«مدل کانو» برای اولویت‌بندی کارهای توسعه محصول (بخش دوم)

در نوشته قبلی، دو قسمت از مدل کانو را مورد بررسی قرار دادیم: مقیاس‌های تحلیل و تعامل آنها برای تعریف دسته‌بندی فیچرها.

در این نوشته بیان کردیم مدل کانو ابزاری ست که برای پاسخ به این سوالات ایجاد شده:

• چطور رضایت را اندازه بگیریم؟
• چطور انتخاب کنیم کدام ویژگی‌های محصول را توسعه بدهیم که این رضایت تامین شود؟
• چطور از رضایت هم فراتر برویم و به شوق و سرخوشی برسیم؟

پس از تعریف مقیاس‌های تحلیل کانو (رضایت و عملکرد) و دسته‌بندی‌های فیچرها، برای آشکار ساختن احساس مشتری در مورد فیچرهای محصول، نیاز داریم تا از پرسشنامه مدل کانو استفاده کنیم. این پرسشنامه شامل دو سوال برای هر ویژگی ست:

• از آنها بپرسیم اگر این ویژگی را داشته باشند چه احساسی دارند
• از آنها بپرسیم اگر این ویژگی را نداشته باشند چه احساسی دارند

به سوال اول، فرم عملکردی و به سوال دوم فرم غیرعمکردی گفته می‌شود، هرچند این سوالات باز نیستند. برای پاسخ سوالات باید موارد مشخصی را در نظر بگیریم. برای هر «چه احساسی داری اگر داشتی/چه احساسی داری اگر نداشتی»، پاسخ‌های ممکن عبارتند از:

• آن را دوست دارم
• آن را توقع دارم
• تفاوتی برایم ندارد
• می‌توانم با آن کنار بیایم
• آن را دوست ندارم

برای نوشتن این انتخاب‌ها باید مواردی را در نظر بگیریم که در ادامه به آن خواهیم رسید.

بعد از اینکه از مشتریانمان این سوالات را پرسیدیم، و جوابشان را جمع‌آوری کردیم، می‌توانیم ویژگی‌ها را دسته‌بندی کنیم.

جدول ارزیابی (Evaluation table)

یکی از بهترین ویژگی‌های مدل کانو این است که هم برای داشتن و هم برای نداشتن یک فیچر می‌توان از آن استفاده کرد. این نشان‌دهنده گستره ای‌ست که بیان می‌کند یک فیچر واقعا توسط مشتری خواسته شده، به آن احساس نیاز شده و یا تفاوتی برای مشتری ندارد.

ما این کار را توسط یک جدول ارزیابی که پاسخ‌های عملکردی و غیرعملکردی در سطرها و ستون‌های آن ترکیب شده‌اند، انجام می‌دهیم، تا به دسته‌بندی‌های معرفی شده در نوشته قبلی برسیم. هر جفت جواب نمایانگر یکی از این دسته‌بندی‌ها و چند دسته‌بندی دیگر (که از فرمت سوال ها ناشی شده) می‌شود.

دو دسته‌بندی جدید

با توجه به این که از هر دو جنبه‌ی یک چیز سوال می‌پرسیم، قادر خواهیم بود تشخیص دهیم که:

• کسی متوجه سوال یا فیچری که در مورد آن توضیح داده‌ایم نشده است
• چیزی که ارائه داده‌ایم دقیقا مخالف چیزی‌ست که آنها می‌خواهند

این دو در واقع از دسته‌بندی‌های مدل کانو نیستند، بلکه صرفا مصنوعات پرسشنامه‌اند (که به هر حال مفیدند)

اگه کسی بگوید که فیچر معرفی شده را «دوست ندارد» و عدم حضور فیچر را «دوست دارد»، این شخص به وضوح به آن فیچر علاقه‌ای ندارد، و شاید حتی مخالف آن را بخواهد. این دسته‌بندی جدید «متضاد» (Reverse) نامیده می‌شود. اگر اکثر مشتریان بگویند که آن فیچر متضاد است، می‌توانید جای سوال کاربری و غیرکاربردی را عوض کنید و طوری به آن نمره بدهید که انگار از اول ترتیب آنها اینطور بوده است.

