Skip to content

LuckyOneTwoThree/pm-skill / pm-01-discovery/skills/insight-kano

insight-kano

Verified

当需要对功能需求进行KANO模型分类(必备型/期望型/兴奋型/无差异型)时使用。KANO自动分类,支持行业阈值适配。关键词:KANO模型、需求分类、必备型、期望型、兴奋型、无差异型、功能优先级、行业适配。

KANO自动分类

核心原则

  1. 分类基于用户反应而非产品属性——KANO分类的依据是"用户对功能有无的反应",而非"功能本身的技术复杂度",必须从用户反馈数据中提取反应模式
  2. 阈值可适配——默认分类阈值(负向提及率60%、提及频率5%等)基于通用经验,不同行业和产品阶段需适配,提供行业适配规则
  3. 边界即决策点——分类置信度<0.7的边界情况不是"错误",而是需要人类判定的决策点,必须明确标注并升级
  4. 分类随时间演化——今天的兴奋型可能变成明天的必备型,KANO分类不是一次性结论,需标注分类时效性和建议复评周期

交互模式

🤖→👤 AI建议人类审批

输入

输入项类型必填来源说明
用户反馈数据JSON是output/pm-discovery/user-research-voice-analysis/voice-analysis.json用户声音与情感分析数据
功能需求列表JSON是output/pm-discovery/insight-requirement-layers/requirement-layers.json需求三层模型拆解结果

Input JSON 示例结构

{
  "feedback_data": [
    {
      "feature": "批量导出",
      "positive_mentions": 15,
      "negative_mentions": 45,
      "total_mentions": 60,
      "frequency": 0.08,
      "avg_sentiment_intensity": 3.5,
      "usage_depth_correlation": 0.6
    }
  ],
  "feature_list": [
    {
      "id": "FEAT-001",
      "name": "批量导出",
      "description": "支持批量导出报表数据",
      "source": "REQ-001"
    }
  ]
}

执行步骤

Step 1: 功能-反馈关联

将功能需求列表与用户反馈数据进行关联匹配。

  • 匹配规则:
    • 功能名称精确匹配
    • 功能描述关键词匹配(匹配度 > 0.7)
    • 用户反馈中提及的功能别名匹配
  • 对每个功能计算:
    • 正向提及率 = positive_mentions / total_mentions
    • 负向提及率 = negative_mentions / total_mentions
    • 提及频率 = total_mentions / 总反馈量
    • 平均情感强度 = avg_sentiment_intensity
    • 使用深度相关性 = usage_depth_correlation
  • 无法匹配的功能标记为"无反馈数据"

Step 2: 分类规则

基于计算指标,按以下规则进行KANO分类:

分类条件含义
必备型(Must-be)负向提及率 > 60% 且 提及频率 > 5%缺失时强烈不满,存在时视为理所当然
期望型(One-dimensional)负向提及率 30%-60% 且 与使用深度正相关(correlation > 0.3)做得越好用户越满意,做得差用户不满
兴奋型(Attractive)正向提及率 > 60% 且 提及频率 < 5%超出预期带来惊喜,缺失不会不满
无差异型(Indifferent)提及频率 < 1% 且 平均情感强度 < 2用户不在乎有无

分类置信度计算:

  • 所有条件均满足 → 置信度 = 0.9
  • 主条件满足但边界值接近阈值(±10%) → 置信度 = 0.7
  • 部分条件满足 → 置信度 = 0.5
  • 数据不足(反馈量 < 10条) → 置信度 = 0.3

行业阈值适配规则

不同行业和产品阶段需对默认阈值进行适配:

行业/阶段适配规则调整说明
B端SaaS必备型阈值下调:负向提及率 > 50% 即为必备型B端用户对基础功能缺失容忍度更低,阈值需下调
C端消费兴奋型阈值上调:正向提及率 > 70% 才为兴奋型C端用户更容易给出正向反馈,需提高兴奋型判定门槛
早期产品整体阈值放宽:数据量不足时降低判定门槛(置信度0.5即可分类)早期数据有限,过严阈值导致大量"数据不足",放宽以获得初步分类
成熟产品严格阈值:数据充足时使用标准阈值,置信度<0.7必须升级成熟产品数据充分,应严格按标准阈值分类,减少模糊判定

