我们在做项目做产品的过程中，经常会接到来自PM/领导/业务方等等的各种需求。有时候哪怕一个小功能、小页面都会争得不可开交。这个时候怎么办呢？到底应该听谁的呢？哪个需求优先级高？哪种呈现方法是更靠谱的呢？
今天我们就来聊聊一个非常实用的需求分级方法——KANO模型。这是一个典型的定性分析模型，一般不直接用来测量用户的满意度，常用于识别用户对新功能的接受度。
在KANO模型中，根据不同类型的需求与用户满意度之间的关系，可将影响用户满意度的因素分为五类：基本型需求、期望型需求、兴奋型需求、无差异需求、反向型需求。
实现思路：通过创建一份调研问卷，收集用户反馈；然后引用这份问卷的数据源创建分析报告，构建图表。
（2）KANO问卷中每个功能都要有正向和反向两个问题，如下图所示：
（3）将设计好的问卷发布，发放给目标用户并邀请填写；
（1）打开本产品的数据源模块，创建一个类型为数据填报的数据连接，然后选择上文创建的表单；
（3）引用上一步发布的数据准备，创建一个名为“kano”的数据模型，清洗、建模工作结束。
进入报告编辑页面，开始创建需要的计算字段。
（1）创建一个名为“合并态度”的计算字段，合并态度=[增加功能态度]+[不增加功能态度]；
按照用户对「增加功能态度」与「不增加功能态度」，我们可以通过下表定位某功能对于用户来说是什么需求。
M：基本（必备）型需求；O：期望（意愿）型需求；A：兴奋（魅力）型需求；I：无差异型需求；R：反向（逆向）型需求；Q：可疑结果
（2）上一步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，使用“CASE条件函数”创建“类型”字段，如下图所示：
类型=CASE[合并态度]WHEN“非常喜欢非常喜欢”THEN“Q”WHEN“非常喜欢理应如此”THEN“A”WHEN“非常喜欢无所谓”THEN“A”WHEN“非常喜欢勉强接受”THEN“A”WHEN“非常喜欢很不喜欢”THEN“O”WHEN“理应如此非常喜欢”THEN“R”WHEN“理应如此理应如此”THEN“I”WHEN“理应如此无所谓”THEN“I”WHEN“理应如此勉强接受”THEN“I”WHEN“理应如此很不喜欢”THEN“M”WHEN“无所谓非常喜欢”THEN“R”WHEN“无所谓理应如此”THEN“I”WHEN“无所谓无所谓”THEN“I”WHEN“无所谓勉强接受”THEN“I”WHEN“无所谓很不喜欢”THEN“M”WHEN“勉强接受非常喜欢”THEN“R”WHEN“勉强接受理应如此”THEN“I”WHEN“勉强接受无所谓”THEN“I”WHEN“勉强接受勉强接受”THEN“I”WHEN“勉强接受很不喜欢”THEN“M”WHEN“很不喜欢非常喜欢”THEN“R”WHEN“很不喜欢理应如此”THEN“R”WHEN“很不喜欢无所谓”THEN“R”WHEN“很不喜欢勉强接受”THEN“R”WHEN“很不喜欢很不喜欢”THEN“Q”
（1）选择“图表”控件，在画布上画出“图表”；
（2）将字段“增加功能态度”、“不增加功能态度”和“类型”分别拖入yx轴和标签，并设置[快速表计算-总额百分比]得到下表；
（3）对样式稍作调整，完成图表制作。
从上表中不难看出，该项功能在6个维度上均有得分，将相同维度的比例相加后，可得到6个属性维度的占比总和。总和最大的一个属性维度，便是该功能的属性归属。
可看出该项功能属于无差异型需求。即说明有没有这个功能，用户都不怎么在意。
如果您只判断这一个需求，那么进行到这一步就可以到此为止了。如果涉及到多个需求的排序分级，你还需进行计算better-worse系数。
表示某功能可以增加满意或者消除不喜欢的影响程度。
Better，可以解读为增加后的满意系数。Better的数值通常为正，代表如果产品提供某种功能或服务，用户满意度会提升。正值越大/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。
better=（A占比+O占比）/(A占比+O占比+M占比+I占比)`
Worse，可以叫做消除后的不满意系数。Worse的数值通常为负，代表产品如果不提供某种功能或服务，用户的满意度会降低。其负值越大/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。
worse=-1*（O占比+M占比）/(A占比+O占比+M占比+I占比)
例如：某产品希望优化10项功能，但是不知道哪些是用户需要的。通过KANO调研分析，可以分别算出10项功能的better-worse系数。根据better-worse系数值，将散点图划分为四个象限以确立需求优先级。如下图所示：