Artikel

Service Design

Kano-Modell: Anleitung, Praxisbeispiel & Fragebogen-Vorlage

Das Kano-Modell Schritt für Schritt: Praxisleitfaden mit Servicebeispiel, Methodenvergleich, Kano-Fragebogen-Vorlage & Auswertungstabelle zum Sofort-Einsatz.

Veroeffentlicht am: 22. Februar 2026 Aktualisiert am: 19. Februar 2026 von SI Labs

Das Kano-Modell (auch Kano-Analyse oder Kano-Diagramm) ist eine Methode zur Klassifikation von Produkt- und Servicemerkmalen nach ihrer Wirkung auf die Kundenzufriedenheit. Das Modell unterscheidet fünf Kategorien — Basismerkmale, Leistungsmerkmale, Begeisterungsmerkmale, unerhebliche Merkmale und Rückweisungsmerkmale — und zeigt damit, dass nicht alle Features gleich auf die Zufriedenheit wirken. Entwickelt wurde es 1984 von Noriaki Kano an der Tokyo University of Science [1].

Was das Kano-Modell von einfachen Prioritätslisten unterscheidet: Es macht die Asymmetrie der Kundenzufriedenheit sichtbar. Ein fehlendes Basismerkmal erzeugt massive Unzufriedenheit, aber seine Anwesenheit erzeugt keine Begeisterung. Ein Begeisterungsmerkmal erzeugt Freude, aber sein Fehlen erzeugt keine Unzufriedenheit. Diese Asymmetrie erklärt, warum manche Teams perfekte Features bauen und trotzdem unzufriedene Kunden haben — sie investieren in Begeisterung, während die Basis bröckelt.

Suchst du nach „Kano-Modell”, findest du Dutzende Ergebnisse mit denselben Smartphone- und Autobeispielen. Keines zitiert Kanos Originalpaper von 1984. Keines zeigt die Methode in einem Serviceprozess. Keines erklärt, dass Kano-Kategorien ein Verfallsdatum haben — dass das, was heute begeistert, in drei Jahren Basiserwartung ist. Und keines vergleicht Kano systematisch mit MoSCoW, RICE oder Scoring-Modellen.

Dieser Leitfaden schließt diese Lücken.

Von Noriaki Kano zur modernen Produktentwicklung: Woher die Methode kommt

Noriaki Kano (geb. 1940), Professor an der Tokyo University of Science, veröffentlichte 1984 gemeinsam mit Seraku, Takahashi und Tsuji das Paper Attractive Quality and Must-Be Quality — die Grundlage des heutigen Kano-Modells [1]. Kanos zentrale Erkenntnis: Die Beziehung zwischen der Erfüllung eines Merkmals und der Kundenzufriedenheit ist nicht linear. Manche Merkmale erzeugen überproportionale Zufriedenheit, manche erzeugen bei Nichterfüllung überproportionale Unzufriedenheit — und manche bewegen die Zufriedenheit kaum.

Diese Theorie der asymmetrischen Qualitätswahrnehmung war eine direkte Antwort auf die damals vorherrschende Annahme, dass „mehr Qualität = mehr Zufriedenheit” gelte. Kano zeigte: Das stimmt nur für eine Kategorie von Merkmalen.

Charles Berger et al. formalisierten 1993 die Methodik für den englischsprachigen Raum und führten die standardisierte Auswertungstabelle (funktional × dysfunktional Kreuztabulation) sowie den Customer Satisfaction Coefficient ein [2]. Matzler und Hinterhuber (1998) integrierten das Kano-Modell in Quality Function Deployment (QFD), wodurch es in der systematischen Produktentwicklung Verbreitung fand [3].

Die 5 Kategorien im Detail

Kategorie	Japanisch	Wirkung auf Zufriedenheit	Beispiel (Versicherungs-Kundenportal)
Basismerkmale (Must-be)	当たり前品質	Abwesenheit → starke Unzufriedenheit. Anwesenheit → keine besondere Zufriedenheit	Einloggen funktioniert, Vertragsdaten sind korrekt, SSL-Verschlüsselung
Leistungsmerkmale (Performance)	一元的品質	Je besser erfüllt, desto zufriedener. Linearer Zusammenhang	Ladezeit des Portals, Antwortzeit auf Anfragen, Übersichtlichkeit der Navigation
Begeisterungsmerkmale (Attractive)	魅力的品質	Anwesenheit → starke Zufriedenheit. Abwesenheit → keine Unzufriedenheit	Automatische Schadensstatus-Updates per Push, personalisiertes Dashboard, Dokument-Upload per Smartphone-Kamera
Unerhebliche Merkmale (Indifferent)	無関心品質	Weder Zufriedenheit noch Unzufriedenheit, egal ob vorhanden	Wahl zwischen 12 verschiedenen Farbthemen
Rückweisungsmerkmale (Reverse)	逆品質	Anwesenheit → Unzufriedenheit	Automatische Weiterleitung persönlicher Daten an Drittanbieter

