理解用户，不只是共情，更是系统性认知与策略性落地。本文作为系列下篇，继续拆解14种用户洞察方法，并结合真实案例，帮助产品一号位构建一套可复用、可协同的用户理解体系——从感知到判断，从判断到决策，真正做到“以用户为中心”的产品驱动。
本篇文章帮你解决的问题：
1. 我想要更精准、更多维度的评估用户需求，能不能推荐几个常用的分析模型？
2. 我听过KANO模型，但不知道该怎么运用到实际的分析上，能告诉我具体的执行步骤吗？
3. 有没有什么更新、更前沿的用户需求评估方法呢？
<手把手系列 – 第9篇>
这是手把手系列的第9篇文章。内容比较干、思考比较深，我会带著你从简单到复杂，深度了解14种分析用户需求的方法，并透过实际的案例说明，手把手教你读懂用户的心，打造受欢迎的爆款产品。
在上ㄧ篇文章中，我介绍完 L1. L2等数据需求量较少的7种用户需求分析的方法，有兴趣的朋友可以去瞧瞧。
手把手教你读懂用户的心：14种方法+实战案例，产品一号位必看指南（上篇）
今天这篇文章将会探索 L3. L4 更为复杂的7种方法，例如RICE模型、Pugh矩阵、KANO模型、情感分析等方法，让你能够更加准确的来分析用户的需求。
在用户需求分析中，当需要更加精准、更加详细的来评估需求时，我们会使用数据需求高的方法。这些方法不仅考虑需求的基本属性，还会综合考虑多个维度，如影响范围、实现难易度、商业价值等。
下面我们将详细介绍四种数据需求高的方法：RICE模型、需求价值评估矩阵、Pugh矩阵和KANO模型。
RICE模型是由Intercom公司的联合创始人Des Traynor于2015年提出，他是一位在产品管理和用户增长领域有着丰富经验的专家。
RICE 模型主要从四个方面来评估需求，分别是Reach（影响范围）、Impact（影响程度）、Confidence（信心）和 Effort（投入工作量）。
就好像我们要评估做一件事情的价值，既要考虑这件事情能影响多少人（Reach），又要考虑它对这些人的影响有多大（Impact），还要考虑我们对这个评估的把握程度（Confidence），以及完成这件事情需要付出多少努力（Effort）。
最后通过一个公式：
RICE 得分 =（Reach×Impact×Confidence）/ Effort
计算每个需求的得分，得分越高的需求越优先考虑。
举个栗子：以某健身APP为例
当某款健身 APP 的产品经理想要增加一个社交分享功能时，他可以从RICE四方面进行评估。
通过计算 RICE 得分，如果这个得分较高，那么这个社交分享功能就应该优先开发。
实际演算：
RICE 得分=（7 × 8 × 8）/ 4 = 448 / 4 = 112。
价值复杂性矩阵（The Value-Complexity Matrix）是一种广泛应用于产品管理和项目管理的方法，这一方法在20世纪后期被广泛应用于商业决策中，特别是在产品管理和技术开发领域。
这个矩阵从「价值」和「复杂性」两个维度来评估需求。价值维度体现了该需求对用户或者业务的重要性，复杂性维度反映了实现该需求在技术、资源等方面的难度。
我们可以把不同的需求放在这个矩阵中，分为高价值 – 高复杂性（区域1）、高价值 – 低复杂性（区域2）、低价值 – 低复杂性(区域3)、低价值 – 高复杂性(区域4)四个象限。
对于高价值 – 低复杂性的需求，应该优先考虑；对于高价值 – 高复杂性的需求，需要谨慎评估是否值得投入；低价值 – 低复杂性的需求可以在资源允许的情况下考虑；低价值 – 高复杂性的需求通常要尽量避免。
举个栗子：以某智能音箱为例
当一个智能音箱想增加一个语音快速切换歌曲的功能时，产品经理可以这么思考：
从价值方面看，这个功能可以极大地提高用户操作的便利性，让用户不用手动操作就能切换喜欢的音乐，具有较高的用户价值。
从复杂性来看，只需要在现有的语音识别系统中添加一个简单的指令识别和歌曲切换的程序，技术难度较低。
所以这个需求属于高价值 – 低复杂性，应该优先考虑添加。
Pugh矩阵（Pugh Matrix）又称普氏矩阵，是由斯坦福大学的教授史蒂文·P·普格（Steven P. Pugh）在1980年代提出，他一位在工程设计和决策分析领域有着深厚造诣的专家。
