상품 수요 분석 툴: Kano Model 분석법 (실전 사례 설명)

Kano Model 또는 카노 모델 은 기업의 상품 수요 분석에 활용되는 기본 툴입니다. 이 툴은 수요를 체계적으로 정리, 분석, 추출해주어 업무의 효율성을 높혀줍니다. 

모든 인터넷 상품에는 다양한 요구사항들이 수반됩니다. 또한 상사의 지시, 여러 담당자가 제안한 요구사항들이 늘 한데 쌓여있기 마련이죠. 아무리 간편한 기능이나 하위 페이지라도 그 처리 과정은 매번 복잡하기만 합니다. 

사용자가 가장 중시하는 요구사항은 무엇일까요? 새로운 기능으로 사용자의 만족을 충족시킬 수 있을까요? 제품의 리소스 개발에는 늘 한계가 존재하고, 개발, 설계, 테스트 작업에는 항상 손이 부족합니다. 모든 요구사항들을 한꺼번에 처리할 수도 없는 노릇이지요. 그렇다면 어떤 요구사항을 가장 먼저 처리해야 할까요?

이는 무작위로 결정하기 보다는 제품 설계팀의 애널리스트, 제품 담당 매니저와 함께 객관적으로 분석한 뒤 결정해야합니다. 이때 Kano Model 을 활용하면 사용자의 수요단계와 우선순위를 정립할 수 있고, 수요가 실현되면 사용자에게 어느정도의 영향을 미칠지 더욱 자세하게 판단할 수 있습니다. 

Kano Model 은 동경대 노리아키 카노(Noriaki Kano) 교수가 개발한 것으로, 사용자의 수요를 분류하고 우선 순위를 설정하는데 유용한 툴입니다. 사용자의 요구사항이 만족도에 미치는 영향을 분석하여 제품의 성능과 사용자 만족도 사이의 비선형적 관계를 나타내줍니다.

Kano Model 을 활용해 분석을 수행하기에 앞서, 먼저 Kano Model 과 관련된 품질 종류에 대해 알아보겠습니다.

카노 교수는 만족도와 2차원 분석을 통해 수요를 당연한 품질(M), 일원적 품질(O), 매력적 품질(A), 무관심 품질(I), 역 품질(R) 5가지로 구분했습니다.

충족되면 만족을 주지 못하지만, 충족되지 않으면 불만을 일으킴

충족되면 만족을 주지만, 충족되지 않으면 불만을 일으킴

상품 자체에 대해 기대했던 것 이상의 만족을 주어, 만족도를 급격히 상승시킴.상품이나 서비스가 완벽하지 않아도 사용자의 만족도에 영향을 미치지 않음

충족되거나 충족되지 않아도 사용자의 만족도에 아무런 영향을 미치지 않음

충족과 사용자 만족도가 역상관 관계를 보임. 충족 되었는데 사용자의 만족도는 오히려 저하됨

그렇다면 의사결정 과정에 Kano Model 이 어떻게 활용되는지 실전 사례를 통해 설명해 드리겠습니다. 

모 기업은 다음 달 A 제품 기능을 업그레이드 할 예정입니다. 상품 관리자 B 씨는 각 분야의 요구사항을 수집하였고, 실제로 업데이트가 필요한 기능이 무엇인지 결정하기 위해 Kano Model 을 활용해 수요를 분석해보려 합니다.

본 문에는 셀프 서비스식 BI 분석 도구 FineBI를 통해 데이터를 분석해보겠습니다. 

FineBI는 빅데이터를 분석하는 BI 툴로써 전문적이고, 사용이 편리합니다. 간편하게 마우스 클릭과 드래그 만으로 분석을 수행할 수 있으며, 사용자는 자신의 수요에 따라 데이터 처리와 탐색형 OLAP 분석을 수행할 수 있습니다. 마치 셀프 서비스 데이터 분석을 손 쉽게 구현할 수 있는 것처럼 말이죠.  

사용의 편의성은 작동과 인터페이스 뿐 아니라 데이터 처리에서도 확인됩니다. FineBI는 다양한 계산공식, 필터링 컴포넌트를 보유하고 있어, SQL과 코드를 거의 사용할 필요가 없습니다. 

