Модель Кано — классификация функций по влиянию на удовлетворённость
Модель Кано (Kano Model) — метод классификации функций продукта по их влиянию на удовлетворённость пользователя. Модель разработана профессором Нориаки Кано и показывает, что связь между наличием функции и удовлетворённостью клиента нелинейна: одни фичи вызывают восторг, другие воспринимаются как должное, третьи вообще не влияют на решение о покупке.
Категории модели Кано
- Must-be (базовые) — функции, которые клиент считает само собой разумеющимися. Их наличие не вызывает радости, но отсутствие вызывает сильное неудовлетворение. Пример: мобильная версия сайта, возможность отмены заказа, поддержка по email. Базовые фичи — обязательный минимум.
- One-dimensional (одномерные) — функции с линейной зависимостью: чем лучше реализованы, тем довольнее клиент. Пример: скорость загрузки, объём хранилища, количество интеграций. По ним клиенты сравнивают конкурентов напрямую.
- Attractive (привлекательные) — WOW-фичи, которых клиент не ожидает. Их наличие вызывает восторг, отсутствие не расстраивает (клиент о них не знает). Пример: AI-генерация контента, персонализированные рекомендации. Attractive фичи создают дифференциацию.
- Indifferent (безразличные) — функции, которые не влияют на удовлетворённость ни в какую сторону. Клиенту всё равно, есть они или нет. Инвестиции в такие фичи — пустая трата ресурсов.
Как проводить Kano-анализ
Классический метод: для каждой функции задайте пользователям два вопроса. Функциональный: «Как вы отнесётесь, если эта функция будет?». Дисфункциональный: «Как вы отнесётесь, если этой функции не будет?». Варианты ответов: нравится, ожидаю, нейтрально, могу терпеть, не нравится. Пересечение ответов определяет категорию по модели Кано.
Миграция категорий
Важное свойство модели Кано: категории фич меняются со временем. Вчерашний WOW (Attractive) становится сегодняшней нормой (One-dimensional), а завтра — базовым ожиданием (Must-be). Пример: push-уведомления были Attractive в 2010, стали Must-be к 2020. Это означает, что Kano-анализ нужно повторять регулярно — минимум раз в год.
Применение в приоритизации
Модель Кано дополняет RICE и ICE. Must-be фичи получают абсолютный приоритет, даже если RICE-скор невысокий — без них продукт непригоден. Indifferent фичи исключаются из бэклога, даже если кто-то в команде хочет их построить. Attractive фичи — стратегический резерв для дифференциации от конкурентов.
Как AI CPO проводит Kano-классификацию
Вы описываете функции продукта и аудиторию в диалоге. AI анализирует контекст: данные custdev, конкурентные карты, Job Statements. Система классифицирует каждую фичу по модели Кано, учитывая нишевые особенности и стадию рынка. Результат — таблица с категорией каждой функции, рекомендациями по приоритизации и предупреждениями о потенциальной миграции категорий.
Частые вопросы
Что такое модель Кано?
Модель Кано — метод классификации функций продукта по их влиянию на удовлетворённость клиента. Выделяет 5 категорий: Must-be (базовые, отсутствие раздражает), One-dimensional (линейная зависимость удовлетворённости), Attractive (WOW-эффект), Indifferent (не влияют) и Reverse (раздражают при наличии).
Как провести Kano-анализ для продукта?
Для каждой функции задайте пользователям два вопроса: «Как отнесётесь, если будет?» и «Как отнесётесь, если не будет?». Пересечение ответов определяет категорию. Нужно 20-50 респондентов. AI CPO классифицирует фичи автоматически на основе данных custdev и анализа конкурентов.
Чем модель Кано полезна для приоритизации фич?
Must-be фичи идут в MVP обязательно — без них продукт неработоспособен. One-dimensional — основа конкуренции, инвестируйте больше конкурентов. Attractive — дифференциация и WOW-эффект. Indifferent — исключить из бэклога. Модель Кано предотвращает две ошибки: забыть базовое и вложиться в безразличное.
Как часто обновлять Kano-классификацию?
Минимум раз в год или при значительном изменении рынка. Фичи мигрируют: Attractive → One-dimensional → Must-be. То, что было WOW-эффектом год назад, сегодня может быть базовым ожиданием. AI CPO помечает классификацию как устаревшую при поступлении новых данных о рынке и конкурентах.