教程 · 2026-06-24

Kano 模型分析用 AI 一句话完成 — 需求分类、Better-Worse 系数与 APA 报告

Kano 模型完整教程：用 AI 一句话自动完成功能型/魅力型/必备型需求分类、Better-Worse 四象限绘制，以及可直接套进论文的 APA 7th 报告句式，SPSS+R+Stata 三引擎支持。

做产品或服务研究，想知道哪些功能是"加分项"、哪些是"底线"——Kano 模型是业界标准工具。但从原始问卷到 Better-Worse 四象限图，手动计算步骤繁琐。这篇教程教你用一句 AI 指令完成全套分析，输出可直接贴进论文的 APA 报告。

需求优先级研究为什么需要 Kano 模型

产品功能对用户满意度的影响并不是线性的。以下两个问题揭示了传统重要性打分的局限：

某功能用户打了满分"非常重要"，但把它做好了，用户满意度却只是略微提升；
另一个功能用户觉得"理所当然"，一旦缺失，满意度断崖式下跌。

普通李克特量表"重要性"问卷无法区分这两种功能。Kano 模型（Kano Model） 由日本学者狩野纪昭（Noriaki Kano）于 1984 年提出，通过对每项功能同时设置正向问题（"如果有这个功能，你感觉如何？"）和反向问题（"如果没有这个功能，你感觉如何？"），将需求精准分类为五种类型。

这一方法在产品管理、服务质量研究、用户体验研究和管理学论文中广泛应用，是需求优先级分析的方法论金标准。

Kano 模型的五大需求类型

Kano 问卷的每道题由一对问题组成，每个问题有 5 个选项：非常喜欢 / 理所当然 / 无所谓 / 勉强接受 / 非常不喜欢。将正反两题的答案交叉对应 Kano 评价表，每位受访者对每项功能得到一个类别代码。

类别代码	中文名称	英文名称	含义
A	魅力型	Attractive	有则惊喜，没有也不失望；差异化竞争力来源
O	期望型（功能型）	One-dimensional	越好越满意，越差越不满意；与满意度线性相关
M	必备型	Must-be	没有则强烈不满，有了也只是"应该的"；基础门槛
I	无差异型	Indifferent	有没有都无所谓；低优先级
R	反向型	Reverse	提供后反而降低满意度；警惕过度设计
Q	可疑型	Questionable	问卷作答逻辑矛盾，通常剔除或重新调查

对每项功能统计各类别的频率分布，以频率最高的类别作为该功能的最终分类（众数法，Mode Method），是学界最常用的归类方法。

Better-Worse 系数：量化功能的双向影响

单纯的类别归类无法表达"程度"差异，因此研究中广泛使用 Better-Worse 系数（又称 CS 系数，Customer Satisfaction Coefficient）对每项功能进行量化评分。

计算公式

设某功能的各类别频率为 A（魅力型）、O（期望型）、M（必备型）、I（无差异型），总有效受访数去掉 Q 和 R 后计算：

Better 系数（增强满意度系数）= (A + O) / (A + O + M + I)

Worse 系数（降低满意度系数）= -1 * (O + M) / (A + O + M + I)

解读规则：

指标	取值范围	含义
Better 系数	0 到 +1	越接近 +1，提供该功能对满意度提升越大
Worse 系数	-1 到 0	越接近 -1，缺少该功能对满意度损害越大

Better-Worse 四象限图

以 Better 系数为横轴（X 轴）、Worse 系数绝对值为纵轴（Y 轴），绘制散点图，四个象限对应四种战略含义：

                   Worse 绝对值高（缺乏则强烈不满）
                              |
      [第二象限]              |              [第一象限]
  Better 低 + Worse 高       |          Better 高 + Worse 高
  = 必备型 M                  |          = 期望型 O（线性功能）
  "基础门槛，做到即止"        |          "核心竞争力，越好越满意"
                              |
  ——————————————————————————————————————————————————————
                              |
  [第三象限]                  |              [第四象限]
  Better 低 + Worse 低        |          Better 高 + Worse 低
  = 无差异型 I                |          = 魅力型 A
  "低优先级，酌情取舍"        |          "差异化惊喜，重点投资"
                              |
                   Worse 绝对值低（缺乏也无所谓）

案例数据：共享单车 App 功能需求调研

研究背景

某出行平台对其共享单车 App 的 8 项功能进行 Kano 问卷调研，共回收有效问卷 320 份，受访者为 18-45 岁日常骑行用户。

8 项功能

F1  实时定位与导航
F2  扫码秒解锁（<3 秒）
F3  故障一键报修
F4  骑行数据记录（里程/卡路里）
F5  雨天自动优惠券推送
F6  好友拼车/社交功能
F7  智能停车区域提示
F8  月度骑行报告（个人报告）

