Kano-model · IN HET KORT
Niet iedere functie heeft dezelfde betekenis voor een klant. De Kano-skill helpt je onderscheid maken tussen wat vanzelfsprekend wordt verwacht, wat steeds meer waarde toevoegt en wat positief verrast. Dat geeft een onderbouwd vertrekpunt voor productkeuzes.
Jouw opdracht
Fictief voorbeeld: een respondent vindt een boekingsbevestiging vanzelfsprekend en stoort zich aan het ontbreken ervan. Een persoonlijk welkomstkaartje is leuk, maar wordt niet gemist. Dat past bij respectievelijk een basisfunctie en een mogelijke verrassing. Eén respondent is nog geen oordeel over het hele segment.
Mogelijke uitwerking
Dit voorbeeld laat de werkwijze zien. Het is geen klantresultaat of belofte over jouw uitkomst.
01 / DE BASIS
Een classificatietabel per klantsegment, ontwikkelvoorstellen en vijf acties met een voorgestelde tijdlijn.
02 / ZO KAN HET ERUITZIEN
Fictief voorbeeld: een respondent vindt een boekingsbevestiging vanzelfsprekend en stoort zich aan het ontbreken ervan. Een persoonlijk welkomstkaartje is leuk, maar wordt niet gemist. Dat past bij respectievelijk een basisfunctie en een mogelijke verrassing. Eén respondent is nog geen oordeel over het hele segment.
Dit voorbeeld laat de werkwijze zien. Het is geen klantresultaat of belofte over jouw uitkomst.
Zonder echte antwoorden zijn de categorieën inschattingen, geen gemeten klantvoorkeuren. Kano bepaalt ook niet zelfstandig wat je moet bouwen: kosten, verplichtingen en uitvoerbaarheid blijven aparte afwegingen. Een aantrekkelijke functie garandeert geen hogere omzet.
03 / AAN DE SLAG
Leg per functie vast hoe de klant reageert wanneer deze er wel en niet is.
Gebruik de evaluatietabel en houd tegenstrijdige antwoorden en verdeelde voorkeuren zichtbaar.
Onderbouw bouwen, verbeteren of parkeren en plan een herbeoordeling als verwachtingen veranderen.
04 / MAAK HET EIGEN
De Nederlandstalige skill is gratis te downloaden als ZIP met een SKILL.md-instructiebestand. Je hoeft voor de download geen account aan te maken of een e-mailadres achter te laten. Het bestand wordt aangeboden onder de MIT-licentie; lees de licentievoorwaarden voordat je het aanpast of verder verspreidt. Hulp bij het toepassen? Plan een gesprek.
Alle informatieDownload. Pas toe. Verfijn.
Taal van het bestand: Nederlands
Lees verder in je eigen tempo.
Je hebt een lijst met features en iedereen vindt er iets van. Deze gratis skill legt elke feature langs het Kano model van Noriaki Kano en levert per functie een categorie op: basisfeature, prestatiefeature, wow-feature, neutrale feature of omgekeerde feature. Niet op gevoel, maar door twee vragen te stellen en het antwoord op te zoeken in de evaluatietabel van Berger. En de helft van de waarde zit in wat eruit gaat: de skill levert geen resultaat op zonder te benoemen wat je niet moet bouwen.
de regels hierboven komen uit de zip op deze pagina · SKILL.md is 13.828 bytes
Dit is het uitgewerkte voorbeeld dat in de SKILL.md zelf staat, hier ingekort weergegeven. Let op de tweede stap: de skill vraagt eerst naar de klant, het segment, de productfase en de concurrenten. Zonder die context weigert hij te analyseren, want dezelfde feature kan Must Be zijn voor de ene groep en Reverse voor de andere.
De AI Kano Model Analist is een gratis skill uit onze skill-bibliotheek, een van de 100 skills die we daar zonder account beschikbaar stellen. Een skill is een instructiebestand, SKILL.md, dat een AI-assistent een vaste werkwijze meegeeft voor één taak. Geen software die je installeert, geen abonnement, geen koppeling met je backlog: één tekstbestand van 1.954 woorden instructie dat Claude vertelt hoe een Kano-analyse in elkaar zit, welke context hij eerst moet uitvragen, hoe hij de categorie afleest en wat hij onder geen beding zelf mag invullen. Wil je eerst weten wat een skill precies is, lees dan wat Claude skills zijn.
