怎么样去辨别需求的真伪，以及确定是真需求以后怎么样去做量化的优先级排序。
大家传统的观念里面，我们会认为用户满意反面是用户不满意。但是有一位美国的心理学家——赫茨伯格，在研究企业员工的满意度的时候，他提出了双因素理论。一般我们认为满意的反面是不满意，不满意的反面是满意。但是他认为，满意的反面不是不满意。他们不是连续体，二者是可以分开的。也说他们满意和不满意，不是二选一的关系。
因此满意的反面是没有不满意。
举个例子说，如果我把令员工满意的一些条件因素去掉，员工充其量就变成了没有满意，他不一定会变成不满意。同样的，我把人不满意的因素去掉，也不一定会直接导致员工不满意，最多只是他没有不满意。这就是叫双因素理论。
赫茨伯格他采访了两百多位美国工商企业的一些工程师，询问他们工作的满意度，研究发现，日常工作当中。员工的满意因素，它分为两种。
激励因素
激励因素的意思是，用户满意的工作本身给你带来的成就感，认可度和责任。比方说你的设计稿上线以后，用户都来评价说，特别高大上特别喜欢，从此以后就爱上了这款产品了，这种是源自于对你工作本身的成就认可，发自内心的开心。
激励因素，他和钱没关系，他和升职加薪没关系，来自于对你精神上的奖励，或者老板对你的责任心的认可，同事的关爱。这种叫做激励因素。
保健因素
第二种因素叫做保健因素，叫保健因素就跟公司政策福利好不好，薪水好不好，工作环境如何这种就叫做保健因素。
发现当具备精神上的激励因素的时候，会增加员工的满意度。但是当没有激励因素，或者缺乏激励因素的时候，员工不会不满意，因为有钱拿还是可以接受。
同样。当我们会发现，当具备保健因素的时候，并不会提高用户的员工的满意度，我发你工资并不会提高员工的满意度，因为他觉得是应该的。
但是一旦缺乏保健因素了，你说我断了你的薪水了，员工一定会不满意，直接给你告到劳动仲裁去。
双因素理论小结
双因素理论的核心是激励因素，发自内心的认可责任，激励因素才能够给人们带来满意度的提升。而那种准时发工资的保健因素，只能够消除人们的不满意。刚刚具备的时候，员工并不会满意。
我们会发现，令人满意的因素即使被去掉，并不一定会导致用户的不满意。同样如果让人感到不满意的因素被去掉，也并不一定会让用户就满意了。
那么，满意度的二维模型，告诉大家的是，满意度并不是正反面的，他是很多灰色的地带和空间。满意的反义词是没有满意，不满意的反义词是没有不满意。
后来，东京理工大学的教授，KANO教授学会双因素理论。他学会了以后，他在1984年发表发表了一篇论文，篇论文里面就首次的提出了KANO模型。因为在当时1989年，当时的日本怎么样提高产品和企业的服务质量，都是难题。卡农教授他提出了模型，就以他的名字来命名了卡诺模型。用来分类用户需求优先级高低。
（1）第一个基本型需求
当产品不能够满足顾客的基本型需求的时候，顾客一定是很不满意的。但是当产品满足了顾客的基本型需求以后，顾客也并不会非常满意。
因为你是你该做的。做了你该做的，难道还要我表扬你吗？会发现基本型需求和我们我们前面讲的，类似于双因素理论当中的保健因素。你给我准时发工资。难道不是你该做的吗？难道你给我准时发工资了？我就一定要很满意吗？
基本型需求和我们前面讲的保健因素相似。对于这种基本型需求，即使超过了顾客的期望，顾客充其量达到满意，但是他不会对此表示表示出更多的好感。但是你只要稍微有一点点疏忽，没有达到用户的期望，用户的满意度就会一落千丈。
对用户而言，基本型需求是必须满足的，是理所当然是你该做的。
（2）第二个期望型需求
期望型需求用户对期望型需求，其实没有对基本需求那样苛刻，他们并不会认为说，期望型需求是产品必须提供给他们的。但是当你产品提供给用户的期望型需求越多，用户的满意度就会越好。
（3）第三个兴奋性需求
你可以给用户提供一些完全出乎他意料的让用户感到惊喜。但是这种魅力型需求往往是些无关紧要的需求，什么叫无关紧要的需求呢？当你给用户提供种兴奋型需求的时候，其实当你不提供用户这种兴奋性需求的时候，用户无所谓。但是当你提供了呢，用户会觉得好像也不错，用户满意度也会随之有所提升。