FineBI에는 50가지 이상의 차트 양식이 설치되어 있습니다. 여기에는 시장의 거의 모든 기본 및 전문 차트가 포함되어있으며, 뛰어난 동적 효과와 강력한 인터렉션 체험을 제공합니다. 사용자는 필요에 따라 다양한 기능을 설정할 수 있고, 모바일 혹은 대형 LED 스크린을 통해 수정 및 기타 작업을 진행 할 수 있습니다.  

뿐만 아니라, FineBI를 사용하면 Kano Model, 기타 피라미드 모델, RFM 모델, 장바구니 분석모델 등 각종 기본 데이터 분석 모델을 쉽게 구축할 수 있고, 이를 통해 비즈니스 인사이트를 얻을 수 있습니다. 

FineBI는 제조, 의약, 유통, 금융 등 다양한 산업의 비즈니스 분석 환경을 제공합니다. 관리자는 비즈니스 지표 데이터 분석과 디스플레이를 통해 비즈니스 동향을 쉽게 파악할 수 있습니다. 

또한 FineBI는 실무자들을 데이터 처리 및 시각화 업무에서 해방시켜줌으로써 데이터 분석, 데이터 관리, 비즈니스 커뮤니케이션에 더 많은 노력을 기울일 수 있도록 해줍니다.  

이제 FineBI를 통해 Kano Model 분석을 어떻게 진행하는지 직접 보여드리겠습니다. 

Kano Model 분석에 앞서 먼저 사용자 조사를 진행해야 합니다. 보통 매트릭스 형식을 사용해 사용자로 하여금 기능에 대해 긍정 혹은 부정적인 평가를 하도록 합니다. 평가는 ‘매우 만족한다’, ‘이정도는 당연하다’, ‘상관없다’, ‘어쩔 수 없이 사용한다’, ‘매우 불만족스럽다’ 총 5개로 나눠집니다.

(1) 정리된 「카노 로우 데이터」를 FineBI에 업로드시킵니다. 그리고 아래 그림과 같이 셀프데이터 셋을 추가하고, 「카노 로우 데이터」의 모든 필드를 선택합니다.  

(2) 그림과 같이 「태도 병합」 행을 추가하여 「기능 추가 시 태도」와 「기능 미추가 시 태도」을 병합합니다.

사용자의 「기능 추가 시 태도」와 「기능 미추가 시 태도」에 따라, 아래 표를 통해 특정 기능에 대한 사용자의 요구사항이 무엇인지 파악할 수 있습니다.  

• M:   당연한 품질
• O:   일원적 품질
• A： 매력적 품질
•  I： 무관심 품질
• R： 역품질
• Q： 추측 결과  

(3) 지금까지 수요 유형을 어떻게 파악하는지 알아보았습니다. 다음으로 분석 테이블에서 그 역할을 판단하고 유형열을 추가해보도록 하겠습니다. 여기서는 스위치(Switch) 함수가 사용되며, 함수 공식은 아래 그림과 같습니다. 

공식이 길기 때문에 아래 내용을 공식열에 복사해 넣고, ‘병합 태도’ 대신에 자신의 필드를 사용합니다. 

SWITCH (Merger Attitude, "like very much like very much","Q","like very much should be so","A","like very much it doesn't matter","A","like very much reluctantly accept","A","like very much dislike very much","O","should be so like very much","R","should be so should be so","I","should be so it doesn't matter","I","should be so reluctantly accept","I","should be so dislike very much","M","it doesn't matter like very much","R","it doesn't matter should be so","I","it doesn't matter it doesn't matter","I","it doesn't matter reluctantly accept","I","it doesn't matter dislike very much","M","reluctantly accept like very much","R","reluctantly accept should be so","I","reluctantly accept it doesn't matter","I","reluctantly accept reluctantly accept","I","reluctantly accept dislike very much","M","dislike very much like very much","R","dislike very much should be so","R","dislike very much it doesn't matter","R","dislike very much reluctantly accept","R","dislike very much dislike very much","Q")

효과는 아래 그림과 같습니다.

(4) 아래 그림처럼 「그룹핑 요약」을 추가하여 각 기능별 각종 수요 유형의 인원 수를 구합니다.  

예를 들어, 조사에 참여한 인원 수 가운데 「기능1」이 무관심 품질이라고 생각하는 사람은 48명입니다.

(5) 조사 과정에서 일부 사용자 질문을 스킵하는 경우가 있기 때문에 각 기능 조사에 참여한 인원 수가 각각 다르게나타날 수 있습니다. 「조사 참여자 수」행을 새로 추가하고, 「그룹 내 모든 값」을 선택하여 아래 그림과 같이 각 기능조사에 참여한 인원수를 도출합니다.