Die entscheidende Erkenntnis: Basismerkmale sind unsichtbar, solange sie funktionieren. Kunden erwähnen sie in offenen Befragungen nicht — weil sie selbstverständlich sind. Erst wenn sie fehlen, wird die Unzufriedenheit sichtbar. Deshalb übersehen Feature-Priorisierungen, die auf offenen Kundenbefragungen basieren, systematisch die Basismerkmale [1].

Zeitliche Dynamik: Warum Begeisterung zu Basis wird

Ein Aspekt, den die meisten Darstellungen nur oberflächlich erwähnen: Kano-Kategorien sind nicht stabil. Kano selbst beschrieb 2001 in Life Cycle and Creation of Attractive Quality die systematische Migration von Qualitätsmerkmalen [4]:

Begeisterung → Leistung → Basis

Was heute begeistert, wird morgen erwartet. Beispiel: 2015 war eine mobile App für die Schadenbearbeitung ein Begeisterungsmerkmal bei Versicherungen. 2020 wurde sie zum Leistungsmerkmal (Kunden verglichen, welche App besser war). 2025 ist sie Basismerkmal — wer keine mobile Schadenbearbeitung anbietet, erzeugt Unzufriedenheit.

Was das für dich bedeutet: Eine Kano-Analyse hat ein Verfallsdatum. In dynamischen Märkten (SaaS, Telko, Finanzdienstleistungen) solltest du sie alle 12–18 Monate wiederholen. In stabileren Branchen (Maschinenbau, öffentliche Verwaltung) kann der Zyklus länger sein.

Wann eignet sich das Kano-Modell?

Das Kano-Modell ist am wertvollsten, wenn du verstehen willst wie Features auf die Zufriedenheit wirken — nicht nur ob Kunden sie wollen.

Nutze das Kano-Modell, wenn:

Du eine Feature-Liste priorisieren musst und wissen willst, welche Features den größten Zufriedenheitseffekt haben
Du Kundenforschungsdaten erheben kannst (Umfrage mit 30+ Antworten pro Segment)
Du verstehen willst, warum Kunden unzufrieden sind, obwohl du viele Features anbietest (Hinweis: Basismerkmale fehlen)
Du zwischen verschiedenen Kundensegmenten unterscheiden willst (was für Segment A Begeisterung ist, kann für Segment B Basis sein)
Du Stakeholder-Diskussionen objektivieren willst: „Die Kundendaten zeigen, dass Feature X ein Basismerkmal ist” ist überzeugender als „Ich glaube, Feature X ist wichtig”

Nutze ein anderes Werkzeug, wenn:

Situation	Bessere Alternative	Warum
Du brauchst eine schnelle Priorisierung ohne Kundenbefragung	MoSCoW	MoSCoW basiert auf Stakeholder-Einschätzung und braucht keinen Fragebogen
Du willst Impact vs. Aufwand quantifizieren	RICE Scoring	RICE berücksichtigt Reach, Impact, Confidence und Effort — Kano erfasst nur die Kundenseite
Du willst viele Kriterien gleichzeitig bewerten (Kosten, Machbarkeit, Strategie)	Scoring-Modell (gewichtete Kriterien)	Scoring-Modelle integrieren beliebig viele Bewertungsdimensionen
Du willst verstehen, warum Kunden ein Problem haben	Ishikawa-Diagramm	Ishikawa analysiert Ursachen, Kano analysiert Wirkungen
Du brauchst einen iterativen Verbesserungszyklus für bestehende Services	PDCA-Zyklus	PDCA verbessert iterativ, Kano priorisiert einmalig

Vergleich: Kano vs. MoSCoW vs. RICE vs. Scoring-Modell

Vier Priorisierungsmethoden im direkten Vergleich:

