KANO 模型分析

先分清你要的是需求类型、属性效用还是选项覆盖。KANO 解决类型与 Better-Worse；联合分析估计部分效用；惩罚分析看 JAR「太多/太少」对总体喜好的扣分。

• KANO 模型：每个功能 1 道正向题 + 1 道反向题，输出六类频数、最终归类与 Better-Worse。

• 联合分析：实验设计下的属性水平效用与相对重要性。

• 惩罚分析：JAR 量表偏离「正好」时对总体喜好的惩罚。

• NPS / 满意度：总体推荐或满意得分，不拆功能属性类型。

输入

必须按偶数成对勾选列，顺序为：功能1正向、功能1反向、功能2正向、功能2反向……列名建议带「_正向 / _反向」，系统会去掉后缀作为功能名。量表约定：1=喜欢，2=理所当然，3=无所谓，4=勉强接受，5=不喜欢。定量或定类编码均可，但必须能转为 1–5 整数。

• 正反向成对题项：最少 2 列（1 个功能），最多 100 列（50 个功能），列数必须为偶数。

输出

结果表列：产品功能，魅力型(A)、期望型(O)、必备型(M)、无差异型(I)、反向(R)、可疑(Q) 的人数，最终归类，Better 指数，Worse 指数。同时输出 Better-Worse 四象限散点图与文字洞察。

产品限制

• 成对列上的缺失按行删除后再归类；各功能的有效 N 以该对题的完整作答为准。

• 最终归类取六类中频数最大者；并列时按实现中的键顺序取最大值。

• Better、Worse 的分母是 A+O+M+I，不含 R 与 Q。

• 非 1–5 的编码会被当作可疑（Q）。导入前请把「很喜欢/不喜欢」文字量表重编码。

• 这些规则来自 StatsX 实现，与部分 SPSS 宏「先比 M 再比 O」的并列处理可能不同。

研究问题。 一款产品问卷对「通知」「搜索」「导出」三个功能各问了正向与反向感受，希望判断它们属于哪一类需求，以及提供/不提供对满意度的拉动与惩罚。

教学示例工作表为「kano」，三个功能成对题的有效作答均为 80 份。本案例中「通知」众数为反向属性，「搜索」「导出」众数为无差异；Better 最高的是通知（0.3462），Worse 绝对值最大的也是通知（-0.3846）。下载后按列顺序勾选 通知_正向、通知_反向、搜索_正向、搜索_反向、导出_正向、导出_反向 即可复现。

下载教学示例表（KANO 问卷）

1. 步骤 1 · 上传表格

   打开工作台，将 Excel / CSV / JSON 拖入上传区。本案例使用文本与设计示例 xlsx，确认工作表为「kano」。单文件不超过 20 MB。

2. 步骤 2 · 查看画像与质量

   确认六列均为 1–5 的成对题，列名能区分正向与反向。取值若是文字选项，先编码为 1–5。

3. 步骤 3 · 选择「KANO 模型分析」

   在算法目录搜索「KANO」并点选。适合/可用标记仅供参考。

4. 步骤 4 · 按成对顺序指定题项

   严格按「正向、反向、正向、反向…」勾选，不要把两个正向题挨在一起。本案例共 6 列、3 个功能。点击运行分析。

5. 步骤 5 · 阅读结果

   先看最终归类与 R/Q 是否异常，再读 Better-Worse 散点。研发优先级按 M>O>A>I；反向功能应先复核问卷而不是直接排期。

下表由同一份教学示例在 StatsX 中运行 KANO 得到。每行人数之和等于该功能有效作答 80。Better 越接近 1，提供该功能越能提升满意；Worse 越接近 -1，缺失该功能越会拉低满意。

【KANO模型】功能数=3，优先级 M>O>A>I。

解读顺序建议：有效 N → 最终归类是否被 R/Q 主导 → Better 与 Worse → 再谈优先级。本案例「通知」反向 23 人、无差异 20 人，众数为反向属性，说明不少受访者在「提供通知」与「不提供通知」上的态度组合与预期相反，应先检查题目是否问反、选项是否编码反了，而不是直接把通知当魅力功能去做。搜索与导出的无差异众数很高（35 与 24），Better 也偏低，更适合作为「可延后」而不是当前必须交付项。

设正向题 P、反向题 N 的取值均为 \{1,2,3,4,5\}（喜欢→不喜欢）。每位受访者映射到评价表中的一类 c\in\{A,O,M,I,R,Q\}。例如 (P,N)=(1,5) 为期望型 O，(2,5) 为必备型 M，(1,2) 为魅力型 A，(2,2) 为无差异 I，(5,1) 为反向 R，(1,1) 与 (5,5) 为可疑 Q。功能的最终归类取频数最大的一类。Better（满意度提升系数）与 Worse（不满意度系数）为：

分母不包含反向与可疑，避免把逻辑冲突的答卷算进满意度弹性。散点图以 Worse 为横轴、Better 为纵轴，用于对照「提供的奖励」与「缺失的惩罚」。产品优先级惯例为必备型优于期望型优于魅力型优于无差异型。

• 量表方向必须与 1=喜欢、5=不喜欢 一致；李克特「非常同意」编码反了会把 O 与 R 对调。

• 列顺序必须成对。把两个正向题当成一对，归类表会毫无意义。

• 众数归类对样本波动敏感：两类人数接近时，多一份问卷就可能改类别。

• R 高不是「用户讨厌该功能」的充分证据，更常见的是题目或编码反了。

• Better/Worse 是样本比例，不是因果效应，也不能跨研究比较绝对值。

• 教学示例若由随机 1–5 生成，R 与 Q 会偏高，只适合练习操作，不宜当作真实需求结论。

确定功能类型后，可用联合分析估计水平效用，或用总体满意度 / NPS 做结果指标；JAR 产品则转向惩罚分析。

• Kano, N., Seraku, N., Takahashi, F., Tsuji, S. Attractive quality and must-be quality[J]. Journal of the Japanese Society for Quality Control, 1984, 14(2): 39–48.

• Berger, C. et al. Kano’s methods for understanding customer-defined quality[J]. Center for Quality Management Journal, 1993, 2(4): 3–36.

• 科特勒, 凯勒. 营销管理[M]. 格致出版社.