Het probleem dat de skill oplost herken je waarschijnlijk uit je eigen roadmapoverleg. Alles op de lijst voelt belangrijk, want iemand heeft er een goed verhaal bij. De feature waar het team het meest trots op is, blijkt de klant niet te zien. De feature die de klant simpelweg verwacht, krijgt een applausronde als hij eindelijk werkt. En ergens onderaan staat iets dat capaciteit opeet zonder dat iemand kan uitleggen wat het oplevert. Het Kano model zet daar een ordening tegenover die uit één inzicht volgt: tevredenheid is geen lineaire functie van features. Sommige functies leveren niets op als ze er zijn en veel schade als ze ontbreken. Andere doen precies het omgekeerde.
Dit bestand is geschreven voor product- en marketingteams, oprichters die hun MVP-scope moeten kiezen, en iedereen die met een lijst functies zit en moet beslissen wat eerst gaat. De aanleidingen die het bestand zelf noemt zijn typisch: kiezen tussen features, discussies over MVP-scope, roadmapplanning, het opzetten van een klantenquete en het formuleren van het vragenpaar. Hij hoort thuis in de dienst AI en automatisatie, waar we dit soort werkwijzen ook echt inrichten voor bedrijven.
Eén ding moet je vooraf weten. Kano voorspelt tevredenheid, geen omzet en geen conversie. Beloven dat een wow-feature tot groei of retentie leidt, doet hij dan ook uitdrukkelijk niet. Wat je terugkrijgt is een ordening van je lijst en een onderbouwd advies over volgorde, meer niet. Dat is minder dan een businesscase en veel meer dan een stemronde.
Er zijn vijf categorieën in het model. Elke feature heeft twee dimensies, aanwezigheid en vervulling, en de categorie zegt wat er met de tevredenheid gebeurt als je aan die knop draait. Dat verschil bepaalt niet alleen de volgorde maar ook hoeveel je erin investeert.
Must Be, de basisfeatures. Klanten verwachten dat het er is. Aanwezigheid levert geen tevredenheid op, afwezigheid levert sterke ontevredenheid op. Het voorbeeld in de skill is het schone beddengoed in een hotel: niemand prijst je ervoor, maar als het ontbreekt is de review verwoestend. De consequentie voor je roadmap is contra-intuitief: je bouwt deze features eerst, tot het niveau dat de klant verwacht, en geen stap verder. Extra investeren in een Must Be levert geen extra tevredenheid op.
One Dimensional, de prestatiefeatures. Tevredenheid stijgt lineair met de mate waarin de feature aanwezig is. Meer is beter. Denk aan laadtijd, accuduur of prijs. Op deze categorie kun je echt winnen, en precies daarom adviseert de skill er twee of drie uit te kiezen en niet acht. Lineair betekent namelijk ook: elke stap kost weer evenveel als de vorige.
Attractive, de wow-features. Klanten verwachten het niet. Aanwezigheid creëert sterke positieve emotie en loyaliteit, afwezigheid is geen probleem. Het voorbeeld uit het bestand is het handgeschreven kaartje bij een online bestelling. De regel die de skill eraan hangt is scherp: één of twee tegelijk, klein gehouden, want ze zijn goedkoop in scope en duur in aandacht.
Indifferent, de neutrale features. De klant geeft er niets om. Of het er is of niet, het maakt geen verschil. Vaak zijn dit interne features waar het team trots op is maar die de klant niet ziet. Volgens het bestand is dit de categorie waar de meeste capaciteit stilletjes verdwijnt, en het advies is dan ook eenvoudig: schrappen of parkeren.
Reverse, de omgekeerde features. Aanwezigheid leidt tot ontevredenheid. Te veel notificaties, te veel onboardingstappen, functies die vooral in de weg zitten. Actief verwijderen of per segment uitzetbaar maken, want wat de ene groep als Reverse ervaart, kan voor de andere een wow-feature zijn.
