產品功能開發排序邏輯 : 狩野分析 (Kano Model)

這是系列的第四篇，概略介紹我覺得夠科學但難度不低的 Kano Model。多年前從 Nor Chen 那邊很認真上了這個分析模式的課程（筆記我都還留著，邊寫這篇邊參考 XD），有種下一些關於分析邏輯的概念，特此致謝。

Kano 模型由日本東京理科大學教授 狩野紀昭 (Noriaki Kano) 於 1984 年提出，原先用於製造業品質管理，隨後被 UX 與產品管理領域廣泛引用。狩野分析的貢獻在於發現產品功能與使用者滿意度存在四種不同的關係模式，這可以幫助我們了解（使用者眼中）哪些功能是基本需求、哪些能帶來驚喜，從而改善資源配置。因此，雖然嚴格說來這應該是調查方法不真的是排序框架，但我仍然視其有這樣的功效。

雙題組

為了探知目標客群對於不同功能的觀點，先挑出那些你想要探測的功能，然後針對每個功能撰寫正負向的題目，每組兩題：

• 如果產品「提供」此功能，你的感受為何？
• 如果產品「不提供」此功能，你的感受為何？

答案選項都是五等制，由高到低是：「喜歡」、「理所當然」、「無所謂」、「能忍受」和「不喜歡」。

需注意題目本身應該是經過嚴謹設計的，因為你的用詞很大程度會影響讀者的想法。一些問卷調查的基礎（正反向題不要放一起問）那類也需注意，都使用這種科學的方法調查了，別死在很根本的地方。

五種類別

Kano 能將功能或服務分為五大類：

• 基本型 M：缺少即強烈不滿，但有了也不加分，屬於基本門檻條件。比方說電商採用 HTTPS 加密、旅館要供應熱水這種。
• 期望型 O：偏線性，相關的東西做好就加分、做不好就扣分（所以英文為 One‑dimensional）。比方說手機續航力、外送到貨時間這類。隨著時間過去，使用者最基礎的期望可能會變高，那麼也就可能變成被分類到基本型。
• 魅力型 A：使用者無預期，出現的話大加分，但缺少也不覺失望。比方說最開始的 24 小時到貨服務、藍牙耳機的自動配對功能等等 — — 跟上一則搭配，你也可以明顯理解到這份魅力也會有時效性，一旦競品仿效普及就會轉化。
• 無差異型 I：無論好壞，使用者都不在意。當然所有的功能當時會做都必然是有人認為值得，至於那位認為值得的人是否真是目標使用者，就不確定了，但總之這項不扣分。
• 反向型/不需要 R：「無差異型」的描述也許讓你意會到不同類型使用者的調查結果可能不同，這項也是，且更極端地是「有了這個服務或這項功能，某些特定使用者會越反感」。比方說… 中職的啦啦隊女孩之於本質球迷來說，搞不好還會嫌擋到看球。

怎麼從問卷的答案將使用者的意見歸納到這些類別？基本上就是對表格

計算的部分，包含敏感度分析的公式可以參考嫁給 RD 的 UI Designer 那邊排版精美敘事簡要的文（表格也是來自她那裡），讓我沾一下前同事的光。

優先序

要講處理優先序的話，大概很容易想像得到「無差異型」不必做、「基本型」有了以後可能不用多做改善。至於其他三類則跟產品當下的策略有很大關係，比方說：

• 如果判斷有哪些基本型根本是此產品的底線，也就是會被畫進 MVP 的範疇，而我們居然還沒做，那應該無庸置疑是優先處理。（雖然理論上這個等級的東西只要問五個人就抓得出來，不見得需要靠 Kano。）
• 也許針對所謂「大客戶」的需求就丟進去做，但做完發現對大部分客群是反向型的功能，可能評估有多痛以後會優先處理（拔掉或提供關閉選項）。
• 當然，也很可能在考慮當前競品勢態後，會決定放棄部分看似「基本型」的功能不做（僅提供替代方案，或直接放棄一部分的目標市場），全力專攻某特定的「魅力型」功能，以便利用自己無可取代的優勢在特定利基市場創造壁壘。
• 自己其他正向類型的功能都很強的話，那就去看基本型還有沒有辦法玩出什麼花吧？或許這時是落入 Product Discovery 的層面，那就無關優先序了。

