色或者同字母对此的就是同一类标准型需，这也是kano建模物理定义而成，这里不需继续做但会的纠结。

6. 根据数据集延续配置文件及判别严重影响

如果时说表单法能似乎的针对某一个需真伪进行时判别，那如果受制于多个需，如何识别需真伪、判别需配置文件，这个时候则需引入更完全一致的数据集计算：Better-Worseformula_， 它更适合受制于多需时如何应于需配置文件。

公式如下：

增高后的吃惊formula_ Better/SI=（A+O）/(A+O+M+I)

去除后的不吃惊formula_ Worse/DSI=-1*（O+M）/(A+O+M+I)

Batter-Worse对此的是增高或者是去除某一动态对上半年的严重影响层面。

Better的数量级通常为正，对此提供者某动态后，应用程序的上半年都会强化。其正小得多值越迟，代表应用程序上半年强化的功效都会越强，上半年上升的越迟。

worse的数量级通常为负，对此不提供者某动态后，应用程序的上半年都会降偏高。其负小得多值越迟，代表应用程序上半年降偏高的功效都会越强，上半年下降的越迟。

网上查询关于kano建模的时说明，之外上并无法讲解这个formula_怎么计算与插图的，这里我们手把手的时说一下。

假定我们现在面临有的需有5个动态点，在无法使用kano建模之前，我们不并不知道这些需确实真的需去继续做，以及不并不知道改前提行执行哪一个。

这个时候我们就需先行对这5个动态点进行时筹备工作短文测试。

完全一致可以参照上文时说的筹备工作短文所设计手段。这里需提一点的是，如果我们给应用程序筹备工作短文中都疑虑设置的比起多，尽量避免应用程序继续做题批量的话，阵列外侧单选。

把疑虑动态点阐述作为行，5级评分作为列，这样都会较高效一点。重回这个用例：

（1）所设计筹备工作短文；

（2）数据集去除，校订数据集，输出对应动态的各个数量级：

这里因为formula_计算手段中都不需启动时物件，所以可以不回避。

人口为120人不尽相同formula_计算各个动态的batter和worse小得多值：

计算四象法则零点坐标：

这里的零点不是（0,0），是由上述5个动态中都，batter小得多值与worse的绝对小得多值的均小得多值作为零点。

Average(better)=(32%+38%+24%+35%+37%)/5=33%

Average(worse)=(-48%+-61%+-32%+-63%+-25%)/5=-46%

所以坐标零点是（46%，33%）横轴是worse小得多值，水平线是batter小得多值。

绘图四向外图：

这里散点的放于即为各个动态点的坐标点与坐标零点（46%，33%）想比起，处于什么后方，分布在四向外中都即可。

第一向外对此：betterformula_量级较高，worseformula_绝对小得多值也很较高的可能。取走这一向外的因素所，称之为是期待因素所，即对此；也列产品提供者此动态，应用程序上半年都会强化，当不提供者此动态，应用程序上半年就都会降偏高；第二向外对此：betterformula_量级较高，worseformula_绝对小得多值偏高的可能。取走这一向外的因素所，称之为是魅力因素所，即对此不提供者此动态，应用程序上半年不都会降偏高，但当提供者此动态，应用程序上半年都会有很大强化；第三向外对此：betterformula_量级偏高，worseformula_绝对小得多值也偏高的可能。取走这一向外的因素所，称之为是无不尽相同因素所，即无论提供者或不提供者这些动态，应用程序上半年都不都会有改变，这些动态点是应用程序这不在意的动态；第四向外对此：betterformula_量级偏高，worseformula_绝对小得多值较高的可能。取走这一向外的因素所，称之为是必备因素所，即对此当；也列产品提供者此动态，应用程序上半年不都会强化，当不提供者此动态，应用程序上半年都会大幅度降偏高；时说明取走此向外的动态是最之外的动态。

Batter-Worseformula_，本质上是计算2个坐标小得多值，将相关的结果对应的向外，即可算出该动态同属哪一物件需（一个动态只计算一个）回事是从数据集上理解了kano建模不尽相同类标准型需具备层面，对于应用程序上半年的严重影响层面。

需配置文件先行后顺序，从上述的结果中都，我们算出：

动态1：同属必备标准型；动态2、4：输出期待标准型；动态5：同属魅力标准型；动态3：同属无不尽相同标准型。

因此配置文件先行后顺序上，先行执行动态1，其次动态2和4先行执行偏高成本的需，最后执行动态5，动态3则不得不不需执行。

综上就是通过batter-worseformula_来判别近期需真伪以及评定配置文件的数据集手段。

同时我们如果动态的数据集量够大，也能通过batter-worseformula_绘图成如下的图，来对此各个物件的动态具备与不具备对应用程序的严重影响层面。

四、归纳

Kano建模回事这不是很适合于，可以简要的用下述流程图归纳：

Kano建模可以较好的对需进行时分级，也可以帮助我们将日常受制于的零零总总的需，进行时物件归为，定性分析。

完全一致什么样的需某种程度继续做，什么样的需某种程度前提行继续做，什么样的需不需花大力气去执行。

最后，关于kano建模中都有理解不顺畅的地方，希望大家批评指正。

本文由 @叽里咕噜 原创发布于自觉都是；也列产品副经理，未经许可，禁止刊发。

题图来自 Unsplash，基于CC0协议。

。

昆明看白癜风权威医院
普洱白癜风哪里治疗好
合肥哪里有白癜风医院
急支糖浆效果怎么样
小孩感冒咳嗽吃什么药
钇90微球
钇90治疗
肝癌晚期怎么办