Er is nog een zesde uitkomst, en die is geen categorie: Q van Questionable. Die verschijnt als de twee antwoorden elkaar tegenspreken. Daar mag hij dan ook niets van maken. Hij stelt de vraag opnieuw of markeert de feature als onbepaald, en dat is een uitkomst en geen probleem.
In diff-vorm, met regels uit het voorbeeld van de skill: hoe een roadmapzin verandert zodra hij uit de tabel komt in plaats van uit de vergaderkamer.
Het Kano model is beroemd om zijn grafiek, en die is het waard om even goed te lezen. Horizontaal staat hoe volledig een feature aanwezig is, verticaal hoe tevreden de klant is. Het punt van de grafiek is dat dezelfde beweging naar rechts voor elke categorie iets anders doet met de hoogte. Let ook op de gestippelde pijl: dat is Kano Drift, en die loopt maar één kant op.
# de curven zijn de vorm van het model, geen meting: er staan bewust geen getallen op de assen
# kano drift loopt van wow naar prestatie naar basis, nooit terug: de achteruitrijcamera was in 2005 een wow-factor, in 2015 verwacht, en sinds juli 2024 is achteruitrijdetectie verplicht op elke nieuw geregistreerde auto in de EU
Een skill is zo goed als zijn instructies, dus die beschrijven we hier gewoon, en wel het bestand dat nu in de zip zit. Het opent met een frontmatter waarin staat wanneer Claude de skill moet oppakken: bij kano model, kano analyse, feature prioriteren, welke features eerst, wat moet in mijn MVP, product roadmap, must have versus nice to have, wat is een delighter, klanttevredenheid model, noriaki kano, feature classificatie en wow factor product. Er staat meteen bij wanneer je hem niet moet gebruiken: voor een algemene SWOT of generieke prioritering zijn andere skills bedoeld.
Daarna volgt het framework zelf: de vijf categorieën met per categorie een voorbeeld, en het dynamische principe Kano Drift als apart onderdeel. Pas daarna komt de werkwijze, en die telt zeven stappen. Stap 1 is de featurelijst opstellen of uitvragen. Stap 2 is de context ophalen: wie is de klant, welk segment, welke fase van de productlevenscyclus, welke concurrenten. Stap 3 is het vragenpaar, dat de skill het functional pair noemt: de functionele vraag hoe je je voelt als de feature er wel is, en de disfunctionele vraag hoe je je voelt als hij er niet is. Beide antwoorden gaan op dezelfde vijfpuntsschaal.
Stap 4 is de belangrijkste, en de instructie is daar opvallend streng geformuleerd: combineer de twee antwoorden in de evaluatietabel van Berger uit 1993 en lees de categorie af. Je interpreteert niet zelf, je leest af. Stap 5 bepaalt per feature het effect op klanttevredenheid, de prioriteit en de ontwikkelactie. Stap 6 controleert op Kano Drift, met de concrete vraag of deze feature de komende twee jaar naar een andere categorie verschuift. Stap 7 levert een roadmap met vijf concrete acties met tijdlijn, inclusief wat je actief schrapt.
De tabel zelf staat voluit in het bestand, en die zie je in FIG.03 hieronder terug. Er staat ook een instructie voor meerdere respondenten: tel per feature hoe vaak elke categorie voorkomt en neem de meest genoemde, en ligt het dicht bij elkaar, zeg dan dat er geen eenduidige categorie is. Optioneel, als er genoeg respondenten zijn, mag de skill de twee coëfficiënten van Berger berekenen. De tevredenheidscoëfficiënt is A plus O gedeeld door A plus O plus M plus I, en de ontevredenheidscoëfficiënt is O plus M gedeeld door dezelfde noemer. Hoe dichter bij 1, hoe sterker het effect.
Verder ligt de outputstructuur vast in vijf onderdelen: een contextsamenvatting van drie tot vijf regels, de classificatietabel met per feature het functionele en disfunctionele antwoord, de categorie, de ontwikkelactie en de drift, daarna de prioriteit per categorie, dan de Kano Drift waarschuwing en tot slot de vijf acties met tijdlijn. Het bestand sluit af met zeven weigeringen, vijf grenzen van het model en vijf bronnen. Wil je zelf zo'n bestand leren schrijven, dan legt SKILL.md schrijven die opbouw stap voor stap uit.