(6) 비율을 계산하여 각 수요별 유형이 조사 참여자 수에서 차지하는 비율을 구합니다.

예를 들어, 「기능1」의 「I 유형 인원수」가 「기능1」 조사에 참여자 수에서 차지하는 비중은 0.48입니다. 아래 그림을 참고합니다.

FineBI의 대시보드를 통해 데이터에 시각화 컴포넌트 랜더링을 진행할 수 있습니다. 여기에는 수십 가지 분석 차트가 내장되어 있어 대부분의 시각화 분석 요구사항을 충족시킬 수 있습니다. B씨는 대시보드에서 컴포넌트를 새로 만들어 방금 처리한 셀프 데이터 셋을 선택했습니다.

(1) 5개의 「비율」 필드를 복사합니다.

(2) 복사한 「비율」 필드에 상세 필터링을 진행합니다. 필터링 조건은 ‘A에 속하는 유형’으로 설정합니다. 그리고 이름을 「A 비율」로 수정합니다. 

마찬가지로 복사한 다른 「비율」 필드에도 상세 필터링을 진행하고, 각각 유형을 필터링한 뒤 이름을 수정합니다. 과정은 아래 그림과 같습니다.  

（3）better-worse 계수를 사용합니다.

• better-특정 기능을 더한 뒤 증가한 만족도 계수: better=(A비율+O비율)/(A비율+O비율+M비율+I비율) 1에 가까울수록사용자 만족도 상승 효과가 높아짐을 의미입니다.
• Worse-특정 기능을 더하지 않았을 때 사용자의 불만족 계수: worse=-1(O비율+M비율)/(A비율+O비율+M비율+I비율) -1에 가까울수록 사용자 불만족에 미치는 영향이 크며, 만족도 하락에 미치는 영향이 클수록 그 하락 속도가 빨라집니다.

그림과 같이 회색 부분의 better, worse 공식에 따라 계산 필드 「better」, 「worse절대값」 을 새로 만듭니다.

(4)「분산형 차트」를 선택하고 「better」 「worse절대값」 필드로 드래그시킵니다. 「기능」 필드를 그래프 속성의 라벨 컬럼과 색상 컬럼으로 드래그시킵니다.

(5)「가로 경계선」과 「세로 경계선」을 각각 추가하고, better 평균값과 worse 평균값으로 설정합니다. 

이제 B씨는 아래와 같이 better-worse 사분면 분포도를 완성했습니다.

FineBI는 다양한 맞춤형 대시보드 공유 기능을 지원합니다. 대시보드의 전체 혹은 일부를 지정한 사람에게 공유할 수있으며, 데이터의 보안을 유지하면서도 매우 편리하고 효과적으로 사용할 수 있습니다.  

• 플랫폼 내 공유: 자신이 만든 대시보드를 지정된 부서, 사용자, 담당자가 열람할 수 있도록 직접 공유하고, 데이터 의견을 공유할 수 있습니다. 
• 등록 신청: 실무자는 관리자 신청을 통해 자신이 만든 분석 대시보드를 플랫폼 목록에 게시하여 해당 권한을 가진 기타 사용자들이 열람하도록 할 수 있습니다.  
• 공유 링크 생성: 오픈 보고서 링크를 생성하여, 플랫폼 밖에서도 보고서를 열람할 수 있도록 지원합니다.

B씨는 자신이 만든 대시보드를 동료에게 공유한 뒤, 이번 기능에 「기능2, 기능3, 기능5, 기능8」을 업데이트 하기로했습니다. B씨의 결정은 데이터 지원을 통해 모든 동료들의 동의를 얻어낼 수 있었습니다. 이제는 과거처럼 어떤 기능을 추가할 때마다 한바탕 씨름을 벌일 필요가 없어졌고, 업무 효율을 크게 향상되었습니다.  

지금까지 Kano Model 을 사용해 분석을 진행해보았습니다. 실제 업무 상황은 훨씬 더 복잡하기 때문에 이 모델의 분석 로직을 제대로 파악하고 있어야 하며, 상황에 맞게 변용시킬 필요가 있습니다. 

아래 버튼을 클릭하시면 FineBI를 무료로 사용하실 수 있습니다.