摘要：要么是想精准评估需求，却找不到趁手的工具；要么是听说KANO模型好用，真上手了连问卷都设计不明白；还有些人想试试新方法，又不知道从哪儿开始。

怕是最有体会的就是产品一号位了，天天被需求堆着，不知道先做哪个。

要么是想精准评估需求，却找不到趁手的工具；要么是听说KANO模型好用，真上手了连问卷都设计不明白；还有些人想试试新方法，又不知道从哪儿开始。

说实话，这事儿我太懂了，之前跟几个产品经理聊天，他们吐槽最多的就是“明明手里一堆需求，却像乱码一样理不清”。

今天咱不绕弯子，直接讲7种能解决这些问题的高阶方法，就是之前提到的L3数据需求高的4种，还有L4前沿的3种。

本来想把14种都提一嘴，但后来发现重点得放在这7种上，毕竟这些才是大家平时用着容易卡壳的地方。

先说说RICE模型，这东西是Intercom的联合创始人2015年搞出来的，专门帮产品团队给需求“称重”。

它从四个角度看需求：影响多少人（Reach）、影响有多深（Impact）、对评估有多大把握（Confidence）、要花多少功夫（Effort），最后套个公式算分，分高的先做。

某健身APP想加个社交分享功能，产品经理就用这模型算了算。

Reach这块，1万活跃用户里大概7000人会用，赋值7；Impact呢，用户用了这功能，周使用时长能涨不少，给了8。

Confidence是参考了其他健身APP的情况，有80%的都靠这功能涨了用户粘性，所以给8；Effort方面，要对接社交平台、设计界面，得400人工小时，赋值4。

算下来得分112，这功能就排到前面了。

老实讲，我见过有人用RICE踩坑，比如Confidence随便给分，明明没数据支撑，还敢给9。

如此看来，用这模型的时候，Confidence得有依据，要么是行业案例，要么是自己的小范围测试数据，瞎蒙可不行。

更何况小团队数据少的时候，别硬凑数，优先看用户反馈里提得最多的需求，比瞎算分强。

从RICE模型转到价值复杂性矩阵也很顺理成章，毕竟都是帮着掂量需求优先级的，只是角度不一样。

价值复杂性矩阵看两点：需求值不值钱（价值）、做起来难不难（复杂性），把需求分到四个象限里。

高价值又好做的，赶紧上；高价值但难搞的，得好好琢磨；低价值又难搞的，别碰。

某智能音箱想加语音切歌功能，产品经理琢磨了下：这功能能让用户不用动手，价值挺高；而且就加个指令识别程序，不难。

所以这需求就归到“高价值低复杂性”里，优先开发了。

很显然，这矩阵特别适合快速筛选需求，尤其是资源有限的时候，能帮着把钱花在刀刃上。

讲完L3的方法，咱再说说L4的前沿玩法，情感分析必须得提。

这东西不是瞎看评论，是用技术拆解文本，判断用户是夸还是骂，或者没感觉。

早年间就有了，现在结合大模型，连“还行”这种模糊的词都能扒明白。

杭州有家做智能手表的公司，产品经理就靠这方法分析用户评论。

看到“续航太棒了”，就归成正面；看到“操作太复杂”，就归成负面。

然后照着这些果改产品，比如加强续航、简化操作。

搞不清用户评论里的“还行”到底是真行还是假行？情感分析就能帮你扒明白，不过得注意方言词，上次有个同事分析“巴适”没算正面，结果闹了笑话。

还有大数据分析，跟情感分析搭配着用效果更好。

某智能音箱收集了一堆用户数据，发现早上大家爱查天气、听新闻，晚上爱播音乐、控家电。

他们就照着这规律调了响应策略，早上把天气服务调快，晚上把家电控制弄稳。

并非明智之举的是啥？把数据堆着不用。

很多产品经理收集了数据，就放那儿落灰，其实挖挖规律就能帮产品提不少体验。

最后说说AI和机器学习，这东西能帮着预测用户需求。

某智能空调靠传感器收集数据，发现夏天晚上用户爱把温度设26到28度，还开睡眠模式；冬天早上爱预热到20度左右。

它就学着这些习惯，自动调温度和模式。

说实话，这技术好是好，但小团队别盲目跟风。

本来想凑钱上AI模型，后来发现数据不够，跑出来的结果根本没法用，白花钱。

其实不管是L3还是L4的方法，核心都是帮产品人读懂用户。

不是说方法越高级越好，得看自己的情况。

小团队先把RICE、用户反馈这些基础方法用熟，有数据了再试试情感分析、大数据

毫无疑问，用户需求这事儿，从来不是靠一个方法就能搞定的，得灵活着来。

希望这些方法能帮到各位产品一号位，别再被需求搞得头大。

下次再遇到不知道先做哪个需求的情况，拿出这些工具算一算、拆一拆，心里就有数了。

来源：萌萌思密达