Nog een detail dat de moeite waard is, want het is precies het soort regel dat de meeste AI-antwoorden missen: heb je geen echte enquetedata, dan schat de skill de antwoorden in op basis van de klantcontext die jij geeft, en zegt hij er expliciet bij dat het een inschatting is en geen meting. Hij doet dus wel iets zonder onderzoek, maar hij noemt het niet anders dan het is.
Dit is de tabel van Berger uit 1993, zoals hij letterlijk in de SKILL.md staat. De rijen zijn het antwoord op de functionele vraag, de kolommen het antwoord op de disfunctionele vraag. Waar de twee elkaar kruisen staat de categorie. Drie cellen lichten om beurten op: dat zijn de drie kruisingen uit het voorbeeld van FIG.01.
| functioneel omlaag / disfunctioneel opzij |
Leuk | Hoort zo | Neutraal | Kan ermee leven | Vervelend |
|---|---|---|---|---|---|
| Leuk | Q | A | A | A | O |
| Hoort zo | R | I | I | I | M |
| Neutraal | R | I | I | I | M |
| Kan ermee leven | R | I | I | I | M |
| Vervelend | R | R | R | R | Q |
De SKILL.md noemt vijf bronnen bij naam, met jaartal en vindplaats, en dat is bewust: dan kun je ze nalezen en zelf bepalen of je het ermee eens bent. Ze staan hier in de volgorde waarin ze het model hebben opgebouwd.
De methode komt van Noriaki Kano. Samen met Seraku, Takahashi en Tsuji publiceerde hij in 1984 het artikel Attractive Quality and Must-be Quality in het Journal of the Japanese Society for Quality Control. Dat is de bron van het kernidee: kwaliteit is niet één schaal. Er bestaat kwaliteit die je moet hebben, kwaliteit waarin je beter kunt worden, en kwaliteit die verrast. Dat onderscheid klinkt vanzelfsprekend tot je een roadmap voor je hebt waarin alle drie door elkaar staan.
De evaluatietabel komt van Berger en collega's. Hun artikel Kano's Methods for Understanding Customer-defined Quality uit 1993 leverde de werkwijze die deze skill letterlijk overneemt: het vragenpaar, de vijfpuntsschaal en de kruistabel uit FIG.03. Ook de twee coëfficiënten komen daarvandaan. Dit is de reden dat de instructie zegt dat je afleest en niet interpreteert: de vertaalslag van antwoorden naar categorie is vastgelegd, niet aan de analist.
De toepassing in productontwikkeling komt van Sauerwein, Bailom, Matzler en Hinterhuber. Hun paper The Kano Model: How to Delight Your Customers uit 1996 beschrijft hoe je het model in de praktijk inzet, en Matzler en Hinterhuber koppelden het in 1998 in Technovation aan Quality Function Deployment. Daar komt de nadruk vandaan op wat je met de uitkomst doet, dus de ontwikkelactie per categorie in plaats van alleen een label.
De kritiek komt van Witell en Löfgren. Classification of Quality Attributes uit 2007 gaat over de zwakke plekken en de betrouwbaarheid van de methode, en het is veelzeggend dat een skill die het model wil gebruiken zijn eigen criticus in de bronnenlijst opneemt. Die kritiek zie je terug in de grenzen verderop: het model meet gestelde voorkeur en niet gedrag, en kleine steekproeven geven schijnzekerheid.
Ook zonder de skill te installeren kun je met deze principes je eigen lijst opschonen: stel per feature beide vragen, kijk waar de twee antwoorden je brengen, en durf op te schrijven wat je niet gaat bouwen. Leg je het model naast andere prioriteringsmethoden, dan is de RICE Prioritering skill de logische tweede blik, want die rekent met bereik en inspanning waar Kano alleen naar tevredenheid kijkt.
De SKILL.md bevat een lijst van zeven dingen die de skill nooit doet, en die lijst is minstens zo belangrijk als wat hij wel doet. Een Kano-analyse ziet er namelijk uit als onderzoek, ook als er geen enkele respondent aan te pas kwam. In het gesprek pakken die zeven regels zo uit: elke regel is een verzoek dat je zou kunnen doen, met de reactie die de skill volgens zijn eigen instructies geeft.
