Как использовать модель Кано: классификация фич по влиянию на удовлетворённость

Что такое модель Кано?

Модель Кано (Kano Model) — это фреймворк удовлетворённости клиентов, разработанный японским исследователем Нориаки Кано в 1984 году, который классифицирует продуктовые фичи в пять категорий по тому, как их наличие или отсутствие влияет на удовлетворённость пользователя: Must-be (обязательные), Performance (линейные), Attractive (восхитительные), Indifferent (безразличные) и Reverse (обратные). Метод работает через два парных вопроса о каждой фиче — функциональный («как вы себя чувствуете, если у вас есть эта фича?») и дисфункциональный («как вы себя чувствуете, если её нет?») — и сопоставляет пару ответов с категорией. Раскрывая, какие фичи являются базовыми ожиданиями, какие линейно отзываются на инвестиции, а какие создают неожиданное восхищение, модель Кано даёт продуктовой команде структурированный способ решать, куда тратить инженерные усилия, помимо простого ранжирования.

На какой вопрос отвечает метод?

Какие фичи являются базовыми ожиданиями, на отсутствие которых пользователи разозлятся, но к наличию останутся равнодушными?
Какие фичи дают линейный прирост удовлетворённости — чем больше инвестируем, тем счастливее пользователи?
Какие фичи создают неожиданное восхищение, которого пользователи ещё не ждут, но которое им бы понравилось?
К каким фичам пользователи на самом деле безразличны, сколько ни инвестируй?
Какие предлагаемые фичи пользователи на самом деле предпочли бы с противоположным знаком (Reverse)?
Как изменится категоризация фичи со временем, когда конкуренты догонят и ожидания вырастут?

Когда использовать модель Кано

Когда команда спорит, является ли предлагаемая фича «table stakes» или реальным дифференциатором, и нужны доказательства, а не мнения.
Когда бэклог смешивает базовые ожидания с потенциальными восхищающими фичами, и инженерные усилия распределяются неправильно.
При входе на новый рынок или вертикаль, когда команде нужно знать, какие фичи в категории — базовые, до того как инвестировать в дифференциаторы.
При оценке списка новых идей фич на ранней стадии discovery, до прототипа.
Когда два стейкхолдера спорят, «must-have» это или «nice-to-have» — Кано переводит спор в структурированные данные клиентов.
При проектировании нового тарифа, когда команде нужно знать, какие фичи якорят базовый план, а какие оправдывают премиум.

Не подходит при малом размере выборки (меньше 100 респондентов на сегмент) — категории Кано становятся нестабильными. Кано также плохо подходит для итеративных уточнений существующей фичи — он отвечает на «строить ли вообще», а не на «как настроить параметр». Наконец, категории Кано не статичны: фича, классифицированная как Attractive сегодня, часто становится Performance через год и Must-be через два, по мере того как конкуренты копируют. Используйте Кано как снимок текущих ожиданий, не как постоянный ярлык.

Что вы получаете (артефакты)

Категоризированный список фич: каждая помечена как Must-be, Performance, Attractive, Indifferent или Reverse.
Таблица discrete-анализа: количество ответов в каждой категории Кано на фичу плюс доминирующая категория и runner-up.
Scatter plot continuous-анализа: каждая фича на графике средних Functional и Dysfunctional оценок, с error bars и размером пузырька по importance.
Stack-ranked список фич, объединяющий потенциал недовольства, потенциал удовлетворения и заявленную важность.
Самооценка важности по каждой фиче (1–9), собранная вместе с парными вопросами.
Письменная рекомендация, связывающая каждую категорию с действием на роадмапе: строить, инвестировать, отложить или отбросить.

Участники и сроки

Участники: 100 минимум на сегмент для устойчивых категорий; 200+ предпочтительно.
Длина опроса: 8–15 фич, ~30 секунд на фичу, итого 5–8 минут.
Подготовка: 2–4 дня на список фич, парные вопросы, настройку опроса и пилот.
Полевая работа: 1–2 недели.
Анализ и отчёт: 2–4 дня, в основном интерпретация, а не математика.

Как провести исследование Кано (по шагам)

1. Выберите фичи и сегменты

Возьмите 8–15 кандидатов фич, чьё отсутствие или наличие пользователь действительно заметит. Возьмите 1–3 сегмента клиентов с целью 100+ респондентов на сегмент.

