(AB) V3.2 - Kano-Methode

• Ermöglicht es, Kundenanforderungen zu strukturieren und ihren Einfluss auf die Kundenzufriedenheit als erfolgsbestimmende Größe zu bestimmen

• Verfahren, zur empirischen Bestimmung der Zufriedenheitsfaktoren (Basis-, Leistungs-, Begeisterungsfaktoren) eines Produkts nach dem Kano-Modell

• Ergebnis => Priorisierung von möglichen Funktionalitäten eines Produktes

• Klassifizierung und Priorisierung von Leistungsattributen

• Schaffen von Wettbewerbsvorteilen durch:

  • Entwicklung maßgeschneiderter Leistungspakete für verschiedene Kundensegmente

  • Abschätzung des Einflusses der Kundenanforderungen auf die Kundenzufriedenheit

  • Ableitung von Prioritäten für die Produktentwicklung (Hilfsmittel zum Trade-Off)

    • Priorisierung der Leistungsattribute

• Ergebnis => Priorisierung von möglichen Funktionalitäten eines Produktes

• Subjektiv

  • Beruht auf Wahrnehmungen und Wünsche der Kunden

• Merkmalsorientiert

  • Bestimmt Produktmerkmale, die zur Kundenzufriedenheit führen

• Zukunftsgewandt

  • Ermöglicht es nicht, die aktuelle Zufriedenheit der Kunden zu bestimmen

  • Hierfür sind andere Methoden, wie bspw. die GAP-Methode notwendig

• (1) Identifikation von Kundenanforderungen

  • Identifizierung der latenten Bedürfnisse und zu berücksichtigende Leistungsattribute des Produkts

• (2) Konstruktion des Kano-Fragebogens

• (3) Durchführung von Kundeninterviews

  • Datenerhebung

• (4) Auswertung und Interpretation

  • Datenanalyse

• Grundlegendes Problem => Für die Bewertung von Leistungsattributen durch die Probanden und für die anschließende Analyse der Daten wird zunächst ein Pool an Leistungsattributen benötigt

  • Pool an Leistungsattributen repräsentiert die Gesamtheit potenzieller Produktmerkmale

  • Bildet somit die Basis für die Konstruktion des Kano-Fragebogens

• Folgende Gruppen können eine Schlüsselrolle bei der Ermittlung von Leistungsmerkmalen spielen, indem sie gefragt werden, welche Leistungsmerkmale ihrer Meinung nach relevant sind

  • potenziellen Kunden,

  • Produktentwicklung

  • Produktmanager

  • Innovationsabteilung

  • andere Interessengruppen

• Folgende Gruppen können eine Schlüsselrolle bei der Ermittlung von Leistungsmerkmalen spielen, indem sie gefragt werden, welche Leistungsmerkmale ihrer Meinung nach relevant sind

  • potenziellen Kunden

  • Produktentwicklung

  • Produktmanager

  • Innovationsabteilung

  • andere Interessengruppen

• Auswahl der zu überprüfenden Leistungsattribute beruht auf Erkenntnisse aus

  • Vorstudien

  • Experteninterviews

  • Umfragen

  • eigenen Überlegungen

• Besteht aus zwei hypothetischen Fragen, die für jedes zu klassifizierende Leistungsattribut formuliert werden

  • Funktionale Frageform

  • Dysfunktionale Frageform

• Dienen der Klassifizierung der Leistungsattribute etsprechend der Kano-Kategorien und aufdeckung von Unstimmigkeiten

• Für die Beantwortung der beiden Fragen steht jeweils eine Skala mit fünf Antwortmöglichkeiten zur Verfügung

  • „Würde mich sehr freuen“

  • “Setze ich voraus“

  • „Das ist mir egal“

  • „Ich kann damit leben“

  • „Würde mich sehr stören“

• Werden für jedes zu klassifizierende Leistungsattribut formuliert werden

• Funktionale Frageform

  • Reaktion des Kunden, wenn ein gewisses Leistungsattribut vorhanden ist

• Dysfunktionale Frageform

  • Reaktion des Kunden, wenn das entsprechende Leistungsattribut nicht vorhanden ist

• Reaktion des Kunden, wenn ein gewisses Leistungsattribut vorhanden ist

• Bsp.: Ihr neues Auto hat eine gute Audioanlage. Was sagen Sie dazu?