De zip is 5,5 KB en bevat één map, ai-kano-model-analist, met daarin de SKILL.md inclusief de volledige evaluatietabel. Installeren is een kwestie van het bestand op de juiste plek zetten, en die plek verschilt per omgeving. SKILL.md is sinds december 2025 een open standaard, en dezelfde skill werkt daardoor ook in Codex, Cursor en Gemini CLI. Je downloadt dus geen Claude-bestand maar een werkinstructie die elke moderne AI-assistent kan lezen. Loop je vast, dan staat de volledige route in Claude skills installeren.
~/.claude/skills/ (of .claude/skills/ in je project)./ai-kano-model-analist.AGENTS.md in je repo.AGENTS.md.Daarna is het gebruik simpel: plak je featurelijst en beschrijf erbij voor wie je bouwt, in welke fase je zit en wat concurrenten standaard bieden. Die vier stukken context zijn geen formaliteit, want de skill weigert te analyseren zolang ze ontbreken. Heb je echte enquetedata, geef die dan mee als antwoordparen per respondent: dan telt de skill de categorieën en neemt hij de meest genoemde in plaats van te schatten. In de kennisbank staat de bredere uitleg over werken met AI.
Op zijn sterkst is hij op het moment dat er te veel op de lijst staat en te weinig capaciteit is: MVP-scope bepalen, een kwartaalroadmap knippen, of een backlog opschonen die drie jaar is aangegroeid. Ook bij het opzetten van een klantenquete is hij nuttig, want het formuleren van een goed vragenpaar is lastiger dan het lijkt en de skill kent de schaal en de tabel uit zijn hoofd.
Er zijn ook situaties waarin je hem beter laat liggen. Voor een algemene sterkte-zwakteanalyse of generieke prioritering is dit het verkeerde instrument, en dat zegt het bestand zelf in de frontmatter. Voor de marktkant kun je beter beginnen bij de SWOT-analyse skill, en voor de vraag of het verdienmodel eromheen klopt bij de Business Model Canvas Coach skill.
Daarnaast staan er vijf grenzen van het model zelf in, en die zijn eerlijker dan je van een instructiebestand zou verwachten. Het model meet gestelde voorkeur, niet gedrag. Wat mensen zeggen over een feature die nog niet bestaat, wijkt vaak af van wat ze doen als hij er is. De categorieën zijn momentopnames. Kano Drift is volgens het bestand geen randopmerking maar de belangrijkste beperking van het model. Delighters zijn moeilijk uit te vragen, want een klant kan niet verlangen naar iets dat hij zich niet kan voorstellen: vul die kant aan met observatie en met klachten over het huidige werkproces.
Het model zegt niets over kosten, haalbaarheid, technische afhankelijkheden of juridische verplichtingen, dus leg de uitkomst daar altijd naast. En kleine steekproeven geven schijnzekerheid: onder ongeveer twintig respondenten per segment praat je over signalen, niet over categorieën.
Die laatste grens verdient een waarschuwing die de skill zelf al geeft maar die makkelijk wegvalt in de nette tabel. Als je zonder respondenten werkt, staat er in de output dat het een inschatting is. Neem die zin serieus. Een ingeschatte categorie is een gestructureerde aanname, geen meting, en de tabel eromheen maakt hem niet waarder. Wil je de aannames onder je product eerst toetsen bij echte klanten, dan is de MOM Test Coach skill daarvoor gemaakt: die leert je vragen stellen waarop mensen niet beleefd kunnen liegen.
Deze skill is de gratis doe-het-zelf-versie van werk dat we ook als dienst leveren. De skill blijft compleet en zonder addertjes, maar besef wat een skill is: hij leert je AI hoe hij iets doet, terwijl elke nieuwe sessie leeg begint. De skill is niet de motor en niet het geheugen. Jij prompt, jij levert elke keer opnieuw de context, jij controleert. Wie dat anders wil, heeft twee vervolgstappen: de motor uit handen geven, of het geheugen regelen.
Trede 3 verdient meer dan een alinea, want dit is het verschil tussen een slimme chat en een systeem waar je op kunt bouwen. En bij deze skill in het bijzonder: Kano Drift betekent dat je de analyse elk kwartaal opnieuw doet, en dan wil je weten wat de vorige ronde opleverde. Jarvis is het organisatiebrein: het onthoudt wat je AI's moeten weten, verdeelt het werk en houdt bij wat er gebeurde. Je merkt het als eerste bij de start van een nieuwe sessie.
Wij draaien zelf al maanden op dit systeem. Elke agent-sessie, elke taak en elke beslissing wordt erin gelogd en is terug te lezen. Een nieuwe sessie begint daardoor niet blanco: hij haalt eerst de vastgelegde besluiten, de lopende projecten en de laatste wijzigingen op, en werkt verder waar de vorige stopte. We beschrijven dus geen belofte maar de werkwijze waar we zelf dagelijks in werken.
Bekijk de vier plannen op jarvis/prijzen. Via de wachtlijst geef je alleen vrijblijvend je voorkeursplan door. Dat maakt nog geen account, bestelling of betalingsplicht. Zakelijk maatwerk bespreken we eerst.
Een Kano-analyse staat nooit op zichzelf. Er gaat een aanname aan vooraf over wie je klant is en wat hij wil bereiken, en er komt een planning achteraan waarin capaciteit en bereik meewegen. Deze skills uit dezelfde bibliotheek pakken elk een ander stuk van die keten.
Kano ordent features die er al zijn. Deze drie bepalen of het de juiste features zijn.
Business Model Canvas CoachValidatie: het model eromheen, van klantsegment tot verdienmodel, waar features maar een blokje in zijn.SKILL Lean Canvas StrateegValidatie: het probleem en de oplossing scherp krijgen voordat je functies gaat sorteren.SKILL Value Proposition CanvasValidatie: koppelt wat je bouwt aan de pijnen en winsten van de klant, de laag onder de categorie.SKILLHet model meet gestelde voorkeur. Deze twee halen op wat mensen werkelijk doen en willen bereiken.
Jobs to be Done AnalistKlanttaken: waarvoor huurt iemand je product in, de vraag onder elke featurediscussie.SKILL MOM Test CoachValidatie: klantgesprekken waarin mensen niet beleefd kunnen liegen, precies de zwakke plek van enquetes.SKILLKano zegt niets over bereik, inspanning of capaciteit. Deze drie doen dat wel.
RICE PrioriteringRoadmap: rekent met bereik, impact, zekerheid en inspanning, de kant die Kano bewust weglaat.SKILL MoSCoW Prioritering CoachOrdening: must, should, could en won't, handig als je de Kano-uitkomst naar een sprintplanning vertaalt.SKILL OKR CoachDoelen: hangt de gekozen features aan een meetbaar doel, zodat de roadmap ergens naartoe werkt.SKILLWat basis is en wat wow is, hangt af van de markt en van wat mensen ervoor over hebben.
SWOT-analyseToets: legt je aanbod naast de markt, waar Kano alleen naar de featurelijst kijkt.SKILL Prijsstrategie CoachBetalingsbereidheid: tevredenheid is niet hetzelfde als bereidheid te betalen, dat vraagt een eigen analyse.SKILLNieuw met skills? Deze drie leggen het systeem uit voordat je gaat downloaden.
Wat zijn Claude skillsHet idee achter SKILL.md en waarom een instructiebestand meer doet dan een prompt.BLOG Claude skills installerenDe volledige installatieroute per omgeving, uitgebreider dan het drieluik hierboven.BLOG SKILL.md schrijvenZelf een skill maken, inclusief de opbouw met weigeringen en outputformat.BLOGWaar deze skill vandaan komt en wat er nog meer is.
De hele skill-bibliotheekAlle 100 gratis skills op een rij, per onderwerp gesorteerd.HUB AI en automatisatieDe dienst erachter: van losse skills naar werkende automatisering in je bedrijf.SRV AI-trainingenAls je team dit soort werk zelf wil leren opzetten.SRV KennisbankArtikelen over SEO, AI en online zichtbaarheid, doorzoekbaar.DOCNiets. De skill is gratis, valt onder de MIT-licentie en je hoeft geen account aan te maken en geen e-mailadres achter te laten. Je downloadt een zip van 5,5 KB met daarin een map en een enkel bestand, SKILL.md, en dat is de complete skill. Er is geen betaalde versie en er komt geen verkoopmail achteraan.
Ja. SKILL.md is sinds december 2025 een open standaard, en hetzelfde bestand werkt daardoor ook in Codex, Cursor, Gemini CLI en andere tools die de standaard volgen. In Codex pak je de zip uit in .agents/skills/ in je project, of in ~/.agents/skills/ voor al je projecten; Codex ondersteunt SKILL.md sinds de open standaard van december 2025 rechtstreeks. De inhoud van SKILL.md in je AGENTS.md zetten kan ook nog steeds. De instructies zelf zijn gewoon leesbare tekst, dus een AI-assistent die instructiebestanden accepteert kan ermee overweg.
Vijf. Must Be zijn basisfeatures die niemand prijst maar waarvan het ontbreken de review verwoest. One Dimensional zijn prestatiefeatures waarbij tevredenheid lineair meestijgt, zoals snelheid of accuduur. Attractive zijn de wow-features die klanten niet verwachten en die loyaliteit opleveren. Indifferent zijn features waar de klant niets om geeft. Reverse zijn features die juist ergernis opleveren. Daarnaast kent de evaluatietabel de uitkomst Q van Questionable, en dat is geen zesde categorie maar het signaal dat de antwoorden elkaar tegenspreken.
Met twee vragen per feature. De functionele vraag is hoe je je voelt als de feature er wel is, de disfunctionele vraag hoe je je voelt als hij er niet is. Beide antwoorden gaan op dezelfde vijfpuntsschaal: ik vind het leuk, het hoort zo, neutraal, ik kan ermee leven, ik vind het vervelend. De combinatie van die twee antwoorden wordt opgezocht in de evaluatietabel van Berger uit 1993. De instructie is uitdrukkelijk dat de skill niet zelf interpreteert maar afleest.
Nee. Zonder respondenten levert de skill een inschatting op basis van de klantcontext die jij geeft, en zegt hij er expliciet bij dat het een inschatting is en geen meting. Hij noemt geen percentages, aantallen respondenten of tevredenheidscoefficienten die hij niet heeft gekregen, en hij poetst een Q-uitkomst niet weg door er zelf een categorie van te maken.
De verschuiving van een feature naar een andere categorie in de loop van de tijd. Wat vandaag een delighter is, wordt morgen een prestatiefeature en daarna een basisfeature. Het voorbeeld in de skill is de achteruitrijcamera in een auto: in 2005 een wow-factor, in 2015 verwacht, en sinds juli 2024 moet elke nieuw geregistreerde auto in de EU achteruitrijdetectie hebben, met een camera of met sensoren. Dat staat in Verordening (EU) 2019/2144, die de eis sinds juli 2022 stelt aan nieuwe typegoedkeuringen en sinds juli 2024 aan alle nieuw geregistreerde voertuigen. De skill benoemt per delighter of prestatiefeature wanneer die naar verwachting Must Be wordt, want dat bepaalt wanneer je hem bouwt.
Als je gedrag wilt voorspellen in plaats van tevredenheid: het model meet gestelde voorkeur, en wat mensen zeggen over een feature die nog niet bestaat wijkt vaak af van wat ze doen als hij er is. Ook zegt het model niets over kosten, haalbaarheid, technische afhankelijkheden of juridische verplichtingen, dus leg de uitkomst daar altijd naast. En onder ongeveer twintig respondenten per segment praat je over signalen en niet over categorieen.
Je kunt de perfecte features bouwen en toch onzichtbaar blijven. Wordt je product nauwelijks gevonden, dan is dat het probleem voor de roadmap, niet erna. De gratis SEO scan laat in enkele seconden zien waar je site staat. En wil je doorpraten over wat AI verder voor je bedrijf kan doen, van losse skills tot volledige automatisering, dan doen we dat gewoon in een gesprek.
