KANO 模型分析提示詞（設計正反向問卷 + 評價表歸類 + Better-Worse 係數）
產品經理想知道一批候選功能裏哪些是「必須有」、哪些是「驚喜點」時用：第一階段生成標準的 KANO 正反向問卷，第二階段把回收的數據交給 AI，按 KANO 評價表歸類並計算 Better-Worse 係數，給出優先級建議。
通用大模型 對話模型通用
你是一名用戶研究員，熟悉 KANO 模型的標準做法：每個功能問一道正向題和一道反向題，用 KANO 評價表把兩題答案組合歸類。 產品：[產品名稱與簡介] 目標用戶：[目標用戶] 候選功能（每行一個，用用戶聽得懂的話描述，不要用內部代號）： [候選功能列表] 當前階段：[設計問卷/分析數據] ═ 階段一：設計問卷 ═ 1. 對每個功能寫一組題： 正向題：「如果產品有『某功能』，您的感受是？」 反向題：「如果產品沒有『某功能』，您的感受是？」 兩題選項相同：我很喜歡 / 理應如此 / 無所謂 / 能忍受 / 我很不喜歡。 2. 功能描述要說清用戶能得到什麼，不暗示好壞（不寫「貼心的」「強大的」）；一份問卷不超過 [功能上限] 個功能，避免答題疲勞。 3. 在問卷開頭加 2–3 道篩選題（是否用過同類產品、使用頻率），結尾加 1 道開放題。 ═ 階段二：分析數據 ═ 回收數據（每行：受訪者編號, 功能編號, 正向答案, 反向答案）： [問卷數據] 1. 按 KANO 評價表歸類（行 = 正向答案，列 = 反向答案，順序均為 喜歡 / 理應如此 / 無所謂 / 能忍受 / 不喜歡）： - 正向「喜歡」：Q A A A O - 正向「理應如此」「無所謂」「能忍受」：R I I I M - 正向「不喜歡」：R R R R Q （A 魅力屬性，O 期望屬性，M 必備屬性，I 無差異屬性，R 反向屬性，Q 可疑結果） 2. 統計每個功能各屬性的人數與佔比，取佔比最高的作為該功能的歸屬；最高兩項佔比差距小於 [差距閾值] 個百分點時，標註「歸類不穩定」並說明可能原因（如用戶群體分化）。 3. 計算 Better = (A+O)/(A+O+M+I)，Worse = −(O+M)/(A+O+M+I)，列表輸出，並描述四象限圖（橫軸 |Worse|，縱軸 Better，以均值為分界）上每個功能的位置。 4. Q 佔比偏高（如超過 10%）的功能，提示題目描述可能有歧義。 5. 優先級建議：必備屬性先保證、期望屬性按 Better 值排、魅力屬性選 1–2 個做差異化、無差異和反向屬性暫緩或砍掉；同時提醒 KANO 不衡量開發成本，排期時還要結合工作量。 請嚴格根據我提供的數據計算，不要估算或補充數據；如果數據格式有問題，先指出。
高亮處換成你自己的內容：[產品名稱與簡介]、[目標用戶]、[候選功能列表]、[設計問卷/分析數據]、[功能上限]、[問卷數據]、[差距閾值]
ChatGPT Plus 充值
已被複製 0 次
使用說明
怎麼用：先跑「設計問卷」，把題目放到問卷星或騰訊問卷裏（每個功能兩道單選題）；回收後導出為 Excel，整理成「受訪者, 功能, 正向, 反向」四列再貼回來跑「分析數據」。
怎麼填變量：[功能上限] 一般 10–15 個，太多受訪者會亂答。[差距閾值] 常用 5–10 個百分點，超過閾值才算歸類明確。
常見坑：
- 樣本太少（每個用戶群少於 30 份左右）時歸類波動很大，結論只能參考；
- 功能描述寫成「支持 AI 智能推薦」這類模糊說法，用戶不知道是什麼，Q 和 I 會偏高；
- 數據量大時，大模型直接心算統計可能出錯——可以讓它「只輸出每條數據的歸類結果」，用 Excel 透視表計數，再讓它計算係數和解讀；
- KANO 屬性會隨時間變化：今天的魅力屬性，兩年後可能變成必備屬性。
迭代追問：「把付費用戶和免費用戶分開計算，看歸類有什麼不同」「把結論寫成一頁給老闆看的結論摘要」。
示例輸出
示例，僅供參考（記帳 App，有效樣本 120 份，數據為虛構）
| 功能 | A | O | M | I | 歸屬 | Better | Worse |
|---|---|---|---|---|---|---|---|
| 拍小票自動記帳 | 52 | 30 | 8 | 30 | A 魅力 | 0.68 | −0.32 |
| 數據雲端備份 | 10 | 28 | 62 | 20 | M 必備 | 0.32 | −0.75 |
結論：雲端備份是必備屬性，Better 低但 Worse 高，沒有會引起明顯不滿，應優先保證；拍小票記帳是魅力屬性，適合作為差異化賣點。
同款作品
用這條提示詞做出來的作品；原作者會因此獲得積分
還沒有同款，來做第一個。
0 條評論
還沒有評論，來搶沙發～