这三种基本、期望和兴奋型需求是卡农模型第一次提出的三种用户需求层次。
后来KANO教授又把他扩展为五大属性，也就是我们今天所看到的KANO模型的样子
KANO教授卡诺把他做成了象限图
横轴是功能的具备程度，完善程度可以理解为功能。它开发的好不好，做的好不好
纵轴是用户的满意度,他通过横纵轴，分成了四个象限来拓展了之前的卡诺模型，把三类需求分成了五类属性，变得更加详细。
横轴，大家可以看到某功能或者是某一类需求它越像右边表示功能做得越好，具备程度越高越完善。越靠左边,表示功能做得越差。
纵坐标表示用户的满意度,纵坐标越往上表示用户越不满意，那么通过实现程度和用户满意度两个维度，我们就可以把用户需求分为五类属性。
我们再来看必备属性，也是呈指数函数关系。会发现,当你功能越具备、功能做得越好，用户满意度你看他虽然有所提升，但是他永远是在零度以下的，他不会提升特别高。你再往上优化，他也就在零度以下。但如果你不优化呢或者优化的不好呢？曲线就会无限的往下掉。
必备属性,当你不提供需求的时候，用户的满意度一定会大幅下降。但是如果你提供了呢用户的满意度并不会随着你的优化显著提升。
魅力型需求，如果你提供的话，他会对用户的满意度有很大提升。但如果你不提供,他最多满意度在零点吧，他不会不满意
我可以看第三个无差异属性，无差异属性，不管你功能具备与否,用户的满意度永远停留在条线上，对于无差异属性来说，不管你做不做功能，用户的满意度都不会改变，因为用户不在意。
那反向属性蓝线很奇怪功能做得越好，卖越多反而越低了。
（1）举个例子，快递地址智能填写功能
所以不是说做一次卡诺模型就搞定终身的，我们要经常过个几个月或一年，要根据市场的需求，根据竞品的竞争情况体验好坏来重新梳理一下工作的优先级。
有些用户觉得他是期望属性，有些用户觉得还是魅力属性
那我们怎么界定呢？是最简单的判断方法，比大小。
举个例子，我找十个用户来通过一些问题判断功能属于哪种属性，其中三个用户属于觉得是期望属性,七个用户觉得属于魅力属性。7＞3。最后我们就把该功能定义为它是属于魅力属性。
我们一起来再重新的回顾一下五个属性五个功能属性。首先，我们把公司所有的功能都进行了分类。基本都是在这个5个功能属性的类别里面的，必备属性，期望属性，魅力属性，无差异属性和反向属性
我们再来看一下必备属性功能。虽然我做了用户不一定会满意，但是我不做他一定会不满意，所以很要紧。必备属性的功能是优先级最高
排名第二期望功能。期望属性当我做了需求，用户的满意度会提升，不做他就会下降。
排名第三的是魅力属性，用户自己是想不到的，如果你不做用户满意度不会降低。但如果你做了用户满意度就会提升。
有些产品会做出来一些无差异属性也正常，但是反向属性的基本上很少见。
总结一下，在日常的工作当中一般性情况下，我们会在什么时候需要使用卡诺模型呢？
举个例子，产品经理说我们会发现，根据后台数据来看，很多功能用户不怎么用，使用率特别低。我们心里产生疑问，会不会是用户本身对些功能就没需求了，所以他不用。产品经理会觉得说，那会不会是功能的位置不太明显或者是推广力度曝光性不够。在这个时候，那我们就可以用卡诺模型来验证一下这个功能。到底用户有没有这个需求？
根据他需求的强烈程度，我们再看看是不是要去做优化推广。如果说需求强烈程度非常好属于必备功能，但是他就不用。那可能是推广不到位或者其他产品上的问题。但如果本身用户就没啥需求，属于无差异属性，那你何必花精力去推广优化。
如何通过这个KANO模型的使用和数据的转译，判定这个功能是属于哪种属性，从而来安排该功能的优先级。
我们把卡诺模型的做法拆分成七个步骤，我们来一步一步的看一下。
我们就一个功能来来说。我们需要把功能编成一道问卷，但问卷一道题目就可以了。
因为有的时候产品经理取的名字和用户的理解是不一样的。首先我们得把定义告诉用户，我们要把功能的定义是怎么用的，功能的定义作用写出来，方便用户了解。如果当他看不懂功能的名字的时候，至少可以看下定义。
然后针对功能，问正向的问题，再问反向问题。什么意思呢？正向问的意思是，如果我们App上有这个功能，你的评价是什么？选项就是让用户进行Likert五点式量表选择，从我很喜欢，到我很不喜欢（有五个程度）。再问一道反向题，如果没有这个功能，或者是我们下架了？您的评价是？
