Ürün yöneticileri ve UX araştırmacıları, fonksiyonel ve disfonksiyonel sorularla eşleştirilmiş kayıtlı özellikleri kullanarak Minds içinde bir Kano modeli analizi çalıştırabilir. Platform, tanımlanmış sentetik hedef kitle bağlamlarında yapılandırılmış yanıtlar toplar, kategorileri hesaplar ve özellik çıktılarını sentezler. Bu iş akışı, geliştirme döngülerine başlamadan önce yol haritası yatırımlarını önceliklendirmeye, olası memnuniyetsizlikleri vurgulamaya ve üründe memnuniyet yaratan unsurları belirlemeye yardımcı olacak yönlendirici kanıtlar sağlar.
Ürün takımları, yol haritalarını planlarken ve mühendislik kaynaklarını tahsis ederken zorlu seçimlerle karşılaşır. Kullanıcıların bir özelliği istediğini belirtmek tek başına çoğunlukla yeterli değildir, çünkü farklı özellikler müşteri memnuniyetini farklı şekillerde etkiler. Kano modeli, bir özelliğin varlığında ve yokluğunda kullanıcı tutumunun nasıl değiştiğini değerlendirerek potansiyel yatırımların sınıflandırılmasına ilişkin kararları destekler.
Bu metodoloji sayesinde takımlar; temel beklentileri, performans etkenlerini, çekici özellikleri, ilgisiz fikirleri ve ters tercihleri birbirinden ayırabilir. Temel beklentiler, var olduklarında memnuniyeti artırmayan ancak eksik olduklarında memnuniyetsizliğe yol açan temel yeteneklerdir. Performans etkenleri, uygulama kalitesi arttıkça memnuniyette doğrusal bir artış sağlar. Çekici özellikler, eklendiklerinde olumlu duygular yaratır ancak kullanıcılar bunları açıkça beklemediği için çıkarıldıklarında hiçbir memnuniyetsizlik oluşturmaz. İlgisiz fikirler, uygulanıp uygulanmadığına bakılmaksızın memnuniyet üzerinde anlamlı bir etkiye sahip değilken, ters tercihler mevcut olduklarında memnuniyetsizliğe neden olur.
Bu operasyonel netlik olmadan ürün takımları, rekabetçi farklılaşma sağlamayan temel özelliklere vakit harcama veya kullanıcıların hoşlanmadığı yetenekleri sunma riskiyle karşı karşıya kalır. Göreli tercih sıralamaları gibi alternatif yöntemler bir listeyi sıralamaya yardımcı olur, ancak doğrusal olmayan memnuniyet dinamiklerini gölgeler. Kano analizi, gereksinim türleri konusunda doğrudan netlik sağlayarak takımların hangi özelliklerin müşteri kaybını önlediğini ve hangi yeteneklerin pazarda farklılaşmayı desteklediğini belirlemesine yardımcı olur.
Minds içinde bir Kano modeli araştırması çalıştırmak için araştırmacılar ve ürün liderleri çalışma alanında üç girdi bileşeni sağlar.
İlk olarak, özellik listesini kaydedin. Yanıtları yönlendiren tanıtım dili kullanmaksızın, temel faydaya ve kullanıcı yararına odaklanarak her bir özellik açıkça tanımlanmalıdır. Özellikler, belirsiz stratejik temalar veya geniş ürün vizyonları yerine ayrık işlevsellikleri temsil etmelidir.
İkinci olarak, hedef kitle bağlamını belirtin. Minds, ilgili alan geçmişini, profesyonel rolleri, teknik arka planı ve iş akışlarını yansıtan kitle profilleri kullanır. Doğru bir kitle bağlamı ayarlamak, sentetik yanıtların belirli hedef pazar segmentlerinin operasyonel önceliklerini ve yaşadığı zorlukları yansıtmasına yardımcı olur.
Üçüncü olarak, kayıtlı her özellik için eşleştirilmiş fonksiyonel ve disfonksiyonel sorular oluşturun. Fonksiyonel soru, özellik üründe mevcut olduğunda personanın nasıl yanıt verdiğini sorar. Disfonksiyonel soru ise özellik üründe bulunmadığında personanın nasıl yanıt verdiğini sorar. Her soru olumlu, beklenen, nötr, katlanılabilir ve olumsuz tutumları kapsayan standartlaştırılmış beş puanlık bir ölçek kullanır. Sürecin düzgün çalışması için araştırmadaki her aday özelliğin hem fonksiyonel hem de disfonksiyonel sorularının tanımlanmış olması gerekir. Yanıtı bulunmayan özellikler nihai analizden çıkarılır.
Yapılandırma tamamlandıktan sonra Minds, kayıtlı Kano hattını üç adımlı bir süreçle yürütür.
Süreç, eşleştirilmiş yanıt toplama ile başlar. Platform, tanımlanan fonksiyonel ve disfonksiyonel soru çiftlerini hedeflenen sentetik kitle profillerine yönlendirir. Minds, kayıtlı her özellik kavramı için sorunun her iki formuna yanıt üreterek persona bağlamlarına bağlı nüansları yakalar.
Ardından platform, her özelliğin sınıflandırmasını belirlemek için eşleştirilmiş her yanıtı standart değerlendirme mantığına göre değerlendirir.
Bir persona özellik mevcut olduğunda olumlu, yokluğunda ise olumsuz yanıt verirse, yanıt performans etkeni olarak eşleşir. Bir persona özellik mevcut olduğunda bunu bekliyor ve yokluğunda olumsuz yanıt veriyorsa, temel beklenti olarak eşleşir. Bir persona özellik mevcut olduğunda olumlu yanıt veriyor, yokluğunda ise nötr hissediyor veya bunu tolere ediyorsa, çekici özellik olarak eşleşir. Yanıtlar hem varlık hem de yokluk için nötrlük veya tolerans gösteriyorsa, yanıt ilgisiz olarak sınıflandırılır. Özelliğin yokluğunu varlığına tercih eden yanıtlar ters olarak kategorize edilir. Çelişkili veya mantıksal olarak tutarsız kombinasyonlar üreten soru çiftleri şüpheli olarak sınıflandırılır.
Son olarak platform, temel, performans, çekici, ilgisiz, ters ve şüpheli kategorileri için çıktı sayılarını elde etmek amacıyla bireysel sınıflandırmaları bir araya getirir. Baskın kategoriyi belirler, memnuniyet katsayısını ve memnuniyetsizlik katsayısını hesaplar ve kayıtlı özellikler arasında bir sıralama atar.
Çıktı ekranı, ürün yöneticileri ve UX araştırmacıları tarafından yorumlanmak üzere yapılandırılmış veriler sağlar.
Temel çıktı, detaylı özellik sınıflandırmalarından ve çıktı metriklerinden oluşur. Kayıtlı her özellik; temel, performans, çekici, ilgisiz, ters ve şüpheli kategorilerindeki çıktı sayılarını görüntüler. Çıktı ayrıca baskın kategoriyi, memnuniyet katsayısını, memnuniyetsizlik katsayısını ve sıralamayı içerir. Yanıtı bulunmayan özellikler bu sonuçlardan çıkarılır. Bu yapı, kullanıcı grupları arasında fikir ayrılığı yaratan özellikleri öne çıkarır.
Sistem ayrıca belirgin kitle farklılıklarını vurgular. Ürün takımları, sonuçları farklı kitle segmentlerine göre filtreleyerek, kurumsal segmentler için temel beklenti niteliği taşırken daha küçük işletme profilleri için çekici veya ilgisiz kalan özellikleri tespit edebilir. Bu varyasyonları fark etmek, takımların katman stratejilerini, paketlemeyi ve oryantasyon süreçlerini ayarlamasına yardımcı olur.
