اولویت‌بندی قابلیت‌‌‌های محصول آپارات با رویکرد کانو

ما در تیم User Research محصول آپارات با ابزارها و روش‌های مختلفی نیاز‌ها، بازخوردها و نقاط درد کاربران را بررسی می‌کنیم و به فرضیه و راه‌حل‌هایی برای بهبود محصول و تجربه کاربری کاربران می‌رسیم. در این مقاله تجربه استفاده از مدل کانو در اولویت‌بندی قابلیت‌ها (Features) روی محصول آپارات را با شما به اشتراک می‌گذاریم.

در فرآیند توسعه و بهبود محصولات، ترکیب داده‌های کمی (Quantitive Date) و کیفی (Qualitative Data) یکی از مهم‌ترین اصول برای شناخت جامع نیازها و انتظارات کاربران است. داده‌های کیفی شامل بازخوردهای مستقیم کاربران بوده و با دید عمیق‌تری به تجربه‌ها و احساسات آن‌ها نگاه می‌کند، در حالی‌که داده‌های کمی، الگوها و روندهای آماری را به نمایش می‌گذارد. در پروژه‌ی کانو، ترکیب این دو نوع داده به ما کمک کرد تا نیازهای کاربران را دقیق‌تر بشناسیم و اولویت‌بندی مناسبی برای افزودن قابلیت‌های جدید به محصول ارائه دهیم.

مدل کانو چیست؟

مدل کانو (Kano Model) یک چارچوب تحلیلی است که توسط دکتر نوریاکی کانو طراحی شده و برای درک بهتر نیازها و انتظارات کاربران نسبت به ویژگی‌های یک محصول یا خدمات به‌کار می‌رود. این مدل کمک می‌کند تا قابلیت‌ها بر اساس تأثیر آن‌ها بر رضایت یا نارضایتی کاربران دسته‌بندی شوند

• با مدل کانو می‌توانیم قابلیت‌های مختلف را به دسته‌های متفاوت تقسیم کنیم.
• با مدل کانو می‌توانیم تأثیر هر قابلیت را بر رضایت یا نارضایتی کاربران بسنجیم.

مدل کانو قابلیت‌های محصول را به پنج سته اصلی تقسیم می‌کند. این دسته‌بندی به ما کمک می‌کند نقش هر قابلیت را در تجربه کاربر و میزان رضایت آن‌ها مشخص کنیم. همچنین کمک می‌کند به یک اولویت‌بندی درست برای توسعه محصول برسیم:

• قابلیت‌های اساسی (Must have or basic):

قابلیت‌هایی که وجودشان الزامی است و نبود آن‌ها باعث نارضایتی شدید کاربر می‌شود.

مثال: تنظیمات حریم شخصی در اینستاگرم User Privacy Settings on Instagram

• قابلیت‌های عملکردی (Performance):
  هرچه کیفیت این قابلیت‌ها بالاتر باشد، کاربر احساس رضایت بیشتری می‌کند

مثال: سرعت بالای اجرا شدن برنامه اینستاگرم(Fast Loading Times in social app like Instagram )

• قابلیت‌های انگیزشی (Delighter):

قابلیت‌هایی که باعث شگفتی و رضایت شدید کاربران می‌شوند. وجود آن‌ها یک ارزش افزوده بزرگ به محصول
می‌دهد.

مثال: ری‌اکشن‌های بی‌نهایت در تلگرام(Infinite Reactions on Telegram)

• قابلیت‌های بی‌تفاوتی (Indifferent):

قابلیت‌هایی که از دید کاربران اهمیتی ندارند و حضور یا عدم حضورشان تأثیری بر رضایت کاربر نمی‌گذارد.

مثال: علایم جهت‌یابی شخصیسازی شده روی گوگل مپ(Customize Navigation Icons on Google
map)

• فیچرهای معکوس (Reverse):

قابلیت‌هایی که گاهی وجودشان ممکن است نارضایتی ایجاد کند.

مثال: نوتیفیکشن در مورد فعالیت‌های جزیی دوستان در فیسبوک(Updates on every little interaction on facebook )

مدل کانو چگونه اجرا می‌شود؟

برای اجرای مدل کانو برای هر قابلیت محصول، دو سوال طراحی می‌شود:

سوال مثبت: اگر این قابلیت در محصول وجود داشته باشد، کاربر چه احساسی خواهد داشت؟

سوال منفی: اگر این قابلیت در محصول وجود نداشته باشد، کاربر چه احساسی خواهد داشت؟

پس از جمع‌آوری پاسخ‌ها، آن‌ها بر اساس جدول کانو دسته‌بندی می‌شوند. این جدول مشخص می‌کند که قابلیت موردنظر در کدام دسته‌های مدل کانو قرار می‌گیرد (مثل قابلیت‌های اساسی، قابلیت‌های عملکردی، یا قابلیت‌های انگیزشی)، که به اولویت‌بندی توسعه قابلیت‌ها کمک می‌کند.