Pugh 矩阵是一种表格格式的工具，我们先确定一个基准方案，然后将其他方案与基准方案进行比较，从多个标准（如成本、性能、可靠性等）来评估每个方案的优劣程度，用 “+”“-”“=” 来表示优于、劣于和等于基准方案。
通过这种方式，我们可以直观地看到每个方案在不同方面的表现，从而选择出最优的方案。
举个栗子：以某电动牙刷为例
当你要开发一款新型的电动牙刷时，会产生几个不同的设计方案。
我们把其中一个传统的电动牙刷设计作为基准方案。
一个新的设计方案可能在电池续航能力上优于基准方案（标记为 “+”），但在价格上可能会高于基准方案（标记为 “-”）。
另一个设计方案可能在刷头的清洁效果上更好（标记为 “+”），但在操作的便捷性上不如基准方案（标记为 “-”）。
通过 Pugh 矩阵的比较，我们可以综合考虑各个因素，选择出最符合市场需求和公司资源的设计方案。
这个模型是由日本学者狩野纪昭（Noriaki Kano）在1984年提出，它把用户的需求分成了五种类型：基本型需求、期望型需求、兴奋型需求、无差异型需求和反向型需求。
举个栗子：以某手机品牌为例
当深圳某手机品牌准备进行迭代时，产品经理利用KANO模型进行底下的步骤：
第一步：问卷设计
问卷中针对每一个需求都设计成对问题，例如一个问题是 “如果手机具备高清屏幕，您的感受是”，选项为五个等级：非常喜欢、理应如此、无所谓、勉强接受、很不喜欢；另一个问题则设计成 “如果手机没有高清屏幕，您的感受是”，同样有上述五个选项。
第二步：问卷统计
将用户對「具备功能態度」與「不具备功能態度」的回答按照下表来确认高清屏幕功能對於用户來說是什麼种类需求。
透过上述对照表，就能得出「功能1 具备高清屏幕」在五种需求类型的占比，以下面例子为例，手机具备高清屏幕有50％是无差异型需求（I），25%是期望型需求（O），12.5%是基本型需求（M）与反向型需求（R）。
第三步：问卷分析
根据足够数量的问卷样本内容统计，即可得出想要了解的各种功能在用户心中的需求类型，并指导该功能后续在产品的优化与资源分配顺序。结果应用的优先级别如下：
以案例中的「具备高清屏幕」功能为例，由于有一半的比例是无差异型需求，在后续产品迭代与优化时可以不优先考虑，而是优化其他基本需求与期望需求。
本篇文章为了让大家容易了解KANO模型的操作，故仅以单一功能的需求评估举例。实际需求分析时会有更多的样本数量、更多不同功能一起进行分析，此时可借助相关统计软件进行分析，以便提高效率。
随着技术的发展，越来越多的前沿分析方法被应用于用户需求分析中。这些方法不仅能够处理大量数据，还能提供更深入的洞察，帮助我们更好地理解用户需求。
下面我们将详细介绍三种前沿分析方法：情感分析、大数据分析和人工智能与机器学习。
情感分析（Sentiment Analysis）作为一个研究领域起源于20世纪90年代，随着自然语言处理技术（NLP）和机器学习（ML）算法的发展而逐渐成熟。
情感分析主要聚焦于分析文本中所表达的情感倾向，判断其是正面的、负面的还是中性的。
从本质上来说，它就像是我们阅读一篇文章或者聆听一段对话时，凭借自己的理解和感受来判断说话者或者作者对所描述事物的态度，只不过情感分析是让计算机来执行这个任务。
计算机进行情感分析时，需要对文本进行预处理，比如分词（将句子拆分成一个个单独的词语）、去除停用词（像 “的”“是”“在” 等对情感表达影响较小的词）等操作。
然后，根据词语的情感色彩（有些词是明显带有正面情感的，如 “喜欢”“赞美”；有些则是负面的，如 “讨厌”“批评”）以及语法结构等因素来综合判断整个文本的情感倾向。
举个栗子：以某智能手表为例
在杭州的某智能手表公司，产品经理从用户在电商平台、社交媒体等地方留下的评论中进行情感分析。
如果很多用户评论说 “这个手表的续航能力太棒了，我很满意”，通过情感分析可以判断出这是正面情感。
如果有人说 “这个手表的操作太复杂了，真让人头疼”，这就是负面情感。
产品经理可以根据这些情感分析的结果，对产品进行改进，比如提高续航能力，简化操作流程。