Kano 原始问卷格式（F1 示例）

Q1a（正向）："如果 App 提供实时定位和导航功能，您感觉如何？"
  1. 非常喜欢 / 2. 理所当然 / 3. 无所谓 / 4. 勉强接受 / 5. 非常不喜欢

Q1b（反向）："如果 App 没有实时定位和导航功能，您感觉如何？"
  1. 非常喜欢 / 2. 理所当然 / 3. 无所谓 / 4. 勉强接受 / 5. 非常不喜欢

每位受访者对 8 项功能各填一对正反题，共 16 题。

用 AI 一句话完成 Kano 模型分析

在 chatsrs.com 上传数据后输入：

"对 8 项 App 功能（F1-F8）的 Kano 问卷数据（320 份，每项功能含正向题和反向题各 1 题，5 点量表）进行 Kano 模型分析。请依次完成：

各功能 Kano 类别频率分布表（A/O/M/I/R/Q 各类别频次及百分比）

众数法归类结果 + 各功能最终类别汇总表

Better 系数和 Worse 系数计算（保留 3 位小数）

Better-Worse 四象限散点图（标注各功能编号）

APA 7th 格式中文文字描述（方法节 + 结果节）"

ChatSRS 会自动完成从 Kano 评价表交叉计数到四象限可视化的全部流程。

输出结果怎么读

输出 1: 各功能 Kano 类别频率分布

表 1  8 项功能 Kano 类别频率分布（N = 320，单位：%）

功能    A       O       M       I       R       Q     最终类别
F1     18.4    41.3    32.5     6.6     0.9     0.3      O
F2     12.8    28.1    51.6     6.3     0.6     0.6      M
F3     19.4    35.6    35.3     8.4     0.9     0.4      O
F4     28.1    26.9    10.3    33.4     0.9     0.4      I
F5     38.4    14.1     8.1    37.8     1.3     0.3      A
F6      9.7    12.8     4.1    71.3     1.9     0.2      I
F7     22.2    41.6    29.1     6.6     0.3     0.2      O
F8     31.3    19.7     7.2    40.9     0.6     0.3      I

注：最终类别以频率最高的类别（众数法）确定；Q 类（可疑型）和 R 类（反向型）
    不参与 Better-Worse 系数计算。
    * F3：O（35.6%）与 M（35.3%）仅相差 0.3%，低于本文 FAQ Q2 所建议的 5% 竞争阈值，
      存在类别竞争，O 类以微弱优势确定为最终类别，解读时建议同时参考 M 类含义。

读表要点：

F2（扫码秒解锁） 必备型 M 占比最高（51.6%），是底线功能——做不好满意度崩塌，做好了用户觉得"应该的"；
F5（雨天优惠券） 归类为魅力型 A，是潜在差异化亮点；F4（骑行数据记录）和 F8（月度骑行报告）无差异型 I 频率最高（分别为 33.4% 和 40.9%），归类为无差异型 I；
F6（社交拼车） 无差异型 I 占绝对多数（71.3%），目标用户对此功能关注度很低；
F1、F3、F7 归属期望型 O，与满意度线性相关，提升这些功能的质量直接拉升整体满意度。

输出 2: Better-Worse 系数计算

表 2  8 项功能 Better-Worse 系数（N = 320）

功能    最终类别    Better    Worse     象限位置
F1        O         0.604    -0.747      第一象限（期望型）
F2        M         0.414    -0.807      第二象限（必备型）
F3        O         0.557    -0.718      第一象限（期望型）
F4        I         0.557    -0.377      第四象限（魅力型偏无差异）
F5        A         0.534    -0.226      第四象限（魅力型）
F6        I         0.230    -0.173      第三象限（无差异型）
F7        O         0.641    -0.711      第一象限（期望型）
F8        I         0.515    -0.271      第四象限（无差异偏魅力）

注：Better 系数越接近 +1，提供该功能对满意度提升越大；
    Worse 系数越接近 -1，缺少该功能对满意度损害越大；
    系数由各类别频率按公式推导，分母为有效类别（A+O+M+I）频率之和。