• Reaktion des Kunden, wenn das entsprechende Leistungsattribut nicht vorhanden ist

• Bsp.: Ihr neues Auto hat keine gute Audioanlage. Was sagen Sie dazu?

• Für die Beantwortung der beiden Fragen steht jeweils eine Skala mit fünf Antwortmöglichkeiten zur Verfügung

  • „Würde mich sehr freuen“

  • “Setze ich voraus“

  • „Das ist mir egal“

  • „Ich kann damit leben“

  • „Würde mich sehr stören“

• Für die Beantwortung der beiden Fragen steht jeweils eine Skala mit fünf Antwortmöglichkeiten zur Verfügung

  • „Würde mich sehr freuen“

  • “Setze ich voraus“

  • „Das ist mir egal“

  • „Ich kann damit leben“

  • „Würde mich sehr stören“

• Beantwortung der funktionalen und dysfunktionalen Fragen ermöglicht mittels einer Auswertungstabelle die Zuordnung der Leistungsattribute in die Kano-Kategorien

  • Attractive (Begeisterungsfaktor)

  • One-dimensional (Leistungsfaktor)

  • Must-be (Basisfaktor)

  • Indifferent (Unerhebliche Faktoren)

  • Reverse (Rückweisungsfaktor)

  • Questionable (Fragwürdig) => eigentllich keine Kano-Kategorie

• Es ergibt sich eine fünfstufige Skala zu 25 Antwortkombinationen

• Attractive (Begeisterungsfaktor)

• One-dimensional (Leistungsfaktor)

• Must-be (Basisfaktor)

• Indifferent (Unerhebliche Faktoren)

• Reverse (Rückweisungsfaktor)

• Questionable (Fragwürdig)

• eigentllich keine Kano-Kategorie

• Leistungsattribute weisen auf eine unplausible Kombination der funktionalen und dysfunktionalen Antworten hin. Antwortet ein Proband

• Schlussfolgerung => Frage wurde missverstanden oder versehentlich falsch beantwortet

• Bspw.: Beantwortung der funktionalen und dysfunktionalen Frage eines Leistungsattributes mit „Würde mich sehr freuen“

Zur Reduktion der Komplexität sowie vor dem Hintergrund einer vermeintlich mangelnden Plausibilität einiger Antwortkombinationen können reduzierte Antwortskalen verwendet werden

• Alternative 1 => Reduktion der Antwortskala

  • bspw. auf drei Antwortmöglichkeiten

• Alternative 2 => Frageformspezifische Antwortskala

  • Basiert auf der Annahme, dass im Falle einer angenommen positiven Leistung (funktionale Frage) Probanden diese nicht negativ bewerten und umgekehrt

  • Dementsprechend verändert sich die funktionale und dysfunktionale Antwortskala hinsichtlich der jeweiligen Endpole.

• Benefit => Reduktion von 25 auf 9 Antwortmöglichkeiten bei Kombination aus funktionaler und dysfunktionaler Frageform

• Reduktion der Komplexität

• Reduktion von 25 auf 9 Antwortmöglichkeiten bei Kombination aus funktionaler und dysfunktionaler Frageform

• Fragwürdige Antwortkombinationen werden vermieden

  • Ein Proband kann die funktionale und dysfunktionale Frage z.B. nicht mit „Würde mich sehr freuen“ beantworten, da die Endpole der Antwortskalen entgegengesetzt sind

• Datenerhebung mittels Kundeninterviews bspw. über

  • Persönlich-mündlich (Face-to-Face)

  • Telefonisch

  • Schriftlich

  • jeweils mit oder ohne Unterstützung durch den Computer

• Die Auswahl des Befragungsmodus erfolgt individuell

• In jedem Fall sollte eine kurze Einführung mit Beispielfragen sowie Anweisungen zum korrekten Ausfüllen des Fragebogens enthalten sein.

• Persönlich-mündlich (Face-to-Face)

• Telefonisch

• Schriftlich

• jeweils mit oder ohne Unterstützung durch den Computer

• In jedem Fall sollte eine kurze Einführung mit Beispielfragen sowie Anweisungen zum korrekten Ausfüllen des Fragebogens enthalten sein

• Längere Interviews möglich

• Komplexe Fragestellungen möglich

• Große Verbindlichkeit

• Geringeren Abbruchquoten im Vergleich zu anderen Modi

• Hohe Kosten

• Hoher zeitlicher Aufwand

• Eingeschränkte geografische Streuung

• Kürzere Feldzeiten (schnell)

• Relativ kostengünstig (ohne großen Personalaufwand & von einer zentralen Stelle aus)

• Gute Repräsentanz möglich

• Keine visuellen Hilfen

• Höhere Verweigerungs- und Abbruchraten

• Zeitliche Limitierung

• Kostengünstig

• Weite geografische Streuung der Stichprobe möglich

• Ausfüllzeitpunkt und -dauer flexibel

• Unkontrollierbare Erhebungssituation

• Keine Spontanität im Antwortverhalten

• Keine Motivationsmöglichkeit durch Interviewende

• 4 Schritte

• (1) Fragebogen

  • Beantwortung der funktionalen und dysfunktionalen Fragen für jedes Leistungsattribut durch die Probanden

• (2) Auswerttabelle

  • Antworten probandenspezifisch für jedes Leistungsattribut kombiniert und die entsprechende Kategorie ermittelt

  • Attractive, Must-be, Reverse, Onedimensional, Questionable, Indifferent

• (3) Ergebnistabelle (Überblick über Gesamtverteilung)

  • Resultierenden Kategorien werden in eine Ergebnistabelle übertragen und aufsummiert

• (4) Datenanalyse

  • Auf Basis der Ergebnistabelle findet die Datenanalyse zur endgültigen Zuordnung der Leistungsattribute zu einer Kategorie statt

  • Hierfür stehen verschiedene Möglichkeiten zur Verfügung

• Auswahl der Methode muss auf die Verteilung der Ergebnistabelle individuell angepasst werden.

• Häufig findet eine Kombination der Datenanalyse mittels Häufigkeiten und einer weiteren Methode statt

  • Wenn die Datenanalyse mittels Häufigkeiten keine eindeutige Zuordnung ermöglicht

• Methoden zur Datenanalyse mittels…

  • Häufigkeiten

  • Heuristik (Auswerungsregeln)

  • Zufriedenheitskoeffizienten (CS-Koeffizienten)

  • Category Strenght & Total Strength

• Datenanalyse mittels…

  • Häufigkeiten

  • Heuristik (Auswertungsregeln)

  • Zufriedenheitskoeffizienten (CS-Koeffizienten)

  • Category Strenght & Total Strength

• Leistungsattribut wird der Kategorie zugeordnet, für die es nach der Auszählung die häufigsten Nennungen erhält

• Falls keine eindeutige Zuordnung möglich ist, findet eine Kombination mit einer weiteren Methode der Datenanalyse statt

  
  

So wird Leistungsattribute 1 aus dem Beispiel der Kategorie „Must-be“ (Basisfaktor) zugeordnet, da es mit 49,3% die häufigste Nennung hat.

• Wird verwendet, wenn trotz Auswertung nach Häufigkeiten keine zufriedenstellende Kategorisierung erfolgt

  • z.B. wenn Häufigkeiten zweier Kategorien nahe beisammen liegen oder gleich sind

• Zwei Entscheidungsheuristiken zur Klassifikation von Leistungsattributen

  • 1. Entscheidungsregel

    • Wenn (M+A+O) > (I+Q+R) => dann max (M,A,O)

    • Wenn (M+A+O) < (I+Q+R) => dann max (I,Q,R)

  • 2. Entscheidungsregel

    • M > O > A > I

• Attractive (Begeisterungsfaktor)

• One-dimensional (Leistungsfaktor)

• Must-be (Basisfaktor)

• Indifferent (Unerhebliche Faktoren)

• Reverse (Rückweisungsfaktor)