那其实每道题目，每个功能如法炮制地去设计的。每道题目有三部分组成
第一部分是功能定义，要告诉给用户是什么样的功能定义
第二部分给用户正向题。如果有这个功能，你的评价是？
第三部分给用户反向题，就假设我们没有了你会怎么做，你会怎么样，开心还是难过。
还有另外一个情况就是，如果说你想要去验证的功能属性，但是是平台上没有上线的功能，也是可是做的。比方说我们产品经理想上线十个新功能，但是到底先上哪个后上哪个？这个时候怎么办怎么办呢？我们就把每个功能做成每一道题目，让用户去选择，那么这个时候功能的定义，你更加要写的非常清楚了。因为用户没有见过功能，如果他不清楚你的定义是怎么用，那他很难去客观的评价，对有这个功能和没有这个功能的态度。
假设有十个功能组成的题目。问题就需要20道，因为每一个功能正反两道。
我把答案问卷收回来了，我们要怎么样去编译呢？是非常重要的方法。
大家可以看一下，首先纵坐标，纵向每一行，是具体的每个功能，每个功能都设置一道正向题目。和反向题目。如果有这个功能，如果没有这个功能，把它列出来，每列都是用户的名字。如果你二十个用户的话，你就20列表。以此类推
那么我们拿第一个用户为例，用户在里选择对应的态度，方法的是你要把它转化为数字，可以是升序的1到5分，也可以是5到1分，顺序是不重要的。把每选项对应成数字记录在里。最好再做编译文档前注释好，1是代表什么，5代表什么。
比方用户对这个功能的态度正向是1分，反向是5分，我们要把他结合起来，变成1-5。会发现个问题，1-5弄到最后，我都不知道是前面的数字，表示正向题目还是后面的数字表示正向。所有我们定好一个规则
正向的用5、4、3、2、1表示。反向用A、B、C、D、E表示这样的话那我就可以合并单元格了。那我就可以把单个用户针对单个功能的正反两个数字合并成组合答案形式。
这个用户对这个功能的正向评价是几分，反向评价是几分。记下来我可以。当问卷回收回来以后，建立好表格。其中要注意那用户的态度程度转化成积分，虽然很简单，但是要细心。
我们会发现，每功能它会有两个分数，正向分对应正向题目。反向题，对应也是分数，我们要把正向和反向集合起来，合并成单元格。
那么功能，他就会出现5*5=5种的答案形式（因为正像提示五个选项，用户可以选择其中任何选项。反向也是五个选项，用户也可以选择其中任何选项。那么五乘以五一共是25种单组的形式）
我们刚才说了一共有25种组合形式，我们拿出其中一道题目。他就会有25种单组的形式，我就画25种单元格。每道题目他的答案形式必定会落在25个单元格中的其中。图表就非常的可视化了。（以下是kano模型标准对照表）
我们拿其中一道题目为例，其中一道题目的版表格。纵向表示正向题目当功能具备的时候，用户选择的选项从很喜欢→很不喜欢。当功能不具备的时候，是从很喜欢到很不喜欢。看上图-25个格子就是25种答案组合形式。
如何查看这个表格呢
如果答案落在上图所示的的单元时候，说明你的产品具备这个功能的时候，用户觉得是无所谓的态度。当你的功能不具备的时候，用户会是很喜欢的态度。
01.如何查看
图示可以看到，如果组合答案是落在黄色区域则代表该功能是必备因素，绿色则代表期望因素，红色则代表是魅力因素，灰色则为无差别因素，蓝色则是反向因素。
02.可疑结果
如果答案组合中出现这种情况，你产品具备或者不具备这个功能的时候，用户都很喜欢，或者用户都很不喜欢。就说明是一种可疑结果。这样的用户数据我们就不要了，因为他是瞎写的。
03.反向结果
蓝色区域，我们来看方向结果的这个共同点，其实是和前面反向属性是一致的。当功能具备的时候，用户就很不喜欢。当这个功能不具备的时候，用户是很喜欢的。很明显的反向属性的结果。
一共七个蓝色的单元，当你的答案落在蓝色区域的格内的时候，就说明该功能是不能做的，做了以后用户就不开心，是得罪用户的功能。
04.魅力因素
魅力因素，红色单元格代表的是：当功能具备的时候，用户都是选择很喜欢。当不具备的时候，表现的态度是理所当然、无所谓、勉强接受。