核心洞察：

F2（必备型）：Worse 系数最接近 -1（-0.807），缺失会造成最大满意度损失，是最高优先级的"守底线"功能；
F1、F7：Better 和 Worse 绝对值均高，是"核心体验"功能，同时影响正负两侧；
F5（魅力型）：Better 系数 0.534，Worse 系数绝对值仅 0.226，做好了让人惊喜，缺失也不会引起强烈不满，适合在基础功能稳固后作为差异化投资；
F4、F8（无差异型）：众数为 I（33.4% 和 40.9%），但 Better 系数均超过 0.5，属于"高Better低Worse"的边界功能——当前用户群体整体无差异，细分用户中仍有潜在吸引力，可低成本试探而非重点投资；
F6：两侧系数均低，资源紧张时可放在最低优先级。

输出 3: Better-Worse 四象限图解读

四象限图中，以 Better = 0.5、Worse 绝对值 = 0.5 为分界线（理论中点，实际可用样本均值）划分象限：

         Worse 绝对值
         0.80|
             |   F2(M)
         0.70|               F1(O)  F7(O)
             |          F3(O)
         0.60|
             |
         0.50|
             |
         0.40|       F4(I)
             |          F8(I)
         0.30|       F5(A)
             |
         0.20|     F6(I)
             +—————————————————————————————  Better
                0.2   0.3   0.4   0.5   0.6

四象限战略优先级建议：

象限	功能	战略建议
第一象限（O 期望型）	F1, F3, F7	持续优化，满意度的核心驱动
第二象限（M 必备型）	F2	必须保证稳定可靠，底线不可逾越
第四象限（A 魅力型）	F5	差异化投资，资源允许则重点打造
第四象限（I 偏魅力边界）	F4, F8	众数为无差异型，Better 系数偏高，可低成本试探，非优先投入
第三象限（I 无差异）	F6	暂缓投资，除非有外部竞争压力

论文里怎么报告（APA 7th 格式）

APA 报告要素清单

Kano 模型分析在学术论文中的报告需包含：

问卷结构说明（每项功能正反两题 + 5 点量表）；
Kano 评价表与众数法归类规则；
各功能类别频率分布表（三线表）；
Better-Worse 系数计算公式与结果；
四象限图（图题、轴标签、数据来源）；
各类别需求的管理含义阐述。

方法节（写法模板）

采用 Kano 问卷法对 8 项 App 功能进行需求分类研究。问卷参照 Berger 等（1993）推荐的标准格式，为每项功能设置正向问题（"若提供该功能，您感觉如何？"）和反向问题（"若未提供该功能，您感觉如何？"）各一题，每题采用 5 点语义差异量表（1 = 非常喜欢，5 = 非常不喜欢）。依据 Kano 评价对照表，将每位受访者对每项功能的正反题交叉编码为魅力型（A）、期望型（O）、必备型（M）、无差异型（I）、反向型（R）或可疑型（Q）六类，并以众数法确定各功能的最终归类。在此基础上，按 Timko（1993）方法计算各功能的 Better 系数（增强满意度系数）和 Worse 系数（降低满意度系数），并据此绘制 Better-Worse 四象限图以直观展示需求优先级。统计分析以 R 4.4 实施。

结果节（完整 APA 句式模板）

各功能 Kano 归类结果报告：

Kano 问卷分析结果如表 X 所示。在 8 项功能中，扫码秒解锁（F2）归类为必备型需求（M），其必备型频率最高（51.6%），Worse 系数为 -0.807，提示若该功能缺失，用户满意度将显著下降。实时定位导航（F1）、故障报修（F3）和停车区域提示（F7）均归类为期望型需求（O），Better 系数分别为 0.604、0.557 和 0.641，与用户满意度呈正向线性关联，是核心体验功能的重要组成部分。雨天优惠券（F5）归类为魅力型需求（A），Better 系数为 0.534，Worse 系数绝对值仅 0.226，提供时能显著提升满意度，缺失时影响有限，具有差异化潜力。骑行数据记录（F4）和月度骑行报告（F8）无差异型频率最高（分别为 33.4% 和 40.9%），依众数法归类为无差异型需求（I），但两者 Better 系数均超过 0.5（分别为 0.557 和 0.515），属于存在细分吸引力的边界功能，可视资源情况低成本试探。社交拼车功能（F6）同样归类为无差异型（I），Better 系数（0.230）与 Worse 系数绝对值（0.173）均为最低，对当前目标用户群体的满意度影响最小。

Better-Worse 四象限图报告：

Better-Worse 四象限图（图 X）显示，F2 位于第二象限（高 Worse 低 Better），属于优先级最高的必备型需求；F1、F3、F7 集中于第一象限（高 Better 高 Worse），为核心期望型功能，是提升整体满意度的主要杠杆；F5 分布于第四象限（高 Better 低 Worse），是差异化竞争的潜力区域；F4 和 F8 亦落于第四象限偏低区域，众数类别为无差异型（I），Better 系数较高但优先级低于 F5；F6 落于第三象限（低 Better 低 Worse），当前阶段战略优先级最低。