Dimension	Kano-Modell	MoSCoW	RICE Scoring	Scoring-Modell
Fokus	Kundenwahrnehmung (Zufriedenheitsasymmetrie)	Feature-Priorisierung (Muss/Soll/Kann/Nicht)	Quantitative Impact-Priorisierung	Gewichtete Kriterien-Bewertung
Datenquelle	Kundenumfrage (funktional/dysfunktional)	Stakeholder-Einschätzung	Reach, Impact, Confidence, Effort	Team-Bewertung gegen Kriterien
Komplexität	Mittel — Survey-Design + Auswertung	Niedrig — Workshop-Format	Mittel — erfordert Metriken	Niedrig bis Mittel
Am besten für	Verstehen, WARUM Features wichtig sind	Sprint/Release-Planung	Priorisierung mit begrenzten Ressourcen	Strategische Entscheidungen
Schwäche	Erfordert Kundenumfrage (zeitaufwändig)	Subjektiv, keine Kundendaten	Confidence oft geschätzt	Gewichtung der Kriterien subjektiv
Herkunft	Kano (1984), Japan	Dai Clegg (1994), Dynamic Systems Development	Sean McBride / Intercom (2016)	Entscheidungstheorie (diverse)

Unsere Empfehlung: Nutze Kano, wenn du Zeit für eine Kundenumfrage hast und die strategische Frage „Wie wirken unsere Features?” beantworten willst. Nutze MoSCoW oder RICE, wenn du eine schnelle operative Priorisierung ohne Kundendaten brauchst. Am besten: Kano für die strategische Priorisierung (jährlich), RICE für die operative Priorisierung (pro Sprint/Release).

Schritt für Schritt: Kano-Analyse durchführen

Zeitrahmen für die gesamte Kano-Analyse: Plane 2–3 Wochen ein: 3–5 Tage für Fragebogen-Design und Pilottest, 1–2 Wochen für Datenerhebung, 2–3 Tage für Auswertung und Visualisierung.

Schritt 1: Merkmale definieren

Liste die Features oder Service-Merkmale auf, die du bewerten willst. Entscheidend: Formuliere jedes Merkmal so konkret, dass Befragte wissen, was gemeint ist.

Schlecht formuliert	Gut formuliert
„Guter Kundenservice”	„Antwort auf deine Anfrage innerhalb von 4 Stunden”
„Modernes Design”	„Dunkel-Modus (Dark Mode) für das Kundenportal”
„Schnelle Bearbeitung”	„Schadenstatus-Updates in Echtzeit per Push-Nachricht”

Typische Anzahl: 15–25 Merkmale pro Befragung. Mehr als 30 erzeugt Befragungsmüdigkeit und senkt die Antwortqualität.

Schritt 2: Kano-Fragebogen erstellen

Für jedes Merkmal stellst du zwei Fragen — eine funktionale und eine dysfunktionale:

Funktionale Frage: „Wie würdest du es empfinden, wenn das Kundenportal Echtzeit-Schadenstatus-Updates per Push-Nachricht bieten würde?”

Dysfunktionale Frage: „Wie würdest du es empfinden, wenn das Kundenportal KEINE Echtzeit-Schadenstatus-Updates per Push-Nachricht bieten würde?”

Antwortoptionen (identisch für beide Fragen):

Das würde mich sehr freuen
Das setze ich voraus
Das ist mir egal
Das könnte ich in Kauf nehmen
Das würde mich sehr stören

Häufiger Fehler beim Fragebogen-Design: Teams verwenden Fachbegriffe statt Alltagssprache. „API-Integration” sagt dem Kunden nichts — „automatischer Datenabgleich mit deiner Buchhaltungssoftware” schon.

Hinweis zu Survey-Tools: Standard-Umfragetools (Google Forms, Typeform) unterstützen das funktionale/dysfunktionale Fragenpaar nicht nativ — du musst beide Fragen manuell als aufeinanderfolgende Fragen anlegen. Spezialisierte Kano-Tools (z. B. Survalyzer, Kano-Analyse in Qualtrics) automatisieren die Auswertungstabelle. Ab 20+ Merkmalen lohnt sich der Einsatz eines spezialisierten Tools.

Schritt 3: Daten erheben

Mindest-Stichprobe: 30 Antworten pro Kundensegment. Unter 30 sind die Kategorisierungen statistisch nicht belastbar.

Segmentierung: Wenn du verschiedene Kundengruppen hast (z. B. Privatkunden vs. Geschäftskunden, Neukunden vs. Bestandskunden), erhebe die Daten getrennt. Was für Privatkunden Begeisterung ist, kann für Geschäftskunden Basis sein.

