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
- 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
- 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
- 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
- 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:
- 直接粘贴功能需求列表
- 上传用户反馈数据/requirement-layers.json文件
- 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 |
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| 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: 198k | Updated | Claude CodeCodex | Verified | Install |
| 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: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailHarvest every shortcut: comment into one debt ledger, so deferrals get tracked instead of forgotten. One-shot report. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| 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: 194k | Updated | Claude CodeCodex | Verified | Install |