Step 3: 边界情况处理

对分类结果中的边界情况进行特殊处理。

  • 分类置信度 < 0.7:标记"待人类判定",附上分类依据和边界原因
  • 不同群体分类不同:按用户群体分别标注分类结果
    • 例如:新用户视为必备型,老用户视为期望型
    • 输出中按群体标注:{ segment: "新用户", category: "must-be" }
  • 反向型:如果正向提及率 < 10% 且负向提及率 > 70%,标记为"反向型"(该功能反而引起不满)
  • 无反馈数据:标记为"数据不足",建议收集数据后再分类

输出

输出文件:output/pm-discovery/insight-kano/kano.json

输出Schema:

{
  "type": "object",
  "required": ["analysis_metadata", "kano_classification", "summary"],
  "properties": {
    "analysis_metadata": {"type": "object", "description": "分析元数据,包含来源文件、功能总数和时间戳"},
    "kano_classification": {"type": "array", "description": "KANO分类结果列表"},
    "boundary_cases": {"type": "array", "description": "边界情况列表"},
    "summary": {"type": "object", "description": "各类型功能数量统计"}
  }
}

输出校验规则

校验项校验规则失败处理
分类完整性所有输入功能需求均已出现在kano_classification中补充缺失功能的分类结果,标记为"数据不足"
证据完整性每个分类结果的evidence字段包含全部5项指标补充缺失指标,无法计算的字段填null并标注
置信度范围所有confidence值在[0, 1]区间内修正越界值,记录异常日志
边界标记一致性confidence < 0.7的功能同时在boundary_cases中出现补充boundary_cases条目,确保一一对应
分类值合法性category字段仅包含must-be/one-dimensional/attractive/indifferent/reverse/insufficient_data修正非法值,标记为insufficient_data并升级人类判定
统计一致性summary中各类型数量之和等于kano_classification数组长度重新计算summary统计值
时效性标注每个分类结果包含review_period字段缺失时填充默认值"6个月"并标注"未指定复评周期"

Output JSON 格式

{
  "analysis_metadata": {
    "source_files": ["用户反馈数据", "requirement-layers.json"],
    "total_features": 0,
    "analysis_timestamp": "ISO8601"
  },
  "kano_classification": [
    {
      "feature_id": "FEAT-001",
      "feature_name": "批量导出",
      "category": "must-be",
      "confidence": 0.85,
      "evidence": {
        "negative_rate": 0.75,
        "frequency": 0.08,
        "positive_rate": 0.25,
        "usage_depth_correlation": 0.6,
        "avg_sentiment_intensity": 3.5
      },
      "review_period": "6个月",
      "note": "负向提及率75%远超60%阈值,频率8%>5%,分类明确"
    },
    {
      "feature_id": "FEAT-002",
      "feature_name": "AI智能推荐",
      "category": "attractive",
      "confidence": 0.65,
      "evidence": {
        "negative_rate": 0.1,
        "frequency": 0.03,
        "positive_rate": 0.7,
        "usage_depth_correlation": 0.2,
        "avg_sentiment_intensity": 4.0
      },
      "review_period": "3个月",
      "note": "正向提及率70%>60%但频率3%接近5%阈值边界,置信度降低",
      "needs_human_judgment": true,
      "judgment_reason": "频率接近兴奋型/期望型边界,建议人工判定"
    },
    {
      "feature_id": "FEAT-003",
      "feature_name": "界面主题切换",
      "category": "indifferent",
      "confidence": 0.9,
      "evidence": {
        "negative_rate": 0.05,
        "frequency": 0.005,
        "positive_rate": 0.15,
        "usage_depth_correlation": 0.05,
        "avg_sentiment_intensity": 1.2
      },
      "review_period": "12个月",
      "note": "频率0.5%<1%且情感强度1.2<2,用户关注度极低"
    }
  ],
  "boundary_cases": [
    {
      "feature_id": "FEAT-002",
      "reason": "频率接近兴奋型/期望型边界",
      "suggested_action": "补充更多用户反馈数据或进行专项问卷验证"
    }
  ],
  "summary": {
    "must_be": 1,
    "one_dimensional": 0,
    "attractive": 1,
    "indifferent": 1,
    "needs_judgment": 1
  }
}

