Модель Кано (Kano Model)

Команда продукта распределяет фичи по бэклогу интуитивно — "это важно", "это клиенты просили" — и годами инвестирует в удобный интерфейс, не замечая, что базовая надёжность продукта страдает. Клиенты не благодарят за удобство, если продукт периодически падает — а команда не понимает, почему удовлетворённость не растёт вопреки постоянным улучшениям.

Хрестоматийный, широко признанный реальный пример именно того явления, которое описывает модель, — сенсорный интерфейс оригинального iPhone, представленного Apple в 2007 году. Мультитач-управление жестами (тап, смахивание, сведение/разведение пальцев для масштабирования) на момент выхода воспринималось как нечто поразительное — классическая восхищающая характеристика (delighter): большинство пользователей смартфонов даже не формулировали такую потребность, но были искренне впечатлены, столкнувшись с ней. Уже через несколько лет, когда конкуренты (Android-производители и другие) массово внедрили аналогичные сенсорные интерфейсы, рынок пересмотрел стандарт — то, что было приятным сюрпризом 2007 года, к началу 2010-х стало базовой, само собой разумеющейся характеристикой (must-be): смартфон без сенсорного экрана сегодня воспринимается как неполноценный продукт, а не как продукт с одной отсутствующей приятной опцией. Это ровно то, что модель называет «распадом категорий» (category decay) — сегодняшний восхищающий элемент неизбежно становится завтрашним базовым ожиданием. Тот же самый «распад категорий» подтверждён и количественно, причём на совсем другом продукте: исследование Hou, Yannou, Leroy и Poirson (Journal of Mechanical Design, 2019) проанализировало более 100 000 отзывов на Amazon про две последовательные модели ридера Kindle Paperwhite (2013-2015 и 2015-2018 годы) и обнаружило, что из 30 отслеженных характеристик 25 сместились именно в направлении, предсказанном Кано ещё в 1984 году, — от восхищающих к более базовым. В частности, характеристика «сенсорный экран» в отзывах на более раннюю модель (2013-2015) статистически чётко попадала в категорию восхищающих, а уже на следующей модели (2015-2018) перестала значимо влиять на удовлетворённость вовсе, перейдя в категорию индифферентных, — независимое количественное подтверждение ровно того же паттерна, что произошёл и с сенсорным экраном iPhone.

Не все улучшения продукта равны: одни делают клиента чуть более довольным, другие — при своём отсутствии — делают его яростным, а при наличии остаются попросту незамеченными.

Происхождение и исследовательская база

Модель разработана профессором Нориаки Кано (Токийский университет Рика) в 1984 году на основе исследования нелинейной связи между наличием характеристик продукта и удовлетворённостью клиента, опубликована в статье "Attractive Quality and Must-be Quality". Методика получила широкое распространение в управлении продуктом как способ приоритизации функций через структурированный опрос клиентов (парные вопросы: "как вы отреагируете, если функция ЕСТЬ" и "как вы отреагируете, если функции НЕТ"). Спустя более 30 лет после оригинальной статьи модель остаётся предметом активной академической доработки: рецензируемое исследование 2017 года в журнале PLOS ONE предложило количественный метод классификации характеристик на основе логистической регрессии — вместо ручной таблицы сопоставления пар ответов вычисляются отношения шансов (odds ratio) отдельно для влияния характеристики на удовлетворённость и на неудовлетворённость, что даёт более строгую, статистически обоснованную альтернативу традиционной табличной классификации Кано.

Ключевые идеи и принципы

1. Принцип: Базовые характеристики (must-be)

   Характеристики, которые клиент считает само собой разумеющимися — их наличие не повышает удовлетворённость (клиент просто не жалуется), но их отсутствие вызывает сильное недовольство. Пример: рабочий тормоз в автомобиле.

2. Принцип: Желаемые характеристики (performance)

   Характеристики с линейной зависимостью — чем больше/лучше, тем выше удовлетворённость, и наоборот. Пример: расход топлива автомобиля — чем экономичнее, тем довольнее клиент, и это можно улучшать постепенно.

3. Принцип: Восхищающие характеристики (delighters)

   Характеристики, которых клиент не ожидал и не просил — их отсутствие не расстраивает (клиент о них не знал), но их наличие вызывает восторг и создаёт сильную эмоциональную привязанность. Со временем восхищающие характеристики становятся ожидаемыми (миграция качества вниз по модели).

4. Принцип: Индифферентные и обратные характеристики

   Не все функции попадают в три основные категории — индифферентные не влияют на удовлетворённость вовсе (тратить на них ресурсы бессмысленно), обратные (reverse) снижают удовлетворённость части клиентов при их наличии (для них это лишняя сложность). Редкий задокументированный реальный пример именно обратной характеристики нашёлся в том же исследовании про Kindle: возможность доплатить (около $20), чтобы убрать рекламу с экрана блокировки ридера, в 2013-2015 годах была восхищающей характеристикой — клиенты были довольны самой возможностью выбора. К 2015-2018 годам та же самая опция стала обратной характеристикой: в отзывах покупатели прямо называли необходимость доплаты за отсутствие рекламы «уловкой, чтобы вытянуть больше денег», и её наличие стало снижать удовлетворённость даже у тех, кто её использовал. Показательный урок: характеристика не обязательно эволюционирует «вверх» по нейтральной шкале зрелости ожиданий — если клиенты со временем начинают воспринимать саму механику монетизации как нечестную, та же самая опция может со временем стать источником раздражения, а не признательности.