报告格式规范总结

要素	格式示例
样本描述	N = 320，有效率 XX%
类别频率	A = 18.4%，O = 41.3%，M = 32.5%
Better 系数	Better = 0.596
Worse 系数	Worse = -0.682
最终类别引用	以 Mode 法归类（Berger et al., 1993）
效应量参考	Better > 0.5 为高影响力（Timko, 1993 实践经验参考值，非统计显著性截断值）

APA 7th 细节提醒：表格采用三线表格式；系数保留 3 位小数；正反问卷来源须在方法节明确引用；四象限散点图须标注图题、轴标签单位和数据来源。

常见问题 FAQ

Q1：Kano 问卷和普通重要性-满意度（IPA）矩阵有什么本质区别？

A：重要性-绩效分析（IPA）依赖受访者主观报告"这件事对你有多重要"，而人对重要性的主观判断容易受到社会期望和认知偏差影响（"什么都重要"）。Kano 模型通过正反双问题的行为推断来分类需求，不直接询问重要性，因此对"必备型"需求尤其准确——用户不会主动说"基础功能最重要"，但反向题数据会暴露其不可或缺性。两者可以互补使用：先用 Kano 确定需求类型，再在期望型需求内部用 IPA 确定改进优先级。

Q2：众数法（Mode Method）和平均值法归类有何差异，应该用哪个？

A：Kano 归类有三种常见方法：众数法（取频率最高类别）、平均分法（将 AOMIRQ 转化为量化分数再求均值）和 Blauth 矩阵法（考虑 A、O 与 M 的相对多寡）。学术研究中以众数法最为普遍（Berger et al., 1993 原文推荐），操作透明、可重复验证，APA 报告中也最易说明归类逻辑。若样本中某功能的各类别频率相当接近（最高两类相差 < 5%），建议在论文中注明"存在类别竞争，同时报告两个主要类别"以提高报告完整性。

Q3：样本量多大才够？每项功能至少需要多少受访者？

A：Kano 问卷的样本量没有严格的统计功效公式（不同于 t 检验），但实践经验建议：每项功能的归类稳健性通常在 n >= 100 时得到保证，低于 50 时类别频率不稳定，报告时应加以说明。若研究涉及跨群体比较（如不同年龄段的需求差异），各子组 n 建议 >= 80。ChatSRS 在样本量低于阈值时会自动生成警告并给出可信区间估算。

Q4：某项功能 Q 类（可疑型）比例很高怎么办？

A：Q 类频率高（通常以 > 10% 为警戒线）说明受访者对该功能的正反题回答存在逻辑矛盾（如"有了也不喜欢，没有也不喜欢"），通常原因包括：题目措辞模糊、功能描述不清、受访者不理解该功能是什么。处理建议：(1) 将 Q 类受访者数据从该功能计算中剔除；(2) 若 Q 类超过 20%，该功能的分析结果可信度存疑，应在论文中说明并考虑重新设计问卷措辞；(3) ChatSRS 会在 Q 类超过阈值时自动标记"警告：该功能问卷质量存疑"并建议下一步处理方式。

Q5：如何将 Kano 结果与其他满意度研究方法整合报告？

A：在论文实证章节，Kano 分析通常与以下方法配合使用：(1) 结构方程模型（SEM）：以 Kano 确定的期望型功能属性作为观测指标，验证其对整体满意度的路径系数；(2) 多元线性回归：以 Better-Worse 系数作为权重对功能重要性重新加权，再纳入回归模型；(3) 重要性-绩效分析（IPA）：在 Kano 归类后对期望型需求子集做 IPA，进一步区分"差距大且重要"的改进优先项。三种组合均可在 ChatSRS 中用多条连续指令依次完成，结果自动整合为统一格式的 APA 三线表。

小结

Kano 模型是需求优先级研究的方法论基石，核心价值在于区分三类截然不同的功能：

必备型（M）：做到是基准，做不到是灾难，是资源投入的底线优先级；
期望型（O）：线性驱动满意度，是"多投入多回报"的主战场；
魅力型（A）：超预期的惊喜功能，是差异化竞争和品牌溢价的来源。

Better-Worse 四象限图把上述三类需求量化可视化，让资源分配决策从"拍脑袋"变为数据驱动。ChatSRS 将全套流程（Kano 评价表交叉计数 → 众数法归类 → Better-Worse 系数 → 四象限图 → APA 报告）压缩到一句自然语言指令，SPSS、R、Stata 三引擎均支持，60 秒内完成输出。