وقتی برای یک جفت سوال کاربردی و غیر کاربردی پاسخ‌هایی متضاد دریافت می‌کنید (مانند «دوست دارم» و «دوست دارم»)، با یک پاسخ «مشکوک» مواجه هستید. به همین دلیل Fred Pouliot، پیشنهاد می‌کند که سلول‌های (2و2) و (4و4) از جدول ارزیابی استاندارد کانو نیز حالتی مشابه دارند و باید به «مشکوک» تغییر کنند. مواجه با این نوع در برخی از پاسخ‌های پرسشنامه معمول است ولی در صورتی که زیاد اتفاق بیفتد احتمالا مشکلی در پرسشنامه شما وجود دارد.

جدول ارزیابی اصلاح‌شده (با تغییرات اندک)

از الان به بعد، از جدول اصلاح‌شده جزئی Pouliot برای دسته‌بندی جواب‌هایمان استفاده می‌کنیم.

باید سعی کنیم که برداشت دسته‌بندی‌ از هر جفت پاسخ را خوب درونی کنیم تا مدل را بهتر درک کنیم و هر بار برای تشخیص دسته‌بندی نیاز نباشد تا به جدول مراجعه کنیم. قبلاً پاسخهای مشکوک (جفت پاسخ متناقض) را پوشش دادیم؛ آنها (به جز سلول‌های میانی)، یک خط مورب را در جدول ارزیابی تشکیل می‌دهند.

فیچرهای کارا یا عملکردی، سرراست‌ترین‌ها برای تعیین هستند. آنها فیچرهایی هستند که مشتریان حضورشان را دوست دارند و عدم حضورشان را دوست ندارند. این عکس‌العمل شدید، رابطه خطی «هر چه بیشتر بهتر» میان دو مقیاس را ترجمه می‌کند.

فیچرهای الزامی، مواردی هستند که مشتریان عدم حضور آنها را دوست ندارند. مشتریان از کنار آمدن تا توقع داشتن برای حضور این فیچرها پیش می‌روند.

فیچرهای جذاب آنهایی هستند که مشتریان داشتن فیچری که توقعش را نداشته‌اند را دوست دارند. این نوعی دیگری از بیان این موضوع است که فیچری ارائه داده‌ایم هم جدید و هم جذاب است.

به فیچرهای بی‌تفاوت می‌رسیم. این دسته‌بندی نتیجه‌ای از هر پاسخ «تفاوتی ندارد» یا «کنار می‌آیم» برای هر یک از دو سوالات کاربردی یا غیرکاربردی است. به همین دلیل در سلول‌های میانی جدول اتفاق می‌افتد (به غیر از دسته‌بندی‌هایی که در بالا به آن اشاره شد).

نهایتا پاسخ‌های مشکوک را داریم که بر دو محور جدول کشیده‌اند، جایی که عکس‌العمل‌ها «دوست داشتن نبود فیچر» یا «دوست نداشتن حضور فیچر» است. با چرخاندن مقادیر عملکردی/غیر عمکردی، می‌توانید ببینید در کدام دسته‌بندی مقابل قرار دارند. بنابراین خواهیم دانست که که آیا یک فیچر برعکس عملکردی، جذاب یا الزامی است.

استفاده از مدل کانو

حالا که یک فهم پایه از اینکه مدل کانو چطور کار می‌کند داریم، زمان آن است که ببینیم معنی استفاده از آن برای چندین کاربر و فیچر چیست.

