Kano

A la hora de desarrollar un producto software nos planteamos las diferentes formas en las que podemos usar las tecnologías y metodologías que están a nuestro alcance. En este artículo nos vamos a centrar en el uso del modelo Kano usando metodologías ágiles para desarrollar proyectos.

Kano es un modelo de desarrollo aplicado a productos software y a la satisfacción del cliente, desarrollada en los años 80 por Noriaki Kano. Este modelo ayuda a clasificar las preferencias del cliente en cuatro categorías. Esto hecho es importante ya que nos permite determinar la satisfacción de nuestros usuarios en base a las funcionalidades de nuestro producto.

 

Kano junto a diferentes metodologías ágiles como por ejemplo Scrum, nos ayuda a medir, priorizar y visibilizar las historias de usuario en función de qué satisfará al usuario en cada momento, descartar las historias de usuario que no urgen y ver cuales se podrían mejorar.

Para empezar a usar Kano se priorizan las historias de usuario mínimas que debería poseer el producto. En función del valor que le aporten al cliente, en Scrum el modelo Kano se suele utilizar para priorizar las historias de usuario que están en el product backlog.

 

Hay cuatro categorías dentro de Kano que se resumen en atributos del producto

• Calidad esperada (must be): son necesidades básicas, atributos que esperan los clientes y sin ellos conducen a la insatisfacción extrema. Tenerlos no implica que aumente la satisfacción del cliente, al contrario, hace que el cliente no tenga esa insatisfacción. Un ejemplo sería que fuéramos a un bar y pidiéramos un café, que nos lo pongan no produce satisfacción ya que es lo que hemos pedido. Sin embargo, en caso de pedirlo y que no nos lo sirvan estaríamos muy decepcionados.
• Calidad deseada (Performance): atributos que cuando se realizan van incrementando la satisfacción del cliente. Son características/funcionalidades que el cliente pide de forma directa. Continuando con el ejemplo del bar, la calidad deseada sería cuando pedimos un café y nos sonríen mientras nos desean un buen día.
• Calidad motivante (Delighter): atributos atractivos, generalmente inesperados hacia los clientes que pueden resultar de gran satisfacción si están disponibles, aunque no suelen ser una prioridad. Que el bar al que vamos nos dé Wi-Fi, o que junto con el café te den una galleta o una chocolatina son detalles que nos agradan.
• Calidad indiferente (Indifferent): el cliente no está tan interesado en ciertas características, aunque los haya mencionado con anterioridad

 

El modelo Kano se basa en clasificar las historias de usuario según los tipos descritos y así darles prioridad mientras se va desarrollando el producto.

Como empresa nos gusta saber que piensan los clientes sobre nuestro servicio, una buena forma de conocer su experiencia es mediante un cuestionario, para ello habría que tener en cuenta dos tipos de preguntas, funcionales y disfuncionales. Estas no pueden ser abiertas, han que tener respuestas concretas y directas.

Una forma de conocer el grado de satisfacción del cliente final sería con un cuestionario con el que el usuario puede interactuar, use pantallas táctiles, botones... Para mejorar nuestro estudio del grado de satisfacción de los usuarios es recomendable que las respuestas sean cortas, predefinidas y que no permitan dar una respuesta aleatoria. Por ejemplo:

    Me gusta

    No importa

    Puedo vivir con ello

    No me gusta

    Lo disfruto así

    Es una necesidad básica

    No me gusta, pero puedo vivir con eso de esa manera

    No me gusta, y no puedo aceptarlo

    Sería muy útil para mí

    No me afectaría

    Sería un inconveniente

    Sería un gran problema

 

Tras ver los resultados de nuestro cuestionario observamos que aparecen dos nuevas categorías, inversa y cuestionable.

Cuando un usuario responde que no le gusta la versión funcional, y por el contrario le gusta la versión disfuncional de la pregunta, claramente nos indica que quiere lo contrario de lo que hemos propuesto. A esta nueva categoría la denominamos inversa. En este caso intercambiaremos la pregunta funcional por la disfuncional en nuestro cuestionario.

Cuando una mayoría de usuarios contesta que le gustan ambas versiones de la pregunta, quiere decir que tenemos una respuesta cuestionable, esta nueva categoría es indicativo de que tenemos que revisar nuestro cuestionario.

 

Las necesidades de los clientes no son estáticas, cambian con el tiempo:

Ocurre que a fuerza de repetir ese elemento que nos diferencia, se pierde el factor sorpresa. Con el tiempo deja de ser una novedad y lo que al principio era un distintivo, algo único, se va transformando en algo corriente de cara al cliente. De manera que ahora el cliente lo espera, por lo que, si en algún momento cambiamos ese elemento que nos diferenciaba o lo suprimimos, el cliente estará muy insatisfecho. Aquí vemos cómo hemos pasado de algo que motiva al cliente a elegirnos a que estemos obligados a incluirlo porque el cliente lo espera.

Un claro ejemplo es cuando llevas el coche al taller y te lo lavan, las primeras veces estás sorprendido por ello, no te lo esperas y lo agradeces, aunque con el paso del tiempo acabas acostumbrándote a que cada vez que lo lleves te lo laven y si no lo hacen cambiaría tu imagen sobre ese taller.

 

A la hora de analizar los resultados recogidos en las encuestas lo más sencillo será que agrupemos a los encuestados por perfiles demográfico y hacer un promedio de cada funcionalidad basándonos en su importancia de cara al cliente.

Tras nuestro primer análisis podemos priorizar las funcionalidades obligatorias, seleccionar las más importantes en cuanto a rendimiento y algunas atractivas. Pero vemos que hemos perdido información, por lo que para analizar los resultados procedemos a asignar valores numéricos a las respuestas:

 

 

Evaluando del 1 al 9, las respuestas más representativas las encontramos en la parte positiva:

Con esto podemos trabajar con el promedio funcional, disfuncional y la desviación estándar para estos valores promedio ya que con estos podemos ubicar nuestras funcionalidades en un plano:

 

Agregamos al gráfico la desviación estándar en forma de barras de error, esto nos ayudará a conocer cómo de precisa es nuestra categorización:

 

Finalmente representamos el promedio de la importancia con el tamaño de la burbuja. Normalmente implementaremos las funcionalidades en el siguiente orden, aunque no es una solución única: