東京理工大學教授狩野紀昭基於赫茲伯格的雙因素理論提出了KANO模型，這個模型原本不屬於互聯網領域，現在卻被廣泛用於產品的需求分析。作爲互聯網人，瞭解一點還是很有必要的。
主要分爲三個部分：
一、設計調研表格，獲取調研數據；
二、KANO二維屬性歸屬分析；
三、Better-Worse係數計算。
一、設計調研表格，獲取調研數據；
按照上表的格式，對每一個功能做一個的調研，充分收集用戶的數據。
採集回來的數據，需要有一個清洗的過程。
除了剔除一些胡亂填寫的數據，一些不符邏輯的異常數據也在清洗之列。
下面將結合二維屬性歸屬表，對數據進行一個清洗及梳理。
二、KANO二維屬性歸屬分析；
1、魅力屬性(A):有，非常滿意；沒有，不會失望；
eg:中午吃飯時的紅燒肉。沒有紅燒肉，一頓飯也能吃；有紅燒肉，異常開心。
2、期望屬性(O):有，開心；沒有，不開心；
eg:中午吃飯時喝湯。有湯，開心，沒湯，不開心；
3、必備屬性(M):有，沒感覺；沒有，不開心;
eg:中午可以吃飯，沒感覺；中午不能吃飯，陰影面積爆表；
4、無差異屬性(I)：有，沒感覺；沒有，沒感覺；
eg:單身狗出去吃午飯，有人陪，沒感覺；沒人陪，沒感覺；
5、可疑結果(Q)
將拿到的數據，按照上述的格式彙總到每一格。
比如，有12個人選擇了(提供——很滿意；不提供——很滿意）這個選項。那麼把這個選擇按照總投票量，折算成百分比。
如下圖所示：
將數值最高的屬性作爲kano屬性。
通過上述步驟，即可量化評估用戶的需求屬性。
量化完之後，可以按照必備屬性>期望屬性>興奮屬性>無差異屬性的順序，安排產品需求的優先級了。
除了KANO二維屬性歸屬分析,還可以按照計算Better-Worse係數來量化評估需求優先級別.
三、Better-Worse係數計算。
Better-Worse係數是按照下述公式進行計算。
Better/SI=（A+O）/(A+O+M+I)
Worse/DSI=-1*（M+O）/(A+O+M+I)
Better，可以被解讀爲增加後的滿意係數。better的數值通常爲正，代表如果提供某種功能屬性的話，用戶滿意度會提升；正值越大/越接近1，表示對用戶滿意上的影響越大,用戶滿意度提升的影響效果越強，上升的也就更快。
Worse，則可以被叫做消除後的不滿意係數。其數值通常爲負，代表如果不提供某種功能屬性的話，用戶的滿意度會降低；值越負向/越接近-1，表示對用戶不滿意上的影響最大，滿意度降低的影響效果越強，下降的越快。
根據各功能在橫縱軸的均值劃分12%、40%的分割區分。得到四個象限。
第一象限：期望屬性；
第二象限：魅力屬性；
第三象限：無差異屬性；
第四象限：必備屬性；
不同需求屬性的功能，按照必備屬性>期望屬性>興奮屬性>無差異屬性安排優先級。
同一需求屬性功能，按照better值的高低來排序。
第一次運用markdown語法寫東西，紀念一下~~