Ограничения, слепые зоны и критика

Типовые ошибки

1. Ошибка 1: Все фичи в бэклоге считаются одинаково ценными.

   Команда инвестирует одинаковые усилия в улучшение базовой надёжности и в добавление приятных мелочей, не понимая, что это функции с принципиально разной отдачей.

   Как избежать

   Классифицировать ключевые фичи по модели Кано перед распределением приоритетов в бэклоге.

2. Ошибка 2: Ресурсы вкладываются в улучшение уже достаточных базовых характеристик.

   Команда продолжает "полировать" функцию, которая уже перешла порог "достаточно надёжно" — дополнительные вложения не повышают удовлетворённость, так как это must-be характеристика с плоской кривой отдачи после минимального порога.

   Как избежать

   Проверять базовые характеристики на минимально достаточный уровень и не тратить на них ресурсы сверх этого порога.

3. Ошибка 3: Восхищающие характеристики не пересматриваются со временем.

   То, что было прорывной фичей 3 года назад, стало ожидаемым стандартом отрасли, но продукт продолжает преподносить это как конкурентное преимущество.

   Как избежать

   Периодически повторять опрос Кано — классификация функций смещается со временем, восхищающее становится базовым.

4. Ошибка 4: Опрос проводится упрощённо, без парных вопросов.

   Клиентов спрашивают "нравится ли вам эта функция" вместо правильной пары функциональный/дисфункциональный вопрос — результат не позволяет корректно классифицировать характеристику. Даже при правильно заданных парных вопросах интерпретация результатов методом простого подсчёта долей ответов остаётся довольно грубой; упомянутое исследование PLOS ONE иллюстрирует более точную альтернативу на кейсе 192 велосипедистов, оценивавших восемь характеристик велосипеда (внешний вид, цвет, амортизация, тормоза, трансмиссия, колёса, вес, аксессуары). Например, внешний вид оказался желаемой (one-dimensional) характеристикой с отношением шансов 8,6 для удовлетворённости и 2,44 для неудовлетворённости — то есть значимо влиял в обе стороны, — тогда как цвет оказался именно восхищающей характеристикой: отношение шансов для удовлетворённости 7,448 при статистически незначимой связи с неудовлетворённостью (1,501). Разница практически важна: если опираться только на грубый подсчёт долей ответов, легко перепутать «желаемую» характеристику с «восхищающей» — количественный метод снижает этот риск ошибки классификации. Полная классификация всех восьми характеристик из этого исследования показывает практическую пользу метода для приоритизации: желаемыми (one-dimensional) оказались внешний вид, тормозная система, трансмиссия и колёса/привод, а восхищающими (attractive) — цвет, амортизация, вес и аксессуары. Самое интересное для приоритизации ресурсов — характеристика «колёса/привод»: у неё отношение шансов для неудовлетворённости оказалось самым высоким среди всех восьми (4,414) — выше, чем даже у показателя удовлетворённости этой же характеристики (3,476). Практический вывод авторов: прежде чем инвестировать в характеристики с высоким потенциалом восхищения, нужно сначала закрыть характеристики с наибольшим риском неудовлетворённости — иначе точечное разочарование в одной детали перечеркнёт эффект от вложений в другие, более приятные улучшения. Выборка исследования (192 велосипедиста, 62,5% в возрасте 30-49 лет, 75,4% с опытом катания от года и больше) подобрана достаточно однородно, что дополнительно повышает интерпретируемость полученных различий между категориями характеристик.

   Как избежать

   Использовать правильную методологию опроса Кано — оба вопроса (наличие и отсутствие) для каждой характеристики.

5. Ошибка 5: результаты опроса Кано усредняются по всей клиентской базе без сегментации.

   Одна и та же характеристика может быть базовой для одного сегмента клиентов (например, опытных пользователей) и восхищающей для другого (новичков) — усреднение по всей выборке смазывает эту разницу и даёт обманчиво нейтральную, «индифферентную» категорию там, где реально существуют два противоположных, ярко выраженных мнения разных сегментов.

   Как избежать

   анализировать результаты опроса Кано в разрезе значимых сегментов клиентской базы отдельно, а не только по общей выборке в целом.

План внедрения

1. Неделя 1: составить список ключевых характеристик продукта для классификации.

2. Неделя 2: провести опрос Кано с клиентами — парные вопросы по каждой характеристике.

3. Неделя 3: классифицировать характеристики по категориям (базовые/желаемые/восхищающие/индифферентные).

4. Неделя 4: пересмотреть приоритеты бэклога с учётом классификации — гарантировать базовые, инвестировать в желаемые, искать восхищающие.

   Далее: повторять опрос раз в 1-2 года, отслеживая миграцию характеристик из восхищающих в базовые.

Как реализовать этот план с помощью фрейма «Модель Кано» в OrgDevTools

Фрейм «Модель Кано» в OrgDevTools — бесплатный тренажёр, который ведёт от ответов опроса к порядку работ в бэклоге. Классы угадывать не нужно: вы вносите ответы, а фрейм сам определяет категорию, считает коэффициенты Better и Worse, выстраивает очередь вложений и показывает самую острую проблему.

Книги по теме

Кано Н. — «Attractive Quality and Must-be Quality» (1984). Первоисточник модели, оригинальное исследование нелинейной связи характеристик продукта и удовлетворённости.