• Questionable (Fragwürdig)

• 1. Entscheidungsregel

  • Wenn (M+A+O) > (I+Q+R) => dann max (M,A,O)

  • Wenn (M+A+O) < (I+Q+R) => dann max (I,Q,R)

• Attractive (Begeisterungsfaktor)

• One-dimensional (Leistungsfaktor)

• Must-be (Basisfaktor)

• Indifferent (Unerhebliche Faktoren)

• Reverse (Rückweisungsfaktor)

• Questionable (Fragwürdig)

• 2. Entscheidungsregel => wird in Kombination mit einer heterogenen Verteilung und der Datenanalyse nach Häufigkeiten verwendet

  • M > O > A > I

  • Basisfaktoren > Leistungsfaktoren > Begeisterungsfaktoren > Indifferent

• Attractive (Begeisterungsfaktor)

• One-dimensional (Leistungsfaktor)

• Must-be (Basisfaktor)

• Indifferent (Unerhebliche Faktoren)

• Reverse (Rückweisungsfaktor)

• Questionable (Fragwürdig)

• Wird verwendet, wenn trotz Auswertung nach Häufigkeiten keine zufriedenstellende Kategorisierung erfolgt

  • z.B. wenn Häufigkeiten zweier Kategorien nahe beisammen liegen oder gleich sind

• Gibt Auskunft darüber, wie die Erfüllung oder Nichterfüllung eines Leistungsattributes die Zufriedenheit steigert (CS+ Koeffiizient) oder zur Unzufriedenheit (CS- Koeffizient) beiträgt

• CS-Koeffizienten müssen immer in Relation zueinander interpretiert werden, da eine singuläre Betrachtung zu falschen Rückschlüssen führen kann

  • Die relationale Interpretation der Zufriedenheitskoeffizienten findet in einer zweidimensionalen Matrix statt

• Attractive (Begeisterungsfaktor)

• One-dimensional (Leistungsfaktor)

• Must-be (Basisfaktor)

• Indifferent (Unerhebliche Faktoren)

• Reverse (Rückweisungsfaktor)

• Questionable (Fragwürdig)

• Attractive (Begeisterungsfaktor)

• One-dimensional (Leistungsfaktor)

• Must-be (Basisfaktor)

• Indifferent (Unerhebliche Faktoren)

• Reverse (Rückweisungsfaktor)

• Questionable (Fragwürdig)

• Wert nahe 0: geringer Einfluss auf Zufriedenheit

• Wert nahe 1: starker Einfluss auf die Zufriedenheit

• Werte ab 0,5 werden als bedeutend angesehen

• Attractive (Begeisterungsfaktor)

• One-dimensional (Leistungsfaktor)

• Must-be (Basisfaktor)

• Indifferent (Unerhebliche Faktoren)

• Reverse (Rückweisungsfaktor)

• Questionable (Fragwürdig)

• Attractive (Begeisterungsfaktor)

• One-dimensional (Leistungsfaktor)

• Must-be (Basisfaktor)

• Indifferent (Unerhebliche Faktoren)

• Reverse (Rückweisungsfaktor)

• Questionable (Fragwürdig)

• Wert nahe 0: geringer Einfluss auf Unzufriedenheit

• Wert nahe -1: starker Einfluss auf Unzufriedenheit

• Werte ab -0,5 werden als kritisch angesehen

• Attractive (Begeisterungsfaktor)

• One-dimensional (Leistungsfaktor)

• Must-be (Basisfaktor)

• Indifferent (Unerhebliche Faktoren)

• Reverse (Rückweisungsfaktor)

• Questionable (Fragwürdig)

Die relationale Interpretation der Zufriedenheitskoeffizienten findet in einer zweidimensionalen Matrix statt

• Attractive (Begeisterungsfaktor)

• One-dimensional (Leistungsfaktor)

• Must-be (Basisfaktor)

• Indifferent (Unerhebliche Faktoren)

• Reverse (Rückweisungsfaktor)

• Questionable (Fragwürdig)

