Модель Кано — инструкция по применению

Модель Кано — довольно часто используемый способ приоритизации функций и атрибутов продукта. Она неплохо справляется, когда нужно понять, что делать в первую очередь, а что можно вообще не делать. В этом лонгриде мы поговорим об истоках этой модели и чуть поглубже копнем в методы расчетов по ней.

Нориаки Кано — профессор университета Токио. В основном он известен за свои работы по оценке качества. Основной работой, которая дала начало модели Кано, можно считать “Attractive Quality and Must-Be Quality”, опубликованную в журнале японского сообщества контроля качества в 1984 году. Ее мы и будем разбирать.

Изначально качество воспринималась довольно однозначно в инженерном смысле. Качество материалов, долговечность, точность, качество выполнения основной функции инструмента.

Соответственно, модель была довольно понятной — улучшаем все возможные свойства продукта, чем лучше будет каждое свойство, тем лучше будет продукт.

При описании подобной парадигмы Кано говорит об Ульяме Шухарте и его книге Economic Control of Quality Manufactured Product (1931). В ней мы видим одни из первых подвижек в понимании качества именно так, как его определяет Кано. И Кано, и Шухарт ссылаются на Аристотеля и Локка, но наиболее близко мы это видим именно у Шухарта.

Шухарт определяет два аспекта качества:

При этом субъективное качество близко к пользе или ценности, которую мы получаем от объективных качеств продукта.

Почему это важно? Потому что, когда мы улучшаем или создаем с нуля продукт, в первую очередь нам стоит подумать не о его объективных качествах в вакууме, а о той пользе, ценности, которую они приносят пользователям.

В первой половине двадцатого века этому не придавалось основного значения, господствовала скорее инженерное понимание качества.

Однако в пятидесятых годах в этой парадигме исходят изменения. Тут Кано ссылается на Уильяма Эдварда Деминга, и некий его труд "Самый полезный и покупаемый продукт", 1950го года. Если честно, ни статьи такой, ни книги у Деминга я не нашел, но нашел его выступление в 1950-ом году, которое называется "Lecture to Japanese Management”. Там Деминг говорит:

Судя по всему, эти слова очень сильно запали в душу японского менеджмента, и впоследствии там появилась целая плеяда исследователей качества.

Но еще более важен для нас Армант Ф Фейгенбаум, который постулирует не только разницу между объективным и субъективным качеством, но и ведущее значение субъективного качества — ведь именно оно больше всего влияет на цену продукта.

Что это значит для нас? Это значит то, что мы можем бесконечно много денег тратить на улучшение продукта. Но если мы будем улучшать все качества сразу, а не те, которые важны пользователям, мы не сможем продавать наш продукт. Он будет дороже в производстве, чем его рыночная стоимость. Улучшение только важных качеств продукта — это не прихоть, и не альтруизм. Это экономическая необходимость.

Мы разобрались с первой частью теоретических основ модели Кано. До для полного ее понимания нам стоит рассмотреть и вторую. Ее истоки лежат в теории мотивации трудовой деятельности.

Напрямую Кано об этом не пишет, и сразу переходит к объяснению разных групп свойств качества. Но мне это кажется особенно важным. В Literature Review of The Kano Model (2017) Хартманн и Лебгерц пишут, о том, что Кано и его коллега Фумио Такахаши шли от понятия гигиенического фактора мотивации для объяснения Must-be качеств продукта.

Гигиенические факторы мотивации были введены в научный обиход Фредериком Герцбергом. В своей статье “One more time: How do you motivate employees?”, Герцберг разделял два типа факторов:

Соответственно, здесь мы можем сделать следующую табличку:

Именно эти факторы Кано и называет Performance Quality (Мотивация) и Must Be Quality (Гигиена).

Назвав две эти группы атрибутов, Кано пошел дальше — обозначил не только «Удовлетворен” и »Неудовлетворен”, а еще добавил и нейтральную позицию:

Так мы получаем “Indifferent” — безразличные фичи

И так же, он добавил качество, обратное от гигиентического:

Таким образом обратное к гигиене становится Attractive Quality (Интересное). И тут мы выходим с вами к названию оригинальной статьи!

Главное теоретическое новшество Кано (на мой взгляд) было именно в том, что он дошел до анти-гигиены, вау-фичи, качества, отсутствие которого не делает хуже, а наличие — делает лучше.

А теперь давайте попробуем объединить идеи Шухарта и Герцберга в одну модель.

Сначала мы нарисуем объективное и субъективное качества продукта:

Обозначим на ней «гигиену” и »мотивацию” по Герцбергу:

И добавим в нее те качества, которые домыслил Кано:

И вот мы получили ту самую модель Кано, с которой мы начинали! Назовем же их всех, слева направо:

Почему это важно? Модель Кано — это не просто абстрактная модель, выдуманная в подвалах Токийского университета загадочным японским волшебником. Это модель, которая показывает нашу возможность управлять качеством нашего продукта для уменьшения издержек на производство и увеличение удовлетворенности пользователей. Использовать ее стоит не потому что это круто и модно, а потому что она позволяет извлекать максимальную пользу из наших затрат на разработку.

Чтобы оценить влияние определенной функции на субъективное качество, Кано предлагает задавать два вопроса:

Больше всего из русскоязычных формулировок мне нравятся те, которые использует Фастуна:

Затем в зависимости от сочетания ответов на эти два вопроса, мы относим свойство (атрибут, фича, в нашей статье это взаимозаменяемые термины) к той или иной группе по модели. Про это мы еще поговорим подробней в следующем разделе.

Сам Кано использовал в своей работе только прямой количественный расчет. Хотя, из интересного, он смотрел не только общую удовлетворенность, но и распределение ее в зависимости от социально-демографических групп потребителей:

В своей статье он говорит, что можно было бы суммировать распределение по разным атрибутам, чтобы получить сводную оценку.

Но очень далеко в интеграции оценки Кано не заходит. Поэтому дальнейшее развитие методов расчета мы с вами будем изучать по замечательной статье “(Kano’s method for understanding customer-defined quality (1992)”.

Самый простой способ расчета по модели Кано — посчитать, какой процент респондентов относит фичу к той или иной группе.

Для этого используется логический квадрат, одна из базовых техник для формирования социологических индексов (почитать про это подробнее можно тут).

В нашем случае это скорее прямоугольник, и матрица принятия решения выглядит следующим образом:

Здесь вы могли бы заметить, что помимо 4 базовых у нас есть дополнительные группы:

Распределение ответов по каждой функции можно разместить на таком прямоугольнике:

Если перевести количество “попаданий” в проценты и свести все свойства в одну табличку, мы получаем следующее:

То есть мыслим мы буквально количеством, та группа, которую “выбирает” большинство — является истинной группой для фичи.

Также мы можем эти результаты отобразить в диаграмме, как и делал Кано:

И тут, скорее всего, можем сделать примерный вывод, что лучше сначала сделать свойства 3, 7 и 8. А на свойства 10, 2 и 5 лучше не тратить много ресурсов.

Здесь мы сталкиваемся с основной проблемой такого анализа “в лоб”.

Чтобы избежать первого, можно договориться внутри команд о том, на какие группы обращать внимание в первую очередь, либо суммировать положительные (как предлагал Кано).

Чтобы избежать второго, важно как можно более четко описывать свойство и его преимущества. Чем понятнее расскажем, тем больше шанс, что получим мнение, близкое к реальности.

Но, научная мысль не стоит на месте, поэтому сейчас мы посмотрим более интересные способы расчета наших результатов!

Как я уже говорил ранее, высок шанс, что фича попадет в безразличные. Тут играет не только сам шанс попадание, но и свойство людей скорее давать средние оценки, чем крайние.

Уильям ДюМошель (надеюсь я правильно транскрибировал) из CQM Research предложил попробовать “взвесить” получанные результаты.

Здесь мы вместо логического квадрата используем оценку баллами. Каждый ответ респондента прибавляет или убавляет баллы, и средняя их оценка может быть единой мерой.

И при этом мы можем давать больше баллов за положительные ответы, чтобы меньше фич уползали в безразличные.

Модель Кано предполагает сравнение свойств между собой, а не в абсолюте, в этом контексте у нас не должно быть много проблем с весами. Против истины мы тут не грешим.

Посчитав средний бал по наличию и отсутствию для каждой фичи, мы получаем следующую табличку:

Вместо 6 критериев мы оставляем 2, уже неплохо. По данным из таблички можно построить уже знакомый многим график:

Здесь вы могли бы заметить, что негативные оценки у нас буквально ниже нуля. И спросить “Сережа, а где отрицательные значения на графике?” .

Здесь мы вернемся на шаг назад и немножко расширим наш график:

В полной таблице в отрицательные значения попадают в основном негативные группы, а в позитивных остаются только четыре основные группы (закрашенная часть) . Поэтому если вдруг свойства пропадут с графика — не пугайтесь: )

С помощью расчета баллами и весами мы смогли немного снизить неопределенность в ранжировании свойств, но единой меры распределения у нас все же нет.

Тут мы можем попробовать интегрированную оценку, которую предлагал Кано (складывать проценты попадания групп), но Майк Тимко из Bose Analog Devices предлагает более интересный способ.

Он вводит две меры, которые показывают увеличение и снижение удовлетворенности пользователей в зависимости от наличия или отсутствия фич (высокого/низкого объективного качества):

Для простоты мы будем зватиь их «Лучше” и »Хуже”.

Формулы для них следующие:

Посчитав эти значения, мы получим следующее:

Снова мы получили две метрики, такое себе, если честно. Но давайте попробуем расположить их на графике:

Чем ближе оба наших значения к единице, тем ближе фича к Важным (Performance), 1:0 — Интересные (Attractive), 0:1 — Must-be (Обязательные). Это мы можем обозначить стрелочками:

Также мы можем добавить несколько реперных точек (1–5), которые могут обозначать порядок ранжирования фич. Сначала идут Обязательные (1), за ними Важные (2 и 3), потом Интересные (4), и в самом конце — Безразличные (5):

Соединив точки в линию мы получим более-менее четкий порядок:

Подобная оценка дает нам больше понимания о том, в каком порядке тратить ресурсы на те или иные фичи. С другой стороны, мы не можем на 100% однозначно все ранжировать. Но используя разные способы оценки, мы можем более-менее четно определить, как те или иные функции влияют на удовлетворенность пользователей, и принять решение.

Модель Кано — неоднозначная модель. У нее есть несколько равнозначных способов расчета, интерпретация тоже скорее субъективна. Но этим она мне и нравится. Она отлично отражает основные свойства того знания, которое мы получаем как исследователи. Она — буквально ода современной философии и спекулятивному реализму.

Если вы хотите попробовать самостоятельно использовать ее в своей работе — есть мой калькулятор, который я недавно обновил и добавил все способы расчета, которые описывал в статье.

Отдельно хочу поблагодарить Марину Булатову за перевод оригинальной статьи Кано. Если вам понадобится перевод с японского — обязательно обращайтесь, она очень быстро и качественно помогла мне разобрать лунные иероглифы, на которых была написана статья. Скачать сам перевод можно тут.

Если вам понравилось то, что вы прочитали — пожалуйста, оставляйте комментарии. Если не понравилось — тоже пишите, я много где могу ошибаться, и мне важно, чтобы это не оставалось незамеченым!