决策规则

规则条件动作
低置信度升级分类置信度 < 0.7标记needs_human_judgment=true,升级人类判定
群体差异标注不同用户群体分类结果不同按群体分别输出分类结果
反向型标记正向提及率 < 10% 且负向提及率 > 70%标记为"reverse"类型,建议重新评估功能价值
数据不足反馈数据 < 10条标记为"insufficient_data",不进行分类

质量检查

  • 所有功能需求已分类
  • 每个分类有evidence支撑
  • 边界情况已标记(confidence < 0.7)
  • 群体差异已按群体标注
  • 无反馈数据的功能已标记
  • 分类统计summary完整
  • 行业阈值适配规则已应用
  • 每个分类结果包含review_period时效性标注

降级策略

当上游文件不存在时,本Skill仍可独立执行:

缺失的上游输入降级方案输出影响
用户反馈数据用户提供功能需求列表 → 基于行业经验推断KANO分类,标注"缺乏用户反馈数据,分类置信度较低"所有分类置信度≤0.5,evidence字段为推断值而非实测值,boundary_cases包含全部功能
requirement-layers.json用户提供功能需求列表 → 直接进行KANO分类,标注"缺乏需求拆解数据"缺少需求三层模型关联,note字段标注"未关联需求拆解",分类仅基于反馈数据
所有上游文件均缺失提示用户先执行前序阶段,或基于用户提供的功能需求列表和行业经验推断分类全部分类为推断结果,置信度≤0.3,summary中needs_judgment等于功能总数

数据获取说明:

  • 本Skill需要用户反馈数据和功能需求列表,请通过以下方式之一提供:
    1. 直接粘贴功能需求列表
    2. 上传用户反馈数据/requirement-layers.json文件
    3. 提供数据文件路径
  • AI不负责外部数据采集,仅负责分析

上游变更响应

当上游输入的Schema或数据结构发生变更时,按以下规则响应:

变更类型响应策略示例
字段新增忽略新增字段,不影响现有分类逻辑;评估新增字段是否可提升分类精度,若可提升则纳入下一版本规则上游反馈数据新增"emotion_category"字段 → 当前版本忽略,评估后决定是否纳入
字段删除检查删除字段是否为分类必要输入;若是必要字段则触发降级策略,若非必要则标注"数据缺失"继续执行"usage_depth_correlation"字段被删除 → 期望型分类条件缺失,该条件降级为参考指标
字段重命名建立字段映射表,将新字段名映射到本Skill使用的字段名,标注"字段映射:新名→旧名""positive_mentions"改名为"positive_count" → 自动映射,输出中标注映射关系
数据格式变更尝试自动转换格式;转换失败则触发降级策略,标注"数据格式不兼容"日期格式从"YYYY-MM-DD"变为时间戳 → 自动转换;数值从整数变字符串 → 尝试解析,失败则降级
Schema版本升级对比版本差异,按上述规则逐字段处理;输出中标注上游版本号和适配状态voice-analysis从v1.0升级到v1.1 → 逐字段对比,标注适配结果
slack-gif-creatoranthropics/skillsKnowledge and utilities for creating animated GIFs optimized for Slack. Provides constraints, validation tools, and animation concepts. Use when users request animated GIFs for Slack like "make me a GIF of X doing Y for Slack."Stars: 198kUpdated Claude CodeCodexVerifiedInstall
ponytailDietrichGebert/ponytailLazy senior dev mode for any coding task: the smallest change that fully solves it, and a reply a busy human understands in one read.Stars: 194kUpdated Claude CodeCodexVerifiedInstall
ponytail-debtDietrichGebert/ponytailHarvest every shortcut: comment into one debt ledger, so deferrals get tracked instead of forgotten. One-shot report.Stars: 194kUpdated Claude CodeCodexVerifiedInstall
ponytail-debtDietrichGebert/ponytailList every `shortcut:` comment (and older `ponytail:` ones) as a debt ledger. One-shot report, changes nothing. Use for "ponytail debt", "what did ponytail defer", "list the shortcuts", /ponytail-debt.Stars: 194kUpdated Claude CodeCodexVerifiedInstall