• Wird verwendet, um eng zusammenliegende Häufigkeiten zu interpretieren

  • Ermöglicht Berechnung der Eindeutigkeit einer Kategorie und Priorisierung der Produktattribute

• Category Strength und Total Strength werden je Leistungsattribut berechnet

  
  

• Wird verwendet, um eng zusammenliegende Häufigkeiten zu interpretieren

• Wird berechnet, um die Zuordnungsstärke eines Leistungsattributes zu einer Kategorie zu analysieren

  • Wird je Leistungsattribut berechnet

• Je größer die Category Strength, desto eindeutiger die Zuordnung eines Attributes zu einer Kategorie

• Leistungsattribute mit einer Category Strength von unter 6% weisen eine zu geringe Eindeutigkeit auf und werden statt einer Kano-Kategorie einer sogenannten Mixed Category zugeordnet.

• Formel

  • Cat = häufigste Nennung − 2. häufigste Nennung [0%; 100%]

• Mixed Category => Leistungsattribute mit einer Category Strength von unter 6% weisen eine zu geringe Eindeutigkeit auf und werden statt einer Kano-Kategorie einer sogenannten Mixed Category zugeordnet.

• Werden mit alternativen Methoden der Datenanalyse einer Kategorie zugeordnet werden

• Hierfür kann z.B. die 2. Entscheidungsregel der Datenanalyse mittels Auswertungsregeln verwendet werden

• Cat = häufigste Nennung − 2. häufigste Nennung [0%; 100%]

• Je größer die Category Strength, desto eindeutiger die Zuordnung eines Attributes zu einer Kategorie

• Cat < 6%: Zuordnung in Mixed Category statt Kano-Kategorie (Eindeutigkeit zu gering)

• Wird verwendet, um eng zusammenliegende Häufigkeiten zu interpretieren

• Ermöglicht Priorisierung der Attribute => Gibt an, ob ein Leistungsattribut für die Gesamtheit der Kunden relevant ist oder nicht

  • Wird je Leistungsattribut berechnet

• Für die Berechnung werden die jeweiligen Anteile der Klassifikation als Basis-, Leistungs- und Begeisterungsfaktor summiert

• Formel => 𝑇𝑜𝑡=𝐴+𝑂+𝑀 [0%; 100%]

• 𝑇𝑜𝑡=𝐴+𝑂+𝑀 [0%; 100%]

• Je größer die Total Strength, desto höher der Anteil der Probanden, für die das Attribut von Bedeutung ist.

• Merkmale eines Produkts müssen aus Sicht des Kunden analysiert und bewertet werden, um zu verstehen, was den Kunden zufrieden und unzufrieden macht

  • Zu diesem Zweck kann das Kano-Modell sowie die darauf basierende Kano-Methode verwendet werdenwerden

• Kano-Modell => Zeigt, dass Merkmale eine unterschiedliche Bedeutung für die Kundenzufriedenheit haben

• Kano-Methode => Nutzt die gewonnen Erkenntnisse aus dem Kano-Modell und ermöglicht die empirische Bestimmung der Basis-, Leistungs- und Begeisterungsanforderungen eines Produktes in 4 Schritten

• Hilfsmittel bei der Entscheidungsfindung, welche Anforderungen Priorität haben => Ableitung von Prioritäten für die Produktentwicklung

• Hohe Praktikabilität bei der Durchführung der Klassifikation

• Einfache Interpretation der Ergebnisse und gutes Verständnis der Kundenanforderungen durch systematische Vorgehensweise

• Identifikation von latenten, nicht artikulierten Bedürfnissen durch die Bewertung einer Vielzahl potenzieller Leistungsattribute

• Hoher Aufwand (Erstellung Fragebogen und Durchführung) & nur bei komplexen Produkten sinnvoll

• Umfangreicher Fragebogen infolge der paarweisen Frageformulierungen (funktional/dysfunktional)

• Methode ermöglicht keine offenen Fragestellungen und kein Rating der Relevanz der einzelnen Attribute

  • Deshalb muss der Fragebogen entsprechend erweitert werden, wenn solche Informationen in Betracht gezogen werden sollen

• Ergebnisse stark von der Auswahl und Motivation der Kunden abhängig