KANO 模型回答的是一个很实际的问题：这个功能做了，用户会不会更满意？不做，用户会不会不满？ 这两个问题的答案组合起来，决定了功能的优先级类型。
它的核心洞察是：满意度和功能完备度不是线性关系。有些功能做到 100 分用户也只是觉得"应该的"，有些功能做到 30 分用户就很惊喜。搞混这两类，资源就会投错地方。
一、五类属性分别是什么
| 类型 | 有了 | 没有 | 该怎么办 |
|---|---|---|---|
| 基本型（M） | 不会加分 | 强烈不满 | 必须做，做到及格即可 |
| 期望型（O） | 越多越满意 | 越少越不满 | 持续投入，是竞争主战场 |
| 兴奋型（A） | 惊喜 | 无所谓 | 差异化机会，做一两个即可 |
| 无差异（I） | 无感 | 无感 | 不要做 |
| 反向型（R） | 不满 | 满意 | 千万别做 |
最容易犯的错是在基本型上过度投入。 支付能不能成功是基本型——成功率从 99% 提到 99.9%，用户不会觉得更满意，但从 99% 掉到 95% 会引发大量投诉。这类功能的目标是"不出问题"，不是"做到极致"。
兴奋型会随时间退化。 三年前的指纹解锁是兴奋型，现在是基本型。所以 KANO 的分类结果有保质期，需要定期重测。
二、问卷怎么设计
KANO 问卷的特点是每个功能问两遍，一正一反。
正向问题：如果提供【某功能】，你的感受是？ 反向问题：如果不提供【某功能】，你的感受是？
两题的选项都是同一组五个：
- 我很喜欢
- 它理应如此
- 无所谓
- 我勉强能接受
- 我很不喜欢
设计问卷时的三个注意点：
功能描述要具体且中立。 写"支持一键导出全部数据为 Excel"，不要写"提供强大的数据导出能力"。带褒义词的描述会诱导答案。
一次问卷不超过 15 个功能。 每个功能两道题，15 个就是 30 题，再多答题质量会明显下降。
加一道重要性题。 在正反两问之外加一句"这个功能对你有多重要（1–5 分）"，用于后续区分同类功能的优先级。
三、答案怎么判读
把每个受访者对同一功能的正反两个答案，对照下表得出属性分类：
| 正向 ↓ / 反向 → | 很喜欢 | 理应如此 | 无所谓 | 勉强接受 | 很不喜欢 |
|---|---|---|---|---|---|
| 很喜欢 | Q | A | A | A | O |
| 理应如此 | R | I | I | I | M |
| 无所谓 | R | I | I | I | M |
| 勉强接受 | R | I | I | I | M |
| 很不喜欢 | R | R | R | R | Q |
A = 兴奋型，O = 期望型，M = 基本型，I = 无差异，R = 反向型，Q = 可疑答案（逻辑矛盾，通常是没认真答或没看懂题）。
Q 的比例是问卷质量的指标。 超过 10% 说明题目描述有歧义或者样本不认真，结果不可信，需要重新设计。
统计每个功能各类型的占比，占比最高的那一类就是该功能的属性。
四、Better-Worse 系数与四象限图
只知道分类还不够，还要知道程度。两个系数：
Better 系数（做了能提升多少满意度）：
(A + O) ÷ (A + O + M + I)
Worse 系数（不做会降低多少满意度，取负值）：
−(O + M) ÷ (A + O + M + I)
把所有功能以 Better 为横轴、Worse 绝对值为纵轴画成散点图，就得到四象限：
- 右上（高 Better、高 Worse） = 期望型 → 竞争主战场，持续投入
- 左上（低 Better、高 Worse） = 基本型 → 必须做，做到及格
- 右下（高 Better、低 Worse） = 兴奋型 → 差异化机会
- 左下（双低） = 无差异 → 不做
四象限图比一张分类表有用得多，因为它能显示同一类型内部的差别——两个都是兴奋型的功能，Better 系数 0.8 和 0.5 的投入回报完全不同。
五、三个常见误用
误用一：样本选错。 拿全体用户的平均结果做决策。不同用户画像对同一功能的分类可能完全相反——重度用户觉得是基本型的，新用户可能觉得是兴奋型。建议按画像分组统计。
误用二：把兴奋型当成必做。 兴奋型是差异化机会，但一次做三五个不如做透一个。而且兴奋型的开发成本通常更高，要结合资源判断。
误用三：结果一劳永逸。 前面说过兴奋型会退化。建议每年重测一次核心功能，尤其在竞品有重大更新之后。
六、结果怎么落到执行
分类做完，接下来是转化成行动。三步：
第一步：基本型做体检。 列出所有基本型功能，检查当前的完成度和稳定性。有短板的立刻补，这是最高优先级——基本型出问题的破坏力远大于其他类型的收益。
第二步：期望型定投入节奏。 按 Better 系数排序，结合开发成本，安排在接下来几个版本里持续推进。
第三步：兴奋型选一到两个押注。 选择标准不只是 Better 系数高，还要看是否符合产品定位、竞品是否已有、能否形成壁垒。
把结果标注在功能架构图上，用颜色区分四种类型，整个产品的资源分配是否合理会一目了然。
七、把分析过程留在画布上
KANO 的过程涉及问卷设计、原始数据、对照表判读、系数计算、四象限图，加上最后的结论。散落在几个 Excel 和文档里，半年后重做时又要从头理一遍。
放在同一块画布上的好处：
- 问卷题目和结果并排——某个功能分类异常时，直接看当初的描述是不是有歧义
- 四象限图和功能架构图对照——能看出高价值区域的功能是否覆盖了核心模块
- 按画像分组的多张四象限图并排——不同用户群的差异一眼可见
- 保留历史版本——今年和去年的四象限图对比，能看出哪些兴奋型已经退化成基本型
英飞·思想家的画布支持表格、图形、文件等多种组件同屏，也可以把问卷原始数据直接拖进来放在旁边。
常见问题
KANO 问卷需要多少样本？
按用户画像分组统计，每组建议 50 份以上有效问卷。总量取决于要分几组。
Q（可疑答案）比例多少算正常？
10% 以内可接受。超过说明功能描述有歧义或答题不认真，建议修改题目重测。
KANO 和其他优先级方法怎么选？
KANO 判断的是功能类型和满意度关系，适合功能规划阶段；RICE、优先级矩阵判断的是投入产出，适合排期阶段。两者可以配合使用。
兴奋型功能要做几个？
一到两个做透，比五个都做一半有用。兴奋型的价值在于形成记忆点，浅尝辄止形不成差异化。
多久重测一次？
建议每年一次核心功能重测，竞品有重大更新后可以提前。兴奋型属性会随时间退化成基本型。
结语
KANO 模型最实用的地方，是它能阻止团队在基本型功能上过度投入，同时避免把资源摊在一堆无差异功能上。
问卷设计要中立具体，判读要按画像分组，结果要转成四象限图看程度差异。做完之后标注到功能架构图上，资源分配是否合理就摆在眼前了。