هدف ما به عنوان مدیران محصول و طراحان UX، تشخیص این است که کدام فیچرها منجر به مشتریان راضی‌تر می‌شود و از این اطلاعات برای کمک به اولویت‌بندی چیزی که می‌خواهیم بسازیم استفاده کنیم. برای این کار جزئیات زیادی را باید در نظر بگیریم.

این بخش بر اساس چندین موارد کاربرد مدل کانو توسط متخصصان و محققان است که تجربیات و آموخته‌های خود را در هر مرحله از فرایند به اشتراک گذاشته‌اند:

1. انتخاب فیچرها و کاربران برای تحلیل

2. جمع‌آوری داده (بهترین داده ممکن) از مشتریان

3. تحلیل نتایج

مرحله‌ی 1: ویژگی‌ها و کاربران هدف خود را انتخاب کنید

اولین چیزی که باید در نظر گرفت، وسعت (Scope) تحلیل است – از هر دو منظر فیچرها و کاربران

انتخاب فیچرها

فیچری که برای مطالعه انتخاب می‌کنید باید آنی باشد که کاربران سود معناداری را در آن بیابند. بکلاگ شما ممکن است شامل تعداد زیادی آیتم باشد که باید آنها را در لیست کارها شامل کنید، مانند پرداخت بدهی فنی، مواردی برای تیم‌های فروش و بازاریابی، یک سیستم گزارش‌دهی، یا یک تغییر در طراحی. همه این‌ها خارج از محدوده تحلیل کانو است.

ما رضایت مشتری را برای فیچرهایی که ملموس است می‌سنجیم، در حالی که محصولات چیزی بیش از این هستند. اگر برای انجام ندادن چیزی که یکی از ذینفعان درونی از شما می‌خواهد به دنبال داده هستید و از مدل کانو استفاده می‌کنید، برای تیم خود، مشتریان و خودتان زیان‌آور خواهید بود.

همینطور تلاش کنید تا تعداد فیچرهایی که در پرسشنامه می‌آورید محدود باشد، خصوصا اگر مطالعه را بر روی افراد داوطلب انجام می‌دهید.

انتخاب مشتریان

به هنگام انتخاب مشتریان (فعلی یا بالقوه) برای مشارکت در مطالعه شما، باید بعضی مشخصات دموگرافیک، گروه منطقی (logical cohort) یا پرسونایی که پاسخ‌دهنده به آن تعلق دارد را در نظر بگیرید. در غیر اینصورت، دیتای شما ممکن است بسیار پراکنده باشد.

مشتریان شما و همینطور تفکر آنها نسبت به فیچر احتمالا همگن نیست. اگر چند گروه برای آنها در نظر بگیرید، می‌توانید به طرز قابل توجهی خطا را در تحلیل خود کاهش دهید.

محقق Jan Moorman اهمیت این موضوع را زمانی که فیچرهای یک محصول جدید را به گروهی از کاربران بالقوه ارائه می‌داد کشف کرد. یک فیچر اصلی از محصول موجود بود و (ظاهرا) به خوبی از محصول رقیب متمایز بود. با این وجود، تعدادی از کاربران آن را جذاب دانستند در صورتی که گروهی دیگر آن را الزامی تلقی کردند. بنابراین او به این نتیجه رسید که این عکس‌العمل‌های متفاوت به ادراک بازار (market savvy) بستگی دارد. او زمانی که پاسخ‌ها را با پروفایل (پذیرندگان آغازین، دیر پذیرندگان و غیر پذیرندگان) دسته‌بندی کرد، پاسخ‌های هر فیچر را بسیار واضح‌تر یافت.

تعداد زیادی دسته‌بندی ممکن (برای مخاطبان) وجود دارد و باید انتخاب کنید که کدام برای محصول شما معنادار است. برای مثال فرض کنید که بر روی یک سرویس ابری B2B کار می‌کنید. اگر در نظر دارید فیچری را ارائه دهید که به کاربر این امکان را بدهد تا با سفارش‌های خرید فاکتور همراه کند، احتمالا جذابیت آن برای کسب و کارهای کوچک کاملا متفاوت از مشتری شرکتی است. این نکته را همواره در ذهن داشته باشید، چه زمانی که در حال انتخاب کاربران برای مطالعه هستید (چون هدف فیچر را می‌دانید) و چه بعد از آن، زمانی که نتایج پرسشنامه خود را بررسی می‌کنید.

