需求优先级类型

需求优先级的分析方法大致可以分成两大类:
一类是根据分析人员的经验主观地对需求进行优先级分类,我们称之为定性的分析方法。
一类是根据调查数据,对调查数据进行分析,得出需求的优先级分类,我们称之为定量的分析方法。

定性分析

四象限分析
四象限分析法是很常见的一种定性分析需求优先级的方法。如下图:
需求分析方法论 - 图1
虽然是一种很常见,但是在实际应用中确实很难用得起来。属于典型的“知易行难”的方法论。个人觉得四象限分析法难以应用到需求排序中在于两个方面:
1. 区分什么需求是真紧急,什么需求是假紧急
2.“重要且不紧急”和“不重要但紧急”哪个优先?

总的来说,四象限分析法在指导日常事务上发挥着重要的作用,但是在需求分析上,如果使用“重要”和“紧急”这两个维度稍微有点不足。

波士顿矩阵

波士顿矩阵由用户价值维度和公司价值两个维度将需求分成了四个象限:
需求分析方法论 - 图2

明星需求
对用户体验有价值,对公司战略也有价值的需求。明星需求是双赢的需求,需要优先得到满足。如一些促进用户活跃、转化的需求。具体的有,活跃度排名、优惠提醒等功能。
问题需求
对用户体验有价值,但对公司战略和目标没价值的需求。此类需求虽然看似对公司没直接价值,但是提升用户体验有助于提升用户的忠诚度。如一些提升用户体验的需求。具体的有,提供多种快捷登陆方式、提供辅助输入功能等。
金牛需求
对用户体验没价值甚至会对用户造成困扰,但是对公司战略有价值的需求。公司价值的体现,此类需求应该尽量考虑避免对用户造成影响。如一些运营需求等。具体的有,收集用户信息等。
痩狗需求
对用户体验无价值,对公司战略也无价值的需求。此类需求应该过滤掉。例如一些伪需求。

波士顿矩阵的应用
举一个例子,一个外语在线直播教育平台,收到了如下需求:
视频回放
优惠券
调查问卷
上课提醒
选课程

根据波士顿矩阵,我们来逐个分析一下以上需求:

视频录制:用户可以在课后回放上课的视频,巩固课程学习的内容。公司需要租用大量的服务器存储上课视频。
优惠券:用户可以通过优惠券购买课程。公司发放优惠券,可以促进大量用户下单增加营收。
调查问卷:用户填写调查问卷后,公司可以根据问卷对用户数据进行分析,以制订更好的市场策略。
上课提醒:用户可以在课程开始前收到短信提醒,以便能准时参加课程。
选课程:用户可以根据自己的需求选择课程,但是一般用户并不具备自己选课的能力,给用户带来了极大的麻烦。用户选课如果不固定,教师还需要根据每个用户单独备课。

综上分析,我们将需求划分成四个类别:
明星需求:优惠券
金牛需求:调查问卷
问题需求:视频录制,上课提醒
瘦狗需求:选课程

明星需求是需要优先满足的需求,瘦狗需求是需要剔除的需求。
对于问题需求和金牛需求则需要有个权衡。如果公司以获取用户和提升用户存留为目的,如产品在成长期需要大量的新用户时,则问题需求优先级高。如果公司以盈利为目的时,如产品在成熟期需要提升盈利时,则金牛需求优先级高。

波士顿矩阵的总结
波士顿矩阵分析方法能较好的从“价值”的角度来分析需求是比较科学的,一个需求是否要落地,最终的判断依据就是这个需求是否产生价值。
但是,波士顿矩阵单纯的从“价值”维度来区分优先级,在实际应用中,还是有点不足。一个需求是否优先落地,除了是否具备“价值”外,还跟需求的实现难度、市场条件等有一定的关系,很多时候并不能一刀切。
另外,一个需求从严格来说对用户有价值,能留住用户,从某种方面来看就是对公司有价值。对公司有价值最后也会转变成对用户有价值,比如我们收集用户信息,最后也是为了更好的服务用户。有时候我们需要花费大量的精力来区分,一个需求是直接价值还是间接价值。
特别是在产品的初期,为了获取新用户并留住用户,我们会想尽办法达成这个目标。这期间,问题需求的优先级很可能高于一切。比如,提供一个快速注册的功能。可以这么说,在产品初期,公司价值和用户价值是统一的,这时候波士顿矩阵在某种程度上来说,是不太适用的。
总的来说,波士顿矩阵比较适合产品成熟后,在分析优化型需求上。在这个阶段,用户基础功能已经得到满足,这时候商业价值才能逐步凸显,成为用户价值之外的另一个衡量标准。

定量分析

KANO模型

KANO将需求分成了五种类型:
魅力需求
也称兴奋型需求,是指那些出乎用户意料之外的需求。正因为是出乎用户意料的,所以当缺少此类需求时,用户并不会感知,用户的满意度也不会受到影响。但是,当具备了此类需求时,用户的满意度会急剧上升。
期望需求
也称意愿型需求,是指用户期望得到的需求。用户想要得到的,但又不是非要不可的需求。如果具备了此类需求,用户的满意度会提升。如果缺少时,用户的满意度会下降。
必备需求
也称基本型需求,是指用户觉得应该具备的需求。可以说,如果不具备此类需求,产品在可用性上将大大下降,所以用户的满意度会大大下降。但是,具备此类需求时,用户觉得理所当然,所以满意度并不会提升。
无差异需求
具备或不具备用户都觉得没所谓的需求。此类需求,有没有都不会对用户的满意度产生影响。
反向需求
用户不希望出现的需求。如果具备了此类需求,用户的满意度会下降。此类需求要尽量避免。

用一张简单的图形来表示如它们之间的关系:
需求分析方法论 - 图3

怎么确定需求类型
我们来看一下怎么一步一步的将需求归类到每个需求类别里面。

  1. 设计问卷
    KANO模型是通过问卷调查的方式来确定需求类型的,通过对调查问卷的统计来分析来区分需求。先来看一下问卷的设计:
    需求分析方法论 - 图4

  2. 收集数据
    根据用户对两个问题的回答,我们可以将此名用户的答案进行归类,如下图:
    需求分析方法论 - 图5

当我们对大量用户进行问卷调查后,我们可以得出这个功能在大量用户下选择的占比,如下图:

需求分析方法论 - 图6

从上图,我们可以看出,用户对这个功能选择的占比大概如下:
TA(魅力需求):30%
TO(期望需求):12%
TM(必备需求):18%
TI(无差异需求):31%
TR(反向需求):8%
TQ(可疑需求):1%

  1. 清洗数据
    首先排除掉Q,这个选项是不应该出现的,可能是用户错误的选择,或者对问题理解的错误导致的。
    然后排除掉R,大量用户选择了R,此类用户是不应该被开发的,所以不列入需求优先级的排序范围。
    4. 数据分析
    通过分析A、O、M、I四个选项进行计算划分。
    4.1 Better-Worse系数计算
    这里我们引入Better-Worse系数,先看一下Better-Worse系数的计算公式:
    Better/SI=(TA+TO)/ (TA+TO+TM+TI)
    Worse/DSI=-1 (TO+TM)/ (TA+TO+TM+TI)
    Better系数表示用户的满意度。Better系数越高,表示当具备此类需求时,用户选择“我很喜欢”的比例越大,此类需求越能提升用户的满意度。
    Worse系数表示用户的不满意度。Worse系数越高,表示当不具备此类需求时,用户选择“我不喜欢”的比例越大。如果此类需求缺少,用户的满意度将大幅度下降。
    上面的值代入公式计算得出:
    Better/SI = (30% + 12%) / (30% + 12% + 18% + 31%) = 46%
    Worse/DSI = -1
    ( 12% + 18% ) / (30% + 12% + 18% + 31%) = -32%
    4.2 绘制Better-Worse图表
    我们用这个方法,对多个需求计算Better-Worse系数,然后将其放到同一个图标上面,如下:
    需求分析方法论 - 图7

画Better-Worse系数图的时候,在实际操作中有两个点要注意:
Worse系数是负数,为了方便显示,在制图过程中,我们对Worse系数取绝对值进行绘制。
因为需求的优先级是相对的,所以,在绘制过程中我们可能不是严格按照50%的系数对需求进行划分。而是针对需求的大概分布情况,我们增加了另一个坐标轴,然后去中间数进行划分。如上图,因为系数相对集中在10%-90%这个区间。所以在图中,使用10%-90%为坐标绘制了另一个坐标轴进行区分。

KANO模型的应用
正常情况下需求的排序应该是: 必备需求 > 期望需求 > 魅力需求 > 无差异需求。
但是在实际应用过程中经常不按这个顺序进行开发,特别是对魅力需求时。我们来看一下魅力需求,有时候魅力需求的优先级还要凌驾于其他需求之上。
魅力需求是产品亮点。
现在的产品越来越趋于同质化。魅力需求能成为你产品的一个亮点,也往往会成为用户使用你的产品的一个很大的理由。
魅力需求可能成为付费点。
现在的产品大多数以“免费+付费”的模式。免费的需求可以沉淀大量的用户,付费的需求往往出现在魅力需求上。
应用KANO模型,我们还应该认识到:
标准是相对的
很多时候,不同的用户对需求的判断是不一样的。个体在对某一些功能的判断上存在着巨大的差异。
比如,IM工具是否提供语音聊天功能,有些人觉得“没所谓啊,反正也用不了几次”,有些人觉得“太好用了,简直就是解放了我的双手”。
标准是会改变的
随着技术的进步和用户习惯的养成,很多需求也会随着变化。一般情况下需求会从魅力需求,逐步变成期望需求,然后变成必备需求,甚至变成反向需求。
举个例子,第一台按键电话出现后,按键成了电话的魅力需求。随着技术的进步逐步变成了期望需求和必备需求,一直到触屏手机出来后,按键成了手机的反向需求。

KANO模型总结
KANO模型是一种定量的分析方法,在运用过程中有以下几个优势:
KANO模型一般有大量用户参与,它可以避免个别人为的观点左右了产品的需求。
在诸如哪个功能“更重要/更紧急”这种问题上,我们总是在“更”这个字上争吵不休。KANO模型提供了一种数学统计的方式,给哪个需求“更重要/更紧急”提供了一个量化的标准。
但是,我们也应该看到KANO模型,也存在的一些缺点:
需要大量的用户参与,操作流程比较繁琐。
调查问卷一般比较长,而且反复问正反两个问题,会让用户感到厌烦。
大众的选择,可能会将一些重要的创新功能隐藏掉。

最后的总结
无论是波士顿矩阵还是KANO模型,在使用上都存在着或多或少的不足。但是这两种方法论,给我们提供了一个很好的思考标准。其中波士顿矩阵是以价值来对需求进行思考,KANO模型则是基于用户满意度来进行思考。
但是,我们日常在处理需求时,总会遇到各种各样的情况出现。比如老板突然来了一个想法,比如开发资源短缺,比如团队并不具备某项需求的开发能力等等。这时候,作为产品还是需要根据具体的情况具体分析。