相机|KANO模型，一个能解决你工作中90%烦恼的需求分析模型( 二 ) 徕卡|Vans

调研后需要对数据进行清洗，本案例清洗后的数据我放在文末了，需要的自取。
2、处理数据（1）将清洗好的数据上传至FineBI 。添加自助数据集并勾选「KANO原始数据」的所有字段

（2）新增列「合并态度」，将「增加功能态度」与「不增加功能态度」进行合并

按照用户对「增加功能态度」与「不增加功能态度」，最终我们可以通过下表定位某功能对于用户来说是什么需求。

（3）上一步骤我们已经知道如何定位需求类型，接下来要做的就是在分析表中定位判断

（4）添加「分组汇总」，得到每个功能它们各种需求类型的人数
例如参与调研的人数中，认为「功能1」是无差异需求的人数有 48 人

（5）因为调研过程中有些用户会跳题，所以参与每个功能调研的人数有所不同。新增列「参与调研人数」，选择「组内所有值」，如下图所示，求出参与每个功能调研的人数。

3.分析结果可视化小B进入仪表板中，新建组件选择刚刚处理过的自助数据集。
（1）复制 5 个「占比」字段

（2）对复制的「占比」字段进行明细过滤，过滤条件为：类型属于 A。并将其重命名为「A 占比」。

（3）使用 better-worse 系数

better-增加某功能后提升的满意系数：better=（A占比+O占比）/(A占比+O占比+M占比+I占比) ，越接近 1 ，则表示用户满意度提升的效果会越强，满意度上升的越快。
worse-不增加某功能用户的不满意系数：worse=-1*（O占比+M占比）/(A占比+O占比+M占比+I占比) ，越接近 -1 ，则表示对用户不满意度的影响最大，满意度降低的影响效果越强，下降的越快。

根据以上灰字中的better、worse 的公式，新建计算字段「better」「worse绝对值」

（4）选择「散点图」，拖入「better」、「worse绝对值」字段。并将「功能」字段拖入图形属性的标签栏和颜色栏。

（5）分别添加「横向警戒线」和「纵向警戒线」，分别为 better平均值和 worse平均值。

4.分析结果展示最终，小B做出了如下better-worse四象限分布图，决定此次功能更新增加「功能2、功能3、功能5、功能8」。有了数据支撑，大家都很认同他的决定。

以上就是KANO分析的全部过程，在实际工作场景中，情况更加多变，因此需理解KANO模型分析逻辑，提高工作效率。

【相机|KANO模型，一个能解决你工作中90%烦恼的需求分析模型】原始数据及工具获取方式：评论+私信回复KANO