مرحله‌ی 2: جمع‌آوری بهترین دیتای ممکن از مشتریان

پرسشنامه و نحوه ارائه آن، تنها روش گرفتن ورودی برای مطالعه کانو است. بنابراین، اطمینان حاصل کنید که تا حد ممکن موثر و بهینه باشد.

سوالات را واضح بنویسید

بسیار حیاتی است که سوال‌های شما تا حد ممکن واضح و خلاصه باشد. هر سوال باید بیانگر تنها یک فیچر باشد. اگر فیچر پیچیده و نیازمند چندین مرحله و پروسه‌های فرئی است، احتمالا باید سوال را به سوالات کوچک‌تر بشکنید.

سوالات شما باید از نظر مزایایی که برای کاربر دارد، بیان شود، نه از این نظر که محصول قادر به انجام چه کاری ست. برای مثال، «اگر بتوانید به صورت اتوماتیک عکس های خود را بهبود ببخشید، چه احساسی خواهید داشت؟» بهتر است از «اگر قابلیت MajicFix را داشته باشید، چه احساسی خواهید داشت؟».

مراقب جمله‌بندی متضاد جفت سوال‌ها باشید: سوال غیر عملکردی لزوما برعکس سوال عملکردی نیست؛ بلکه تنها عدم حضور عملکرد است. یک مثال از اپلیکیشن ویرایش ویدئو را در نظر بگیرید که سرعت ایجاد خروجی را بالا می‌برد:

• سوال عملکردی: «اگر خروجی گرفتن از هر ویدئو کمتر از 10 ثانیه باشد، چه احساسی خواهید داشت؟ »
• سوال غیر عملکردی نادرست: «اگر خروجی گرفتن از هر ویدئو بیشتر از 10 ثانیه باشد، چه احساسی خواهید داشت؟ »
• سوال غیر عملکردی درست: «اگر خروجی گرفتن از بعضی ویدئوها بیشتر از 10 ثانیه باشد، چه احساسی خواهید داشت؟ »

نشان دادن فیچرها بهتر از نوشتن در مورد آنهاست

چیزی که حتی بهتر از نوشتن سوالات واضح است، نشان دادن آن عملکرد به مشتریان در صورت امکان و سپس پرسیدن احساس آنها در مورد داشتن یا نداشتن آن است.

می‌توانیم سودمندی‌های یک فیچر را توضیح دهیم و سپس یک پروتوتایپ (prototype) و وایرفریم تعاملی (interactive wireframe) یا ماکت‌هایی (mockups) را به جای سوال متنی نمایش دهیم. به وسیله این «توضیح» تصویری و پویا، کاربر می‌تواند حتی فهم شفاف‌تری نسبت به آن چیزی که به او ارائه شده است داشته‌باشد.

اگر سوالتان را به این فرمت نمایش می‌دهید، مشابه سوالات متنی، باید دقیقا بعد از اینکه کاربر با پروتوتایپ فیچر مواجه شده است پاسخ استاندارد او را بگیرید. این باعث می‌شود ذهن او را تازه نگه دارید تا با سایر فیچرهایی که در همان پرسشنامه به او ارائه کرده‌اید آن را اشتباه نگیرد.

به بیان و درک پاسخ‌ها توجه داشته باشید

بعضی افراد نسبت به ترتیب پاسخ‌های استاندارد پرسشنامه کانو احساس سردرگمی دارند. معمولا آنها درک نمی‌کنند چرا «دوستش دارم» باید قبل از «باید باشد» قرار می‌گیرد، چرا که جمله‌ای با تاکید و سختی کمتر به شمار می‌رود.