Rücklaufquoten planen: Bei internen Umfragen (z. B. an die eigenen Unternehmenskunden) kannst du mit 30–50 % Rücklauf rechnen. Bei externen B2B-Umfragen liegt die typische Rücklaufquote bei 10–20 %. Tipps für höhere Rücklaufquoten: Halte die Umfrage unter 10 Minuten, sende personalisierte Einladungen und setze nach 5 Tagen eine Erinnerung. Incentives (z. B. Ergebniszusammenfassung) helfen bei externen Befragungen.

Schritt 4: Auswertungstabelle anwenden

Die Kombination aus funktionaler und dysfunktionaler Antwort bestimmt die Kategorie:

	Dysfunktional: Sehr freuen	Voraussetzen	Egal	In Kauf nehmen	Sehr stören
Funktional: Sehr freuen	Q	A	A	A	O
Voraussetzen	R	I	I	I	M
Egal	R	I	I	I	M
In Kauf nehmen	R	I	I	I	M
Sehr stören	R	R	R	R	Q

Legende: M = Must-be (Basis), O = One-dimensional (Leistung), A = Attractive (Begeisterung), I = Indifferent (Unerheblich), R = Reverse (Rückweisung), Q = Questionable (Fragwürdig)

Umgang mit „Q”-Antworten: Q-Klassifikationen entstehen, wenn funktionale und dysfunktionale Antwort sich widersprechen (z. B. „Würde mich sehr freuen” + „Würde mich sehr freuen”). Eine Q-Rate über 10 % deutet auf schlecht formulierte Fragen hin — nicht auf verwirrte Kunden. Überarbeite die Fragen und wiederhole die Erhebung für die betroffenen Merkmale.

Schritt 5: Ergebnisse visualisieren und priorisieren

Diskrete Auswertung: Ordne jedem Merkmal die häufigste Kategorie zu. Einfach, aber verliert Nuancen bei heterogenen Verteilungen.

Kontinuierliche Auswertung (empfohlen): Berechne den Customer Satisfaction Coefficient nach Berger et al. [2]:

CS+ (Zufriedenheits-Koeffizient) = (A + O) / (A + O + M + I) → Wie stark steigert dieses Merkmal die Zufriedenheit?
CS- (Unzufriedenheits-Koeffizient) = (O + M) / (A + O + M + I) × (-1) → Wie stark senkt das Fehlen dieses Merkmals die Zufriedenheit?

Trage CS+ (Y-Achse) gegen CS- (X-Achse) in einem Streudiagramm ab — das ist das Kano-Diagramm. Features oben rechts (hohes CS+, hohes CS-) sind Leistungsmerkmale. Features oben links (hohes CS+, niedriges CS-) sind Begeisterungsmerkmale. Features unten rechts (niedriges CS+, hohes CS-) sind Basismerkmale.

Beispiel: Kano-Analyse für ein Versicherungs-Kundenportal

Kontext: Ein mittelgroßer Versicherer plant den Relaunch seines Kundenportals. Das Produktteam hat 18 potenzielle Features identifiziert. Budget und Zeit reichen für 10 Features in Version 1. Die Frage: Welche 10?

Das Team führt eine Kano-Befragung mit 87 Privatkunden und 43 Geschäftskunden durch. Ergebnis (Auszug):

Feature	Privatkunden	Geschäftskunden	Entscheidung
SSL-Verschlüsselung	Basis	Basis	V1 — Pflicht
Vertragsdaten einsehen	Basis	Basis	V1 — Pflicht
Schadensstatus-Tracking	Leistung	Basis	V1 — Pflicht
Dokument-Upload per Kamera	Begeisterung	Leistung	V1 — hohes Potenzial
Push-Benachrichtigungen	Begeisterung	Unerheblich	V1 — für Privatkunden
Dark Mode	Unerheblich	Unerheblich	V2 — niedrige Priorität
Chatbot-Support	Leistung	Rückweisung	Segmentiert: ja für Privat, nein für Geschäft
API-Anbindung Buchhaltung	Unerheblich	Begeisterung	V1 — für Geschäftskunden

Erkenntnis: Ohne Segmentierung hätten „Push-Benachrichtigungen” und „API-Anbindung” als Gesamtdurchschnitt wahrscheinlich als „Unerheblich” klassifiziert — weil sich die entgegengesetzten Bewertungen der Segmente neutralisieren. Erst die getrennte Auswertung zeigt, dass beide Features für ihr jeweiliges Segment hohen Wert haben.

Nächster Schritt: Die Basismerkmale (SSL, Vertragsdaten) gehen garantiert in V1 — hier gibt es keine Diskussion. Dann die Leistungsmerkmale (Schadensstatus, Dokument-Upload). Dann die segmentspezifischen Begeisterungsmerkmale. Unerhebliche Merkmale werden bewusst auf V2 verschoben — auch wenn einzelne Stakeholder sie fordern.

Hinweis: Dieses Beispiel ist illustrativ konstruiert, um die Methode im Servicekontext zu demonstrieren. Die Kategorisierungen basieren auf typischen Branchenwerten.

Kano-Fragebogen: Vorlage zum Sofort-Einsatz

Diese Vorlage kannst du direkt für deine nächste Kano-Analyse verwenden:

Vorbereitung

15–25 konkrete Merkmale formuliert (Alltagssprache, keine Fachbegriffe)
Für jedes Merkmal je eine funktionale und dysfunktionale Frage formuliert
Kundensegmente definiert (wer wird getrennt ausgewertet?)
Mindest-Stichprobe geplant: 30+ pro Segment

Durchführung

Fragebogen erstellt (Online-Tool: Google Forms, Typeform, SurveyMonkey)
Pilottest mit 3–5 Personen durchgeführt (versteht jeder die Fragen?)
Daten erhoben
Q-Rate geprüft: >10 % → Fragen überarbeiten

Auswertung

Auswertungstabelle angewendet (funktional × dysfunktional)
Ergebnisse nach Kundensegmenten getrennt
CS-Koeffizienten berechnet (CS+ und CS-)
Kano-Diagramm erstellt (CS+ vs. CS-)

Priorisierung

Basismerkmale → Pflicht (nicht verhandelbar)
Leistungsmerkmale → Investition (je besser, desto zufriedener)
Begeisterungsmerkmale → Differenzierung (Wettbewerbsvorteil)
Unerhebliche Merkmale → Streichen oder verschieben
Rückweisungsmerkmale → Vermeiden

Nächster Schritt nach der Priorisierung: Übertrage die Kano-Kategorien in dein Backlog. Basismerkmale werden zu Must-Have-Stories (nicht verhandelbar). Leistungsmerkmale gehen in die Impact-Bewertung — kombiniere sie mit RICE, um Aufwand und Reichweite einzubeziehen. Begeisterungsmerkmale werden zu strategischen Differenzierungsinitiativen mit eigenem Business Case. Unerhebliche und Rückweisungsmerkmale dokumentierst du als bewusste „Nicht bauen”-Entscheidung — das schützt vor Stakeholder-Diskussionen in 3 Monaten.

4 häufige Fehler bei der Kano-Analyse

1. Fragen in Fachsprache statt Kundensprache formulieren

Symptom: Hohe Q-Rate (>10 %), viele „Egal”-Antworten, Kunden brechen den Fragebogen ab.

Warum das schadet: Kunden, die die Frage nicht verstehen, antworten mit „Egal” oder geben widersprüchliche Antworten — beides verfälscht die Kategorisierung.

Lösung: Formuliere jedes Merkmal aus Kundensicht, in der Sprache, die Kunden verwenden. Teste den Fragebogen mit 3–5 echten Kunden, bevor du ihn an die gesamte Stichprobe sendest.

2. Ergebnisse nicht segmentieren

Symptom: Features werden als „Unerheblich” klassifiziert, obwohl einzelne Kundensegmente sie als Begeisterung oder Basis bewerten.

Warum das schadet: Gegensätzliche Bewertungen neutralisieren sich im Durchschnitt. Ein Feature, das für Privatkunden Begeisterung und für Geschäftskunden Rückweisung ist, erscheint als „Unerheblich” — obwohl es für beide Segmente hochrelevant ist.

Lösung: Definiere vor der Erhebung, welche Segmente getrennt ausgewertet werden. Erhebe pro Segment mindestens 30 Antworten.

3. Kano-Ergebnisse als dauerhaft behandeln

Symptom: Die Kano-Analyse von vor drei Jahren wird noch immer als Grundlage für Feature-Entscheidungen verwendet.

Warum das schadet: Kano-Kategorien migrieren systematisch: Begeisterung → Leistung → Basis [4]. Features, die 2023 begeisterten, sind 2026 möglicherweise Basiserwartung. Wer mit veralteten Daten priorisