Un backlog lleno no dice qué funcionalidad conviene construir primero. Una mejora puede evitar una frustración grave, aumentar la satisfacción en proporción a su desempeño, sorprender al usuario o no importarle a casi nadie. El modelo Kano ayuda a distinguir esas relaciones antes de asignar presupuesto y tiempo de desarrollo.
No es una votación de funcionalidades ni una escala de popularidad. Su aporte central es reconocer que la presencia y la ausencia de un atributo no producen necesariamente efectos simétricos. Algo que se da por sentado puede generar mucho rechazo cuando falta y casi ningún entusiasmo cuando está; otra característica puede deleitar cuando aparece sin provocar quejas si no existe.
Qué es el modelo Kano y qué decisión permite tomar
El modelo Kano es un método para clasificar atributos de un producto o servicio según cómo cambia la satisfacción del cliente cuando esos atributos están presentes o ausentes. Noriaki Kano, Nobuhiko Seraku, Fumio Takahashi y Shin-ichi Tsuji presentaron el enfoque bidimensional en 1984 y lo contrastaron mediante encuestas sobre televisores y relojes. Su propuesta cuestionó la idea simple de que más calidad siempre produce, de manera lineal, más satisfacción.
En la práctica, el método sirve para ordenar conversaciones de roadmap. Puede aplicarse al diseño de un MVP, un rediseño, un servicio o un producto consolidado cuando hay varias mejoras posibles y recursos limitados. También aporta evidencia a una de las responsabilidades del Product Manager: decidir qué problema resolver y con qué prioridad.
Kano no reemplaza una medición general de satisfacción, como CSAT, CES o NPS. Mientras esas métricas resumen una experiencia o una relación, la encuesta Kano analiza la reacción ante atributos concretos. Si necesitás una mirada más amplia, conviene separar este análisis del proceso de medir la satisfacción del cliente.
Las categorías del modelo Kano
La unidad de análisis no es el tipo de producto, sino un atributo o requisito. Una misma plataforma puede tener características básicas, de rendimiento, atractivas, indiferentes e inversas. La clasificación surge de las respuestas del segmento estudiado, no de la opinión del equipo.
| Categoría | Si el atributo está presente | Si falta | Decisión habitual | Riesgo de interpretación |
|---|---|---|---|---|
| Básica (M, must-be) | Se da por sentada; aporta poca satisfacción adicional | Provoca fuerte insatisfacción | Asegurar un nivel aceptable antes de sumar extras | Sobreinvertir en perfeccionarla cuando el umbral ya está cubierto |
| Unidimensional (O, performance) | Más o mejor desempeño aumenta la satisfacción | Menos o peor desempeño aumenta la insatisfacción | Comparar niveles y buscar una mejora competitiva | Suponer que la relación seguirá siendo lineal en cualquier rango |
| Atractiva (A, delighter) | Genera satisfacción o sorpresa positiva | No suele generar insatisfacción porque no se esperaba | Elegir las que tengan encaje estratégico y costo razonable | Confundir novedad con valor sostenido |
| Indiferente (I) | Apenas modifica la percepción | Apenas modifica la percepción | Posponer, simplificar o retirar de la prioridad | Generalizar el resultado a segmentos no estudiados |
| Inversa (R, reverse) | Parte del público prefiere que no exista o que funcione al revés | Su ausencia puede resultar preferible | Revisar segmentación, configuración o formulación | Promediar preferencias opuestas y ocultar el conflicto |
| Cuestionable (Q) | La combinación es contradictoria o sugiere que la pregunta no se entendió | Revisar redacción y calidad de la respuesta | Tratarla como una categoría de calidad equivalente a las demás | |
“Cuestionable” es un resultado de control, no un tipo deseable de requisito. Una proporción alta de Q suele indicar ambigüedad, negaciones confusas o respuestas poco atentas.
Cómo preparar el estudio antes de diseñar la encuesta
La calidad del resultado depende de qué se pregunta, a quién y para qué decisión. Kano no descubre por sí solo todas las necesidades. Primero hay que reunir señales mediante entrevistas, tickets de soporte, búsquedas internas, analítica, pruebas de usabilidad u otras técnicas de investigación. Un mapa de empatía basado en evidencia puede organizar hipótesis, pero después hay que convertirlas en atributos observables.
- Definí la decisión. Por ejemplo: elegir qué mejoras entran en el próximo trimestre, no “entender mejor al cliente” en abstracto.