منطق نمایش پاسخ‌ها به این ترتیب این است که آنها در مقیاسی که از رضایت تا جلوگیری از نارضایتی کشیده شده قرار دارند. در اینجا بعضی از پاسخ‌های جایگزین را می‌بینیم:

• من اینطور دوستش دارم
• این یک نیاز پایه است یا من توقع دارم اینطور باشد
• برای من تفاوتی ندارد
• من دوستش ندارم، ولی می‌توانم با آن کنار بیایم
• من دوستش ندارم و نمی‌توانم قبولش کنم

یا این پاسخ‌ها، که به وسیله تیم Robert Blauth فراهم شده است:

• این خیلی به من کمک خواهد کرد
• این یک نیاز پایه من است
• تاثیری برای من ندارد
• این یک ناراحتی جزئی خواهد بود
• این مشکل بزرگی برای من خواهد بود

البته من فکر می‌کنم پاسخ‌‌هایی که در قسمت اول این راهنما ارائه شد بهترین ترکیب را از لحاظ وضوح و کوتاه بودن دارد.

نتیجه‌گیری این است که ما باید به نحوه تفسیر این گزینه‌ها توجه داشته باشیم و مهم است اطمینان حاصل کنیم که پاسخ‌دهندگان اهداف پرسشنامه را درک می‌کنند. انتخاب مناسب‌ترین مجموعه پاسخ‌ها برای پروژه شما و توضیح قبلی کلمه‌بندی پاسخ‌ها به شرکت‌کنندگان، باعث می‌شود نتیجه بهتری بگیرید.

در مورد اهمیت فیچر از مشتری بپرسید

یک تکامل ارزشمند مدل کانو، که توسط تیم‌های مختلف پیشنهاد شده است، این است که یک سؤال بعد از جفت سوال عملکردی / غیر عملکردی اضافه کنید. این سؤال از مشتریان می‌پرسد که یک فیچر خاص برای آنها چقدر مهم است.

داشتن این بخش از اطلاعات برای تفکیک ویژگی‌ها از هم و دانستن اینکه کدامیک بیشترین اهمیت را برای مشتریان دارد، بسیار مفید است. این ابزاری را برای شما فراهم می‌کند که به واسطه آن فیچرهای بزرگ را از فیچرهای کوچک و نحوه تاثیر آنها بر تصمیمات مشتری در مورد محصول، تفکیک کنید.

سوال اهمیت از نظر شخص می‌تواند با این فرمت بیان شود: «چقدر مهم است یا مهم خواهد بود اگر: <نیازمندی>؟». برای مثال، «چقدر مهم است یا مهم خواهد بود اگر: خروجی گرفتن از ویدئوها همیشه کمتر از 10 ثانیه زمان ببرد؟».

پاسخ‌ها باید به صورت مقیاسی از 1 تا 9 باشند، که از اصلا مهم نیست به شدیدا مهم است می‌رسد.

پرسشنامه خود را تست کنید

در صورت امکان، قبل از ارائه به مشتری، پرسشنامه را با برخی از اعضای تیم خود تست کنید. اگر هرگونه سردرگمی در مورد آن وجود داشته باشد، مطمئنا هنگام صحبت با افراد خارج از شرکت نیز وجود خواهد داشت.

مرحله‌ی 3: تحلیل داده‌ها

اکنون به مرحله‌ای رسیده‌ایم که انگیزه این مطالعه بود. بعد از جدول‌بندی و تحلیل نتایج، باید بتوانیم فیچرهای خود را دسته‌بندی کرده و به بهترین روش آنها را اولویت‌بندی کنیم.

دو سطح از تجزیه و تحلیل وجود دارد که به آنها می‌پردازیم: گسسته و پیوسته (discrete and continuous). این کلمات چیزی است که من به دلیل عدم وجود استاندارد (یا بهتر) برای این روش به وجود آورده‌ام. هر دو ارجاع به مفاهیم ریاضی دارند و اینکه چگونه پاسخ شرکت‌کنندگان را به دسته‌بندی‌های کانو مرتبط می‌کنیم.