2. Напишите пары функциональных и дисфункциональных вопросов

Для каждой фичи напишите «Как вы себя чувствуете, если у вас есть [фича]?» и «Как вы себя чувствуете, если у вас нет [фича]?» Формулируйте через выгоду, а не через техническую реализацию. Не делайте дисфункциональный вопрос полярной противоположностью — описывайте отсутствие («если некоторые видео экспортируются дольше 10 секунд»), а не противоположность («если все видео экспортируются дольше 10 секунд»). Полярная формулировка заставляет респондентов механически переворачивать ответ.

3. Установите шкалу ответов

Используйте стандартную 5-балльную шкалу Кано: «Мне это нравится / Я этого ожидаю / Мне всё равно / Я могу с этим жить / Мне это не нравится». Некоторые команды предпочитают альтернативные формулировки. Выберите одну и придерживайтесь её.

4. Добавьте вопрос о самооценке важности

После каждой пары добавьте шкалу важности 1–9: «Насколько эта фича важна для вас?» Это дополняет категорию Кано измерением масштаба.

5. Пилотируйте опрос внутри

Протестируйте на 5 коллегах. Если кто-то путает функциональный и дисфункциональный вопрос — формулировка нуждается в доработке. Запутавшиеся респонденты дают Questionable ответы, которые портят данные.

6. Запустите поле

Привлекайте через свой канал и поле 1–2 недели. Сопоставьте выборку с популяцией, на которую влияет решение. Если изучаете несколько сегментов — мониторьте набор по сегменту, а не только общий итог.

7. Скорьте ответы (discrete analysis)

Для каждого респондента посмотрите пару ответов в evaluation table Кано и получите одну из шести категорий (Must-be, Performance, Attractive, Indifferent, Reverse, Questionable). Подсчитайте по фиче и выберите доминирующую. При близких результатах используйте правило приоритета Must-be > Performance > Attractive > Indifferent.

8. Запустите continuous analysis (опционально)

Для 200+ респондентов скорьте ответы численно и посчитайте средние Functional и Dysfunctional оценки на фичу. Постройте scatter plot. Позиция показывает категорию визуально, а стандартное отклонение — насколько устойчива категоризация.

9. Переведите категории в роадмап-действия

Стройте все Must-be (выбора нет — без них недовольство). Добавьте столько Performance, сколько позволяет бюджет. Включите 1–2 Attractive как дифференциаторы. Выкиньте Indifferent с роадмапа. Reverse — либо инвертируйте («пользователи хотят противоположное — стройте противоположное»), либо отбросьте.

Как AI меняет этот метод

AI compatibility: partial — AI способен ускорить дизайн опроса, математику категоризации и интерпретацию, но не может заменить живых респондентов. Синтетические респонденты (просьба к LLM «ответь как целевой пользователь») дают ненадёжные результаты в исследованиях клиентских предпочтений, а Кано конкретно зависит от эмоциональных реакций на сценарии фич, которые LLM не симулирует надёжно.

Что может AI

Сгенерировать список кандидатов фич: LLM берёт описание продукта и выдаёт 15–20 идей фич для тестирования.
Написать пары функциональных/дисфункциональных вопросов: LLM генерирует пары в правильном формате, автоматически обрабатывая нюанс «описывай отсутствие, а не противоположность».
Пропилотировать формулировки: модель помечает формулировки, звучащие как полярные противоположности, содержащие жаргон или смешивающие выгоду с реализацией.
Запустить discrete и continuous анализ: Conjointly, Qualtrics, Survalyzer и Excel-таблица Folding Burritos автоматизируют lookup table и continuous scoring.
Интерпретировать категории: LLM может выдать первый драфт нарративного отчёта, сгруппированного по «строить сейчас», «дифференциатор», «отложить», «вырезать».

Что требует исследователя-человека

Выбор фич и сегментов: стратегические решения, зависящие от роадмапа, а не от данных.
Живые респонденты: синтетические респонденты систематически промахиваются мимо реальных эмоциональных реакций. Microsoft, Ipsos и академики публиковали доказательства того, что LLM-данные предпочтений не совпадают с человеческими.
Различить настоящий Must-be от «все говорят да»: категория, выглядящая как Must-be, может отражать вежливое согласие. Валидация через интервью — человеческая работа.
Интерпретация временного дрейфа: понять, станет ли сегодняшний Attractive завтрашним Must-be, требует рыночного и конкурентного суждения вне данных.
Защита результата перед стейкхолдерами: перевод «фича X получила 64% Must-be» в роадмап-обязательство требует чтения комнаты и связки с бизнес-целями.