大数据分析（Big Data Analysis）作为一个概念最早由计算机科学家和数据科学家提出，随着互联网和云计算技术的发展而逐渐普及。
大数据分析是对海量的数据进行收集、处理、分析，从中挖掘出有价值的信息。这些数据来源极其广泛，可以是企业内部的业务数据，如销售数据、库存数据等，也可以是外部的市场数据、用户行为数据等。
数据类型多样，既包括结构化的数据（如数据库中的表格数据，每一行和每一列都有明确的定义），也有非结构化的数据，如图片、文本、音频等。
在进行大数据分析时，首先要进行数据的采集，将分散在各个地方的数据集中起来。
然后进行数据清洗，去除数据中的噪声和异常值，确保数据的质量。
接着，运用各种数据分析算法和工具，如聚类算法（将数据按照相似性进行分类）、关联规则挖掘（发现数据之间的关联关系）等，对数据进行深入分析。
举个栗子：以某智能音箱产品为例
以智能音箱产品为例，收集海量用户使用智能音箱的数据，包括用户在不同时间段的使用频率、经常使用的语音指令类型（如播放音乐、查询天气、控制智能家居设备等）、对语音识别准确率的反馈、不同年龄段用户的使用习惯等数据。
通过大数据分析，可能会发现早晨用户使用查询天气和播放新闻资讯的指令较多，而晚上播放音乐和控制智能家居设备的指令使用频繁。
根据这些信息，产品开发者可以优化智能音箱在不同时间段的响应策略，针对早晨高峰时期，提高天气和新闻资讯服务的响应速度；针对晚上的使用场景，加强智能家居控制的稳定性和音乐播放的推荐精准度。
人工智能与机器学习（AI & ML）是一种通过计算机模拟人类智能的技术，能够自动从数据中学习并作出预测或决策。
在用户需求分析中，AI与ML可以帮助我们自动处理大量用户反馈数据，识别模式，并预测用户的行为和需求。
在用户需求分析的情境中，它主要通过对用户行为数据的挖掘来识别潜在的需求模式。它能够处理复杂的多变量数据，发现数据之间隐藏的关联关系。通过对这些数据的学习，建立起一个能够反映用户需求的模型，进而为产品设计和优化提供指导。
从数据处理流程来看，首先要进行数据收集，包括用户的各种行为数据、反馈数据等。
然后对这些数据进行预处理，如数据清洗、特征提取等操作，使数据能够被机器学习算法有效处理。
接着选择合适的机器学习算法，如监督学习算法（利用有标记的数据进行学习）、无监督学习算法（从无标记的数据中发现模式）等，对处理后的数据进行训练。
在训练过程中，算法不断调整模型参数以最小化预测误差，从而提高对用户需求预测的准确性。
举个栗子：以某智能空调品为例
以智能空调为例，它可以通过内置的传感器收集大量用户使用空调的数据，比如不同季节、不同时间段用户设定的温度、风速、运行模式等数据。
机器学习算法分析这些数据后，可能会发现用户在夏季的晚上经常将温度设定在 26 – 28 度之间，并且开启睡眠模式。而在冬季的早晨喜欢将空调提前预热到 20 度左右。
基于这些分析结果，智能空调可以自动学习用户的习惯，在相应的时间段为用户自动调整到最舒适的温度和运行模式，提供更加个性化的服务。
在这两篇文章中，我们探索了14种用户需求评估的方法，从简单直观的二八法则、用户反馈排序法，到最前沿的情感分析、人工智能技术，每一种方法都是解锁用户需求之门的一把钥匙。
我们学习了如何在数据匮乏时做出明智的决策，如何在数据充足时深入挖掘，以及如何利用最新的技术来预测和塑造未来的需求。
这些方法为我们在不同场景下评估用户需求提供了有力的工具。
然而，我们不能仅仅满足于知道这些方法，更应该思考几个问题：
你如何确保在不断变化的市场中，你的需求评估方法能够持续适应新的挑战？你如何平衡数据分析与直觉判断？你如何确保你的需求评估不仅仅是为了满足当前的需求，而是为了预见和创造未来的需求？
用户需求评估是一个动态的过程，它要求我们不断学习、适应和创新。让我们以这篇文章为起点，继续在用户需求的探索之旅中前行，不断发现、理解和满足用户的需求，最终创造出能够触动人心的产品。
本文由 @不蓝灯 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。