هر روش بسته به نوع بینشی که مد نظر دارید مفید واقع می‌شود.

تحلیل گسسته

ساده‌ترین راهی که می‌توانیم از نتایج کانو استفاده کنیم این است:

1. پاسخ‌دهندگان را بر اساس معیارهای جمعیت شناختی/ پرسونایی که آنها را تعریف می‌کند تقسیم کنید؛

2. پاسخ‌های هر مخاطب را با استفاده از جدول ارزیابی طبقه‌بندی کنید؛

3. تعداد کل پاسخ‌های هر دسته‌بندی برای هر فیچر (و پرسونا) را حساب کنید؛

4. دسته‌بندی هر فیچر، پر تکرارترین پاسخ خواهد بود (برای مثال مد Mode)؛

5. در صورت نزدیک بودن نتایج بین دسته‌ها، از این قانون استفاده کنید: (سمت راست برنده است)

الزامی> عملکردی> جذاب> بی تفاوت؛

6. اگر از پاسخ‌دهندگان خواسته‌اید به اهمیت خود درجه بدهند، میانگین آن را برای هر ویژگی بدست آورید.

در نهایت جدولی مانند این خواهد داشت:

اگر چندین نتیجه بدون دسته‌بندی واضح دارید، ممکن است یک یا چند پروفایل‌ مخفی مشتری وجود داشته باشد که آنها را نادیده گرفته باشید. در این حالت احتمالاً باید به سراغ پاسخ‌های مشتریان بروید و به دنبال پیدا کردن الگوهایی باشید. برای یافتن «خوشه‌های جمعیتی» گم شده، بررسی کنید کدام پاسخ‌های مشتریان معمولا مشابه سایر مشتریان است.

با استفاده از جدول نتایج می‌توانید فیچرها را بسته به اهمیت آنها رتبه‌بندی کنید. همینطور قانون کلی برای اولویت‌بندی این است که: تمام فیچرهای الزامی را در لیست خود قرار دهید، سپس تا جایی که می‌توانید فیچرهای عملکردی را در لیست قرار دهید و نهایتا هم چند مورد فیچر جذاب را در آن بگنجانید.

این نوع تحلیل برای اینکه یک سطح اولیه از فهم موضوع برای شما ایجاد کند عالی ست و همینطور در بسیاری از جاهایی که نیازی به یک رویکرد دقیق‌تر ندارید بسیار مفید است (به عنوان مثال، آزمایش ایده‌های طراحی یا تهیه یک پیش‌نویس اولیه از نقشه راه شما)

تحلیل پیوسته

اگرچه تجزیه و تحلیل گسسته برای شروع کار و درک کلی نتایج بسیارخوب است، اما مسائلی به همراه دارد، برای مثال:

• ما اطلاعات زیادی را در این راه از دست می‌دهیم. اول از ترکیب 25 جواب پاسخ‌دهنده به 6 دسته‌بندی می‌رسیم. و سپس همه جواب‌های پاسخ‌دهنده نهایتا به یک دسته‌بندی برای هر فیچر تبدیل می‌شود؛
• ما هیچ نگاه واریانسی نسبت به داده‌ها نداریم؛
• وزن یکسانی به جواب‌های با شدت کمتر (نرم تر) و جواب‌هایی با شدت بیشتر داده می‌شود. برای مثال یک جذاب با سطح غیر عملکردی «توقع دارم» را در مقابل «می‌توانم با آن کنار بیایم» در نظر بگیرید.