Son olarak çalışma alanı, memnuniyet katsayısı ve memnuniyetsizlik katsayısını kullanarak önceliklendirme kanıtları sunar. Memnuniyet katsayısı, bir özellik etkili bir şekilde uygulandığında kullanıcı memnuniyetindeki potansiyel artışı gösterir. Memnuniyetsizlik katsayısı ise özelliğin dâhil edilmemesi durumunda ortaya çıkan memnuniyetsizlik derecesini yansıtır. Ürün takımları, sonraki önceliklendirme çerçevelerine, iç dokümantasyona veya yol haritası incelemelerine entegre etmek üzere bu sayısal metrikleri ve kategori özetlerini dışa aktarabilir.
Kano modeli araştırmalarını ürün keşif sürecinize entegre etmek, karar döngülerini hızlandırır ve birincil araştırmaları başlatmadan önce araştırma araçlarının kalitesini artırır.
Birinci adım hipotez oluşturmadır. Ürün yöneticileri, erken keşif veya iş listesi düzenleme oturumları sırasında olası özellik tanımlarını taslak haline getirir. Ürün yöneticisi, yalnızca kurum içi görüşlere güvenmek yerine bu kavramları standart fonksiyonel ve disfonksiyonel ifade çiftlerine dönüştürür.
İkinci adım Minds içinde sentetik taramadır. Takım, hedef sentetik kitlelere karşı Kano modeli hattını çalıştırır. Platform, ilgisiz veya ters sınıflandırmalara eğilimli özellikleri vurgulayarak yönlendirici kategori dağılımlarını ve çıktı metriklerini döndürür. Bu erken sinyal, ürün yöneticilerinin zayıf kavramları elemesine, belirsiz özellik tanımlarını yeniden çerçevelemesine ve temel farklılaştırıcıları ayrıştırmasına olanak tanır.
Üçüncü adım araştırma aracının iyileştirilmesidir. UX araştırmacıları, soru netliğini ve araç yapısını değerlendirmek için sentetik çıktıları inceler. Sentetik personalardan yüksek oranda şüpheli veya ilgisiz yanıtlar gelirse, araştırmacılar anketleri insan panellerine sunmadan önce belirsizlikleri gidermek adına komut kelimelerini ve operasyonel bağlamları ayarlayabilir.
Dördüncü adım odaklanmış insan doğrulamasıdır. Ürün takımları, katılımcı seçimi kriterlerini ve araştırma bütçelerini kritik özelliklere odaklamak için sentetik bulguları kullanır. Karmaşık yatırımlar veya birincil temel yetenekler, toplanmış insan panelleri aracılığıyla özel doğrulama alabilir; düşük etkili veya ilgisiz fikirler ise katılımcı toplama kaynaklarını tüketmeden erkenden düzenlenir veya kaldırılır.
Minds içindeki sentetik kitle araştırmaları hızlı ve uygun maliyetli yönlendirici kanıtlar sunar, ancak ürün takımları net metodolojik sınırlar dâhilinde hareket etmelidir.
Sentetik kanıtlar yönlendiricidir ve istatistiksel pazar gerçeğini ya da evrensel doğruluğu temsil etmez. Minds, ulusal nüfuslara istatistiksel temsil veya demografik eşdeğerlik iddiasında bulunmadığı gibi, belirli süreleri veya bölgeye özgü gizlilik çerçevelerine uyumu da garanti etmez. Sentetik paneller, yüksek riskli doğrulama ortamlarında toplanmış insan katılımcıların yerini almaz.
Bunun yerine Minds, gerçek saha çalışmasını tamamlar. Takımlar ilk hipotezleri taramak, uygulanabilir olmayan fikirleri kaldırmak, anket araçlarını iyileştirmek ve birincil katılımcı toplamayı en stratejik ürün sorularına odaklamak için sentetik Kano çalıştırmalarını kullanır.
Yüksek riskli kararlar kesin benimseme oranlarına, sözleşmesel uyuma veya sermaye yatırımı onayına bağlı olduğunda takımlar, toplanmış insan panelleriyle takip araştırmaları yürüterek sentetik bulguları doğrulamalıdır. Anket tasarımlarını basitleştirmek için sentetik Kano çalıştırmalarını kullanmak, sonraki insan araştırmalarının odaklanmış, verimli ve etkili olmasını sağlar.