R : Reverse, P : Performance ,D : Delighters, M : Must have, I : Indifferent, Q : Questionable

استفاده از مدل کانو در پروژه آپارات

ما در داشبورد آپارات یک نظرسنجی انتقادی برگزار کردیم و با بررسی نظرات کاربران این پلتفرم به تعدادی قابلیت رسیدیم. ما نیاز داشتیم تا این قابلیت‌ها را بر اساس نیازهای کاربران اولویت‌بندی کنیم تا براساس این اولویت‌بندی، آن‌ها را به محصول اضافه کنیم. به همین دلیل سراغ مدل کانو رفتیم.

مرحله ۱:در این مرحله قابلیت‌های درخواستی کاربران را از لحاظ افورت فنی بررسی کردیم و قابلیت‌های غیرقابل اجرا را حذف کردیم.

مرحله ۲:سپس برای هر قابلیت دو سوال مثبت و منفی طراحی کردیم تا بازخورد کاربران را بررسی کنیم.

این سوالات در آپارات به‌صورت درون‌برنامه‌ای نمایش داده شدند و هدف از این سوالات تعیین نوع تجربه کاربر در مواجهه با هر قابلیت بود.

چالش‌های بومی‌سازی سوالات کانو:

برای طراحی این سوالات، چالش‌هایی وجود داشت که مهم‌ترین آن‌ها بومی‌سازی سوالات و گزینه‌های پاسخ‌ به زبان فارسی بود:

• هر کدام از سوالات و ۵ گزینه‌های پاسخ‌ در انگلیسی معنا و مفهوم مشخص و متمایزی دارند.
• از آن‌جایی که در ترجمه فارسی، هرکدام از گزینه‌ها مفهوم متمایزی منتقل نمی‌کردند، نیاز پیدا کردیم جواب‌های جدیدی طراحی کنیم تا مفهوم هر گزینه به‌درستی منتقل شود.
• از یک نویسنده UX کمک گرفتیم تا سوالات و گزینه‌های پاسخ‌دهی را به‌گونه‌ای بازنویسی کند که داده‌ها برای تحلیل نهایی، متمایز، قابل‌استفاده و معنادار باشند.

جدول زیر نمونه‌ای از سوالات بومی‌سازی شده را نمایش می‌دهد:

مرحله ۳: هر یک از سوالات را در صفحه مرتبط با ان قابلیت در آپارات بارگزاری کردیم.

مرحله ۴:تحلیل پاسخ‌ها با استفاده از ChatGPT

پس از جمع‌آوری پاسخ‌ها، از ابزار ChatGPT برای تحلیل و دسته‌بندی پاسخ‌ها استفاده کردیم:

• خروجی اکسل پاسخ‌های کاربران را در ChatGPT بارگذاری کردیم. سپس با پرامپت نویسی و معرفی مدل کانو از این هوش مصنوعی خواستیم هرکدام از قابلیت‌ها را براساس تعداد هر گزینه در دسته‌بندی‌های کانو قرار دهد.

نتیجه مدل کانو برای هر قابلیت به شکل جدول زیر درآمد.

مرحله ۵: پس از اینکه نتیجه محاسبات هر یک از قابلیت‌ها تکمیل شد، نیاز به اولویت بندی آن ها با توجه به دسته بندی شان داشتیم.

چالش‌های اجرایی در آپارات: تطبیق مدل کانو با نیازهای واقعی

برای استفاده عمیقی از مدل کانو در بررسی قابلیت های آپارات با چالش‌های دیگری هم مواجه بودیم. چالش اصلی این بود که نمی‌توانستیم تنها از طریق طبقه بندی و اولویت بندی کانو به نتیجه برسیم و لازم بود به دو دلیل زیر، نوعی از محاسبات را هم به این طبقه بندی اضافه کنیم تا از طریق آن نوعی دیگر از پردازش را هم به روش خود اضافه کنیم:

۱- ناهمگنی تعداد پاسخ‌ها برای هر سؤال

در مدل کانو، معمولاً تعداد پاسخ‌ها برای هر سؤال باید برابر باشد. با این حال، به دلیل طراحی نظرسنجی ما که سؤالات به صورت جداگانه درون برنامه آپارات نمایش داده می‌شد، تعداد پاسخ‌ها برای هر سؤال یکسان نبود. این عدم برابری ما را مجبور کرد تا در فرآیند نرمال‌سازی اعداد، این تفاوت را لحاظ کنیم.

۲- تأثیر افورت فنی بر اولویت‌بندی

بعضی از قابلیت‌ها به دلایل فنی نیازمند تلاش بیشتری برای پیاده‌سازی بودند. در نتیجه، نمی‌توانستیم تنها به نتایج حاصل از مدل کانو تکیه کنیم. برای تصمیم‌گیری دقیق‌تر، نیاز داشتیم که معیار افورت فنی را نیز وارد معادله کنیم.

راهکار: ترکیب مدل کانو با متدهای دیگر

برای رسیدن به اولویت‌بندی دقیق‌تر، ما مجبور شدیم ترکیبی از نتایج مدل کانو و معیارهای اضافی را به کار ببریم. این ترکیب شامل:

• نرمال‌سازی تعداد پاسخ‌ها برای هر قابلیت.
• اضافه کردن امتیازهای مربوط به افورت فنی برای هر قابلیت.