用這種方法來衡量優先序的優點

• 真實關注目標客群聲音：透過雙題組問卷蒐集實際使用者對「有／沒有」某功能的情感反應，減少團隊閉門造車或高層拍腦袋的風險。
• 預測潛在驚喜功能：就算功能尚未上市，只要描述得宜，用戶仍能表態「若出現將大幅加分」或「其實無感」，讓團隊及早押注差異化亮點。
• 提供跨部門共同語言：五個定義清楚的類別，讓 PM、UX、RD、Marketing 能迅速對齊「做多、做少、要不要做」的底線與目標。
• 支援市場分群與定價策略：相同功能在重度專業用戶與新手用戶可能落在不同象限，可依此設計 Tiered Pricing、加值功能包或上線順序。
• 補足生命週期管理：定期重測能觀察功能從「魅力 → 單維 → 基本」的位移，提醒團隊提早轉向效率化維護或尋找下一波驚喜。

那，缺點…

• 沒有考慮實作成本與商業回收：Kano 只看使用者感知價值，未納入技術難度、法規限制與 ROI 等等，所以八成還是需要搭配其他方式才能真正排序。
• 問卷設計與抽樣門檻高：雙題組措辭要精準、樣本要具代表性；若樣本偏差或數量太少，分類結果容易失真，反而誤導決策。
• 分析流程繁瑣：從交叉矩陣歸類、顯著性檢定到分群視覺化，都需統計背景與工具支援，純手動作業耗時又易出錯。
• 資料時效性：現代社會變化越來越快，但這個分析考慮到設計、調查跟分析，似乎很難快得起來；此外因為是收集使用者的期待，考慮到人心必然會變，若沒有定期重測，過期數據反而成為包袱。

如果要使用 Kano 來衡量優先序，我的一些想法

如前所述，我雖然認真學了這套方法、也曾經想拿來實踐（因此還真的想了不少），但終究是沒能成行，因此以下最多是些曾經的考量，參考便是。如果有做過多次的夥伴願意留言分享一下經驗，那就太感謝了。

但總之，我的想法：

• 也許策略上要特別注意「魅力型」跟「期望型」的貶值問題：前面有提到這兩個可能隨時間逐步會往基本型前進，那麼選擇要做哪件事情的時候其魅力所為何來、自己有哪些別人較難複製的因素可以讓魅力更勝一籌，可能就是需要考量的地方。
• 問卷設計是門學問，上場前多跑幾次 pilot 測試：這個分析認真做一次的成本不低，時間不短。都要做了的話應該會期待讓可信度高一點，先跑幾次測試為佳。
• 這個其實大概很難阻擋「功能越多越好」的那種想法，但你可以從那麼多東西裡先挑更符合策略的做。為了讓整體說服邏輯更完備（「可以很有信心的說某功能實際上在我們真正的客群裡屬於無差別」），客群定義和抽樣分層應該遠比乍看之下重要。
• 資料搜集後的分析是很純粹的統計與查表，應該是可以考慮做點自動化。
• Nor 有分享過一個對岸的簡化版，也許可參考

其他這個系列的文，沒連結的就是還在寫/還在富奸：

• MoSCoW（近似 Now/Later/Future）
• 艾森豪矩陣 （重要性/急迫性矩陣）
• 價值/複雜度矩陣
• Kano 狩野分析（就是這篇）
• ROI/RICE
• 也許不見得那麼沒道理的 HiPPO

我不時會在 LinkedIn 或 Facebook 分享些關於產品管理的看法/見聞/活動，另有讀書會跟線上諮詢，有興趣可以前往 https://www.bobchao.net

如果你覺得這篇還不錯的話，何不幫我按幾下掌聲，幫助演算法讓這篇飄遠一點，幫助其他跟你一樣的人？