محقق Bill DuMouchel یک روش عالی برای تجزیه و تحلیل پیوسته ارائه داد که در بخشهای بعدی توضیح داده می‌شود. اما نگران نباشید که خودتان باید این محاسبات را انجام دهید! صفحه گسترده‌ای که به این راهنما پیوست شده است، همه محاسبات را برای شما انجام می‌دهد (برای دریافت آن اینجا را کلیک کنید). در حال حاضر، فقط به درک هر مرحله توجه کنید.

امتیازدهی به پاسخ‌ها

ابتدا هر گزینه پاسخ به یک مقدار عددی از مقیاس رضایت که عددی بین -2 و 4 است ترجمه می‌شود. هرچه عدد بزرگتر باشد، آن جواب بیانگر این است که مشتری بیشتر فیچر را می‌‌خواهد. اهمیت نیز مانند قبل از 1 تا 9 مقدار می‌گیرد.

عملکردی: -2 (دوست نداشتن) ، -1 (کنار آمدن) ، 0 (بی تفاوت) ، 2 (الزامی) ، 4 (دوست داشتن)؛

غیر عملکردی: -2 (دوست داشتن) ، -1 (الزامی) ، 0 (بی تفاوت) ، 2 (کنار آمدن) ، 4 (دوست نداشتن)؛

اهمیت: 1 (اصلاً مهم نیست) ،… ، 9 (بسیار مهم است)

ممکن است فکر کنید که مقیاس غیر عمکردی برعکس به نظر می‌رسد ولی اینطور نیست. نمرات بالاتر (مثبت) به معنای پتانسیل بیشتر رضایت است. در پاسخ‌های غیر عملکردی، دوست نداشتن چیزی بدان معنی است که نارضایتی شدید با عدم حضور این فیچر وجود دارد. بنابراین اگر آن فیچر را ارائه کنیم، پتانسیل رضایت بیشتری وجود خواهد داشت و به همین دلیل هم نمره بالاتری دارد.

دلیل این مقیاس نامتقارن ( که از -2 به جای -4 شروع می‌شود) این است که دسته‌هایی که از جوابهای منفی به دست می‌آورید (متضاد و مشکوک) از آنچه در انتهای مثبت بدست می‌آورید (الزامی و عملکردی) ضعیف‌ترند. به همین دلیل DuMouchel تصمیم گرفت تا بر این سمت مقیاس تأکید بیشتری بگذارد.

سپس این نمرات منجر به دسته‌بندی فیچرهای ما در یک صفحه دو بعدی خواهند شد. با استفاده از این روش دیگر نیازی به جدول ارزیابی استاندارد نیست.

تمرکز ما باید روی ربع مثبت باشد جایی که قوی‌ترین پاسخ‌ها را نشان می‌دهد. خارج از این ربع، پاسخ‌های ضعیف‌تری مانند دسته متضاد و مشکوک را می‌بینیم. اگر یک فیچر در دسته‌بندی متضاد قرار گیرد، همیشه می‌توانید از ترفند برعکس تعریف کردن آن و جابه‌جایی نمرات عملکردی و غیرعمکردی استفاده کنید، بنابراین در گروه دیگری از مدل کانو قرار خواهد گرفت. همینطور می‌توانید کلا آنها را از مطالعه خود حذف کنید.

یک نکته انتهایی: ضرایب رضایت و عدم رضایت (Satisfaction and Dissatisfaction Coefficients)

اگر در مورد کانو بیشتر تحقیق کنید احتمالا به ضرایب رضایت و عدم رضایت خواهد رسید. با روش DuMouchel که در اینجا شرح می‌دهیم، جایگزین بهتری برای آنها داریم. ولی با توجه به اینکه در منابع مختلفی به آنها اشاره شده ارزش آن را دارد که توضیح مختصری در موردشان ارائه کنیم.