این رویکرد به ما کمک کرد تا از نتایج خام کانو فراتر برویم و به اولویت‌بندی‌هایی برسیم که هم از دید کاربران منطقی باشند و هم از نظر فنی قابل پیاده‌سازی.

محاسبات نهایی و اولویت‌بندی با استفاده از فرمول نرمال‌سازی

فرمول نرمال‌سازی کانو برای اولویت‌بندی قابلیت‌ها بر اساس تأثیر آن‌ها در تجربه کاربری به‌صورت زیر ساده شده است:

امتیاز نهایی = (3 × M) + (2 × P) + (1 × D) − (2 × R)

که در این فرمول:

• M (Needs Motivational): نیازهای هیجان‌انگیز
• P (Needs Performance): نیازهای عملکردی
• D (Needs Basic): نیازهای اساسی
• R (Needs Reverse): نیازهای معکوس

قابلیت‌های بی‌تفاوت (Indifferent Needs) تأثیری در اولویت‌بندی ندارند و در این فرمول لحاظ نمی‌شوند.
هرچه امتیاز نهایی بالاتر باشد، اهمیت آن قابلیت برای بهبود تجربه کاربری بیشتر است.

این محاسبه، امکان اولویت‌بندی دقیق‌تر قابلیت‌ها را براساس نیاز کاربران فراهم آورد. جدول زیر اولویت‌بندی قابلیت‌ها پس از نرمال‌سازی و در نظر گرفتن افورت فنی را نشان می‌دهد:

استفاده از متریک‌های کمی برای تأثیرگذاری بیشتر

بعد از بررسی چالش‌های نرمال و افورت فنی که در مراحل قبلی پروژه مطرح شد، برای دستیابی به نتایج دقیق‌تر و نزدیک‌تر به واقعیت، از متریک‌های کمی مثل نرخ بازدید صفحات (Reach) استفاده کردیم. این متریک‌ها به ما کمک کردند تا ارزیابی بهتری از تعامل واقعی کاربران با قابلیت‌ها و اولویت‌هایشان داشته باشیم.

روش کار:

برای هر قابلیت که در نظرسنجی کانو بررسی کرده بودیم، داده‌های مربوط به بازدید صفحات مرتبط با آن قابلیت‌ها را تحلیل کردیم. این روش مزیت‌های زیر را داشت:

• به ما اجازه داد میزان اهمیت واقعی هر قابلیت برای کاربران را در شرایط استفاده واقعی ارزیابی کنیم.
• ترکیب نتایج کیفی کانو با داده‌های کمی به ما کمک کرد تا تصمیم‌گیری‌ها را بهینه‌سازی کنیم و به اولویت‌بندی دقیق‌تری برسیم.

جدول نرخ بازدید صفحات:

در جدول زیر داده‌های نرخ بازدید صفحات مرتبط با هر قابلیت را می‌بینید. این اطلاعات به طور واضح تأثیر هر قابلیت را بر اساس تعامل کاربران نشان می‌دهند:

ترکیب این داده‌های کمی با تحلیل کیفی به ما این امکان را داد تا اولویت‌ها را به گونه‌ای تنظیم کنیم که هم به رضایت کاربران کمک کند و هم برای تیم توسعه قابل‌اجرا و مفید باشد.

1. نرمال‌سازی (Normalize): ( Normalize=(1×D)+(2×P)+(3×M)+(0×I)+(−2×R
2. امتیاز کانو (Kano Score): KanoScore=(Answer/Impression)×Normalize
3. امتیاز کارایی (Efficiency Score): Efficiency Score=KanoScore * ۱/Technical effort
4. اثرگذاری نهایی (Reach Considered): Reach Considered=Efficiency Score×Reach

اولویت‌بندی نهایی قابلیت‌ها :

پس از انجام تمامی مراحل تحلیل با استفاده از مدل کانو و بررسی دقیق تأثیر هر قابلیت بر تجربه کاربری، اولویت‌بندی نهایی قابلیت‌ها به شکل زیر تعیین شد:

1. نمایش لحظه خروج کاربر از هر ویدیو به تولیدکننده.
2. امکان اسکرول روی دیدگاه برای رفتن به ویدیوی مربوط.
3. قابلیت بارگذاری ویدیو از طریق یوتیوب.

این اولویت‌بندی بر اساس امتیازات به‌دست‌آمده از فرمول نرمال‌سازی و با توجه به میزان اهمیت و تأثیر هر قابلیت بر رضایت کاربران انجام شده است.

نتیجه‌گیری

این پروژه با استفاده از مدل کانو و تحلیل داده‌های کمی و کیفی، فرآیند اولویت‌بندی قابلیت‌های جدید آپارات را به شیوه‌ای اصولی و موثر انجام داد. ترکیب این رویکردها به ما کمک کرد تا قابلیت‌های مورد نظر کاربران را با توجه به محدودیت‌های پیاده‌سازی، هزینه و تأثیرگذاری شناسایی و اولویت‌بندی کنیم.

این پروژه با همکاری امین مسگری انجام شده است و نتیجه تلاش تیمی ما در بررسی نیازها و بهبود تجربه کاربری است.