- Delimitá el segmento y el contexto. Un administrador frecuente, un usuario nuevo y quien compra pueden valorar de manera distinta la misma función.
- Redactá atributos concretos. “Reportes mejores” es vago; “generar un reporte mensual en menos de diez segundos” permite imaginar una experiencia.
- Separá atributos. No preguntes por “reportes rápidos y exportables”: si la respuesta cambia, no vas a saber cuál de las dos propiedades la produjo.
- Mostrá el concepto cuando haga falta. Una descripción breve o un prototipo reduce interpretaciones incompatibles, siempre que no induzca una respuesta.
También conviene hacer una prueba piloto. Si varias personas piden aclaraciones o concentran respuestas cuestionables, corregí el cuestionario antes de ampliar la muestra. La representatividad importa más que perseguir un número universal de respuestas: una muestra grande pero sesgada sigue describiendo mal al público objetivo.
Cómo diseñar las preguntas funcional y disfuncional
Cada atributo se presenta con dos preguntas. La funcional consulta cómo se sentiría la persona si la característica estuviera disponible. La disfuncional pregunta cómo se sentiría si no estuviera disponible. Para “alertas predictivas de incidentes”, el par podría ser:
- Si el sistema te avisara antes de un posible incidente, ¿cómo te sentirías?
- Si el sistema no te avisara antes de un posible incidente, ¿cómo te sentirías?
En ambas preguntas se ofrecen las mismas cinco respuestas: me gusta de esa manera, debe ser de esa manera, me resulta neutral, puedo tolerarlo de esa manera y no me gusta de esa manera. Mantené la traducción y el orden de forma consistente. Los tipos de preguntas para encuestas pueden complementar el estudio, pero no deberían alterar este par hasta volver incomparable la matriz.
Matriz de evaluación Kano completa
Cada par de respuestas individuales se cruza en la matriz. Las filas corresponden a la pregunta funcional —el atributo está presente— y las columnas, a la disfuncional —el atributo está ausente—.
| Respuesta funcional | Respuesta disfuncional | ||||
|---|---|---|---|---|---|
| Me gusta | Debe ser | Neutral | Puedo tolerarlo | No me gusta | |
| Me gusta | Q | A | A | A | O |
| Debe ser | R | I | I | I | M |
| Neutral | R | I | I | I | M |
| Puedo tolerarlo | R | I | I | I | M |
| No me gusta | R | R | R | R | Q |
Si alguien responde “me gusta” cuando la función está y “no me gusta” cuando falta, el cruce es O: la satisfacción se mueve en ambas direcciones. Después de clasificar cada respuesta, contá las frecuencias A, O, M, I, R y Q por atributo. La categoría con mayor frecuencia ofrece una síntesis, pero no conviene ocultar la distribución: un resultado dividido entre A y O dice más que una etiqueta aislada.
Coeficientes de satisfacción e insatisfacción
La clasificación modal es cualitativa. Los coeficientes propuestos en desarrollos posteriores del método permiten estimar la intensidad con la que un atributo puede influir sobre satisfacción e insatisfacción. Se calculan sobre A, O, M e I; las respuestas inversas y cuestionables se excluyen del denominador:
Potencial de satisfacción: (A + O) / (A + O + M + I)
Potencial de insatisfacción: -(M + O) / (A + O + M + I)
El primer coeficiente va de 0 a 1: cuanto más cerca de 1, mayor es el potencial de aumentar la satisfacción al cumplir el atributo. El segundo va de 0 a -1: cuanto más cerca de -1, mayor es el riesgo de insatisfacción si no se cumple. El signo negativo no significa que el cálculo esté mal; hace visible el efecto desfavorable de la ausencia.
Estos índices tampoco producen una prioridad automática. No incorporan esfuerzo, costo, riesgo técnico, alcance, objetivos del negocio ni diferenciación. Sirven como evidencia del lado del cliente y deben combinarse con esos criterios.
Cómo convertir los resultados en decisiones de roadmap
- Resolvé los básicos incumplidos. No suelen generar entusiasmo, pero su ausencia puede invalidar la experiencia completa.
- Compará los atributos de rendimiento. Priorizá dónde una mejora medible puede mover satisfacción y posición competitiva.
- Seleccioná atractivos, no los acumules. Elegí los que refuercen la propuesta de valor y sean viables.
- Investigá indiferentes e inversos. Un indiferente puede ser gasto sin retorno; un inverso puede revelar segmentos con necesidades opuestas o una función que debería ser opcional.
- Cruzá Kano con restricciones. Usá costo, confianza de la evidencia, riesgo, dependencia y objetivos para decidir la secuencia final.
RICE, MoSCoW u otros marcos pueden complementar el análisis: responden preguntas diferentes. Kano estima la forma del impacto sobre satisfacción; los otros métodos ayudan a comparar alcance, esfuerzo, urgencia o confianza. Ninguno debería usarse como una planilla que decide sin criterio.
Ejemplo didáctico hipotético
El siguiente caso es inventado y se incluye solo para mostrar el cálculo. Un SaaS B2B encuesta a 100 usuarios de un mismo segmento sobre cuatro atributos. La tabla reúne la frecuencia de cada categoría, la categoría modal y los dos coeficientes redondeados a dos decimales.
| Atributo | A | O | M | I | R | Q | Categoría | Satisfacción | Insatisfacción |
|---|---|---|---|---|---|---|---|---|---|
| Inicio de sesión seguro | 5 | 20 | 55 | 18 | 1 | 1 | M | 0,26 | -0,77 |
| Reportes más veloces | 10 | 55 | 20 | 13 | 1 | 1 | O | 0,66 | -0,77 |
| Alertas predictivas | 50 | 20 | 5 | 23 | 1 | 1 | A | 0,71 | -0,26 |
| Animaciones decorativas | 8 | 4 | 2 | 83 | 2 | 1 | I | 0,12 | -0,06 |
Para el inicio de sesión seguro, el denominador es 98 porque se excluyen R y Q. El potencial de satisfacción es (5 + 20) / 98 = 0,26; el de insatisfacción es -(55 + 20) / 98 = -0,77. La lectura no es “la seguridad importa poco”: indica que cumplirla evita una frustración fuerte, aunque agregarla no sorprenda.
El equipo debería garantizar primero un nivel seguro y aceptable, evaluar cuánto puede mejorar la velocidad de reportes y analizar las alertas predictivas como diferenciador. Las animaciones quedarían al final salvo que otro objetivo verificable justifique su costo. Esto es una interpretación didáctica de datos hipotéticos, no un resultado de investigación real.
Límites y errores frecuentes
- Tomar la categoría como permanente. Lo atractivo puede convertirse en esperado cuando madura la tecnología o lo adopta el mercado.
- Mezclar segmentos. Una mayoría indiferente puede esconder un grupo pequeño para el cual el atributo es básico.
- Preguntar por ideas vagas. Si cada persona imagina una implementación distinta, la clasificación pierde sentido.
- Declarar algo “básico” por intuición interna. La etiqueta debe surgir de respuestas, no de una discusión entre áreas.
- Priorizar solo por categoría. Una función atractiva puede ser carísima, riesgosa o ajena a la estrategia.
- Confundir intención declarada con conducta. Kano no demuestra adopción, uso, retención ni impacto comercial; contrastá sus resultados con experimentos y datos de comportamiento.
- Mirar solo la moda. Conservá porcentajes, R y Q para detectar heterogeneidad y problemas del cuestionario.
El análisis describe un segmento, una formulación y un momento. Conviene repetirlo cuando cambia el público, aparece una tecnología relevante, se modifica el mercado o un diferencial comienza a darse por sentado. El ciclo de vida del producto también cambia las expectativas: una promesa atractiva durante el lanzamiento puede transformarse en requisito básico más adelante.
Bien aplicado, Kano no reemplaza el criterio de producto: lo vuelve más explícito. Su valor está en separar las distintas formas en que un atributo afecta la experiencia, mostrar la distribución detrás de cada etiqueta y combinar esa evidencia con viabilidad, estrategia y aprendizaje real.
Fuentes consultadas
- Kano, N.; Seraku, N.; Takahashi, F.; Tsuji, S. (1984). Attractive Quality and Must-Be Quality. Journal of the Japanese Society for Quality Control, 14(2), 147–156.
- Matzler, K.; Hinterhuber, H. H. (1998). How to make product development projects more successful by integrating Kano’s model of customer satisfaction into quality function deployment. Technovation, 18(1), 25–38.
- Mkpojiogu, E. O. C.; Hashim, N. L. (2016). Understanding the relationship between Kano model’s customer satisfaction scores and self-stated requirements importance. SpringerPlus, 5, 197.
- Borgianni, Y.; Rotini, F. (2015; publicación online 2013). Towards the fine-tuning of a predictive Kano model for supporting product and service design. Total Quality Management & Business Excellence, 26(3–4), 263–283.