如果功能的答案组合形式是三种之一的话，那么说明功能是魅力因素。因为当没有的时候，用户好像不会怎么样，也能接受，有的时候呢？他很开心，是典型的魅力属性。
05.无差异
如果你的答案组合形式是落在灰色九种之一的话，就说明功能做不做都一样。做也无所谓，不做也能接受，所以这个功能可做可不做。一般我们是选择不做的。
06.期望因素
绿色区域。具备，用户很喜欢。不具备，用户很不喜欢的时候，就说明他是期望因素。（和前面的期望属性是一致的）
07.必备因素
出现黄色三种之一组合形式的时候，是必备因素了。具备的时候，用户觉得理所当然无所谓，勉强接受，感情不强烈，一旦不具备用户很不喜欢，他是属于必备因素。当你的功能出现在三种答案组合形式中的一种的时候，功能属于必备属性
原则：总和占比多者取胜
哪个单元格中的选择的人数最多，单元的是颜色，它属于那种结果属性了。该功能就是那种属性
举例
注意点：一道题目是对应上面的一张表格的
我们要假设我们现在有100个用户，我们要计算出用户在25个选项里面？每个选项到底有多少用户选择了？每个选项的百分比是多少？我们把百分比给标上去，然后同颜色的相加
黑色区域，可疑结果，百分之零的用户选择这个选项，可疑记为：2%
红色区域，魅力属性，的人数占比分别是：14%+3%+7%，即魅力人数占比：24%
绿色区域，期望属性，占比43%，即该功能选择是期望属性的人数占比是：43%
黄色区域，必备属性，占比6%+3%+61%，即该功能选择是必备属性的人数占比是：15%
灰色区域，无差别属性，占比6%+2%+5%+3%，即该功能选择是无差异属性的人数占比是：16%
蓝色区域，反向属性，占比0%，即该功能选择是无差异属性的人数占比是：0%
进行大小对比：绿色>红色>黄色、期望>魅力>无差异>必备>可疑>反向
结论：说明该功能属于期望属性功能。
Better系数=（魅力属性+期望属性）/（魅力属性+期望属性+必备属性+无差异因素）
Worse系数=（必备属性+期望属性）/（魅力属性+期望属性+必备属性+无差异因素）（-1）
当两个功能，他的所选择的用户数又是百分比一模一样的时候，我们就把Better系数算出来。这个功能，如果做的话，用户的满意度大概可以提升多少？Worse系数是相反的，任务都不做的话，我的满意度会下降多少？做了以后满意度提升度更大，我就做哪个。或者哪功能不做满意度下降会更多，那我就做哪个
Worse系数或者Better系数是当用来无法无法根据属性来去做优先级的时候，但是又不得已一定要选做一个的时候，就可以进一步看功能的Worse系数或者Better系数。
01.汇总表制作
如图，该功能的KANO属性是属于魅力属性功能，功能二属于魅力属性，功能三是必备，功能四功能五是无差异属性，功能三必备属性反正是优先做的嘛。但是一和二都是魅力属性。我们该做哪个呢？先做哪个呢？
我们就可以看一下他们的Better系数分别是89%和67%。按照逻辑，我们就先做，89%的。Better系数。Worse系数或者Better系数看一个即可，优先看Better系数。
那我们就可以根据Worse系数或者Better系数的绝对值，我们可以把它做成一张图表，因为每功能，它都会有者Better系数，也会有Worse系数，那就有横纵坐标就可以确定了。我们就把它做成图表，每小点就带着功能属性。
02.小规律
其实我们会发现小规律，基本上如果Better系数大于50%的话，也大于零点五的话，基本上都是魅力因素。如果Better系数小于50%里面的话基本上属于无差异的因素了。当然上的一些小规律是没有什么依据的，基本是靠经验得来的，具体是什么因素直接算基本就知道了
03.确定排序
接下来我们在讨论事情，比方说我们已经定下来了，把我们要做几个功能，每个功能它到底是属于属性，我们都确定了好
04.小结
那我就可以根据他所属的属性来把些功能排优先级了。当两个功能它都属于同一种属性，但是一定要排出优先级的话，那么Better系数越大，他优先级越高，或者Worse系数越小，它的优先级会越高。