AI-усиленный workflow

До AI исследование Кано занимало 3–4 недели: воркшопы стейкхолдеров для выбора фич, ручное написание вопросов, настройка опроса, поле, ручной lookup каждого ответа в evaluation table, расчёты в Excel и написание отчёта.

С AI в петле аналитик пишет список фич с ChatGPT за 30 минут, просит модель написать пары вопросов ещё за 15 минут, правит для точности и запускает опрос к концу первого дня. После поля данные идут в отчёт Conjointly или Qualtrics для автоматической категоризации. Первый драфт отчёта генерирует LLM, аналитик правит по тону и проверяет на точность. Весь workflow сжимается с 3–4 недель до 5–7 дней.

Что не меняется — сами данные. Синтетические ответы Кано выдают данные, которые выглядят правдоподобно, но не совпадают с реальными человеческими реакциями. UX-команда Microsoft опубликовала переосмысление Кано конкретно для AI-фич, которое использует живых пользователей именно по этой причине: даже при изучении AI-фич респонденты должны быть людьми.

Инструменты

Платформы с поддержкой Кано: Conjointly, Qualtrics (тип вопроса Kano в CoreXM), Survalyzer, CraftUp Kano Survey Builder (бесплатно), SurveyMars.

Общие опросные платформы с поддержкой Кано: SurveyMonkey, Typeform, Google Forms, Pollfish, IdeaPlan.

Аналитические таблицы и скрипты: Excel Folding Burritos (бесплатно с полным руководством), R-пакеты для скоринга Кано, кастомные Python-скрипты на pandas.

Визуализация: интерактивные отчёты Conjointly, Tableau или Looker для кастомных Kano scatter plots, Excel или Google Sheets для аналитических таблиц.

AI-помощь: ChatGPT или Claude для генерации списка, написания вопросов, интерпретации результатов и драфта отчёта.

Хорошо сочетается с

MaxDiff (Mx): MaxDiff ранжирует фичи по относительной важности; Кано классифицирует их по влиянию на удовлетворённость. Вместе отвечают и на «чего пользователи хотят больше всего?», и на «это ожидаемо или восхищает?».
Survey (Sv): Кано сам по себе опросный метод, но категоризация часто поднимает follow-up вопросы, требующие открытых элементов сразу после блока Кано.
In-depth Interview (Di): оценки Кано говорят, в какую категорию попадает каждая фича; интервью объясняют почему. 5–8 интервью после опроса объясняют категории.
Concept Testing (Ct): когда Кано определяет фичу как Attractive, тестирование концепции строит быстрый мокап и проверяет, что предсказанное восхищение проявляется в реальном взаимодействии.
Persona Building (Ps): персоны описывают сегменты качественно; Кано с сегментацией по персоне показывает количественно, какие фичи Must-be для каждой персоны.

Пример из практики

B2B SaaS для управления проектами планировал крупный релиз с бюджетом на 10 новых фич. У продуктовой команды был список из 14 кандидатов и спор о том, что вырезать. Power-user PM продвигал расширенную отчётность; CS-PM продвигал улучшения онбординга; дизайн-лид настаивал на UI refresh.

Команда запустила Кано-исследование с 14 кандидатами и 240 клиентами в двух сегментах: соло-пользователи и тимлиды. Опрос занимал 8 минут на респондента. Discrete-анализ показал, что UI refresh — Indifferent для обоих сегментов (40% Indifferent, 25% Must-be, 20% Performance — без явного победителя), расширенная отчётность — Performance для тимлидов (62%), но Indifferent для соло-пользователей (51%), а улучшения онбординга — Must-be для новых аккаунтов обоих сегментов. Три фичи, о которых команда не спорила, набрали Attractive с высокой важностью: bulk task editing (74% Attractive), интеграция со Slack (68% Attractive) и личные дашборды (61% Attractive).

Команда вырезала UI refresh и один из слабых вариантов отчётности, оставила расширенную отчётность как фичу только для тимлидов и подняла три Attractive фичи в топ приоритета. Релиз случился через четыре месяца. Через шесть месяцев после запуска NPS вырос на 11 пунктов в целом, а три Attractive фичи упоминались в 60% незапрошенных писем благодарности от клиентов — более сильный сигнал, чем дала бы любая из изначальных ставок команды на приоритеты.

AI-промпты для этого метода

4 готовых AI-промптов с placeholder’ами — скопируйте и подставьте свой контекст. Все промпты для «модели Кано» →.