محقق Mike Timko استفاده از امتیازات «بهتر» و «بدتر» را پیشنهاد کرد که به صورت عددی نشان می‌دهد چطور رضایت یا عدم رضایت مشتریان با حضور/عدم حضور یک فیچر تغییر می‌کند. اگرچه او در مقاله اصلی این دو را ضرایب رضایت و عدم رضایت نمی‌نامد، این اسم شناخته شده آنهاست. این دو ضریب با در نظر گرفتن تعداد کل پاسخ‌های هر دسته برای یک ویژگی خاص، با استفاده از این فرمول‌ها محاسبه می‌شوند:

دسته‌‌بندی فیچرها

اگر برای هر جواب عددهای داشته باشیم، می‌توانیم میانگین عددها را محاسبه کنیم. محاسبه برای هر فیچر به این موارد نیاز دارد:

• میانگین مقادیر عملکردی، غیر عملکردی و اهمیت همه پاسخ ها
• انحراف معیار نمره عملکردی، غیر عملکردی و اهمیت

با به دست آوردن نمره عملکردی و غیرعملکردی یک فیچر می‌توانیم آنها را روی نمودار دسته‌بندی به این صورت ترسیم کنیم:

مسلما اینجا فقط میانگین نمایش داده شده و ممکن است انحراف معیار بسیار بزرگی در داده‌ها داشته باشیم که اینجا نمایش نمی‌دهیم. بنابراین بسیار کاربردی است اگر انحراف معیار را به صورت بارهای خطا روی نمودار نمایش دهیم. اینگونه می‌توانیم درک کنیم چقدر دسته‌بندی به هدف ما نزدیک یا دور است، مانند زیر:

سطح آخر برای اضافه کردن، نمره اهمیت است. می‌توانیم این بعد اضافی را با تبدیل نمودار نقاط پراکنده به حباب‌هایی که قطر آنها متناسب با درجه اهمیت است ترسیم کنیم. بدین ترتیب می‌توانیم به سادگی فیچرها را با همان موقعیت روی نقشه قبلی با هم مقایسه کنیم.

قانون کلی اولویت‌بندی که در تحلیل گسسته ارائه شد اینجا هم کاربرد دارد: الزامی> عملکردی> جذاب> بی‌تفاوت. تصویر گرافیکی زیر به خوبی این را نشان می‌دهد:

برای مجموعه فیچرهای کم، راه دیگر و شاید بهتر استفاده از لیست توده‌ای زیر است. این لیست برای رتبه‌بندی فیچرها از سه ستون به این ترتیب استفاده می‌کند (از بیشترین به کمترین نمره): پتانسیل عدم رضایت، پتانسیل رضایت و اهمیت. در تحلیل ما دو ستون اول همان نمرات غیر عملکردی و عملکردی هستند. بنابراین:

به دو سطر آخر توجه کنید. در این شرایط چه کار می‌کنید؟ یک فیچر بی‌تفاوت دارید (که در واقع بیشتر الزامی ست) که نسبت به دیگری تاثیر بیشتری بر عدم رضایت دارد. فیچر دوم رضایت مشتری را بسیار بالا خواهد برد و برای مشتری بسیار مهم است. بنابراین همانطور که می‌بینیم تنها رتبه‌بندی کردن فیچرها با استفاده از چند عدد همیشه نمی‌تواند ابهامات و معماهای ما را حل کند و همچنان نیازمند آزمایش، اندازه‌گیری و در صورت لزوم تکرار مراحل هستیم.

در این نوشته که قسمت دوم از ترجمه مقاله زیر است، به معرفی جدول ارزیابی و نحوه اجرای مدل کانو پرداختیم. در ادامه و در قسمت سوم ترجمه این مقاله به‌کارگیری این مدل در عمل را شرح خواهیم داد.

قسمت اول را می‌توانید از لینک بخوانید : «مدل کانو» برای اولویت‌بندی کارهای توسعه محصول (بخش اول)

منبع : https://foldingburritos.com/kano-model/?ref=http://product-frameworks.com

ممنون از توجه شما! در صورتی که نظری در مورد این نوشته دارید خوشحال میشم اون رو به اشتراک بگذارید.