（1）细致全面的挖掘功能的特质，基本上五个功能属性已经很全面了，帮你细致的来定义，它属于哪种功能属性的特性
（2）他可以帮你进行优先级的排期来辅助项目
（3）原来用户没有抱怨，并不代表他满意，要转变我们的思维认知
（1）引起情绪上的波动，引起数据质量的下降
KANO模型也会有一些不足。我们来看一下，比方说我们会发现比较墨迹，因为他一道题目要问两遍，正想问一遍反向的一遍。会引起用户情绪上的焦躁，有些波动，他填到一半，觉得特别烦躁，他不填了也是正常的。
避免方法
那么我们怎样避免呢？我们尽量减少要去探索了功能的个数，因为你有多少个功能，意味着你的屏幕亮是双倍的。你有十个功能，那你就要问二十遍，分别是正反上课玩一遍了。建议大家在做KANO模型的时候，功能最好控制在十个以内，因为10个已经是二十道题目了。
（2）部分功能属性用户也许并不是很好理解
用户遇到问题的时候，他用了功能解决了问题，得到帮助。我可以通过一些用户案例来做一些诠释备注，帮助用户更好地去理解功能。
第三点有些用户，比较喜欢偏向于中庸之道，对于我很喜欢和我很不喜欢种选项，又不会觉得太极端化。我不好意思选的
如果发现自己的用户有种特征的话，可以改成把很字去掉。那那些有些用户就不会觉得太极端化了。
那还有我们归类的时候经常会出现频数相等或者近似的情况。比方说50%的人选择认为功能是期望属性，50%人认为他是魅力属性，有时候会经常出现这种情况？那怎么办呢？
其实就告诉我们，其实样本量是很重要的，你的样本越丰富，参加调研的用户数越多，那么你就越不出现种情况，样本量大最好多一点。那如果发现有种情况出现了，可以适当再增加样本量，看看结果会不会有一些变化
目前KANO问卷，咱们最好也是够按照正常的问卷的填写量小样本填写了。
按照三十个人来算，三十个人来算，三十人也是我们正常的问卷的最小统计单位。KANO问卷跟正常的就一样，回收有效样本量至少三十的来做。
首先第一步在需求沟通方面，其实和所有的调研是一样的。我们在和业务方沟通项目的时候，一定要明确调研的目的。
反复的问自己次调研是不是适合用KANO模型去解决？利用卡诺模型去做调研的意义和好处在哪里？如果我们经过分析讨论，发现这次用卡诺模型可以很好的贴合业务需求，也可以真正的帮助解决问题，那我们就可以用它
同时，如果需求沟通阶段，如果说我们的需求沟通阶段已经够深入，能够了解用户了解业务了，那么在我们编写问卷的时候，其实就可以更加的全面和清晰
（1）因为KANO问卷呢，会有正问和反问，两种问法会导致用户的疲倦厌倦情绪，我们要更加怎么样让用户更加方便的去填写问卷，我们要在方面去下功夫，比方说我们在问卷的前面加入一些填写说明，确保用户，是理解问卷怎么做的。
（2）如果功能定义阐述不清楚，我们就可以加入一些典型的用户案例，让用户可以生动地去了解功能点的作用。
（3）问卷的措辞要简单具体避免语义上的歧义。那么，如果说不能确定问卷，有没有说清楚，还是可以按照我们之前的方法，找一些用户做些预调研，看一看哪些问题是不清楚的，我们可以加以讨论，把它完善
数据转化的时候需要特别的细心，真的要特别的细致，稍微有一点点粗心是很容易出错的。
以及最后，比方说你把功能定义出来是那种属性了，你肯定是要给到合理的解释的，
比方说，他是属于期望性功能，那你是不是能够有非常富有逻辑的、自己能能不能够认同的答案？逻辑上是不是解释的通，认为他是期望属性的。如果你自己都解释不通的话，你把答案丢给业务放产品。他们如果不理解的话，你要怎么样去解释呢？
如果你都觉得你得出的答案是莫名其妙的？一定要找到。找到些填写KANO问题的用户去跟他聊一聊，为什么你觉得有功能？你的评价是这样的？没有功能，你的评价是这样的。把它背后的原因给了解清楚。在这种情况下，你才能够深入的有逻辑性的去真正理解。为什么功能是这样的属性。
那当然，如果你是通过纸质的问卷发放或在线问卷来做的话，那么拿到答案虽然并不要求你把每用户都做回访，但是如果最后定义出的问题，功能属于哪一种属性，你自己都没有办法给出合理的解释的话，那你一定要做回访。要不然当所有人都不认同答案的时候，你不就白做了吗？
交互方法论，其核心意义在于实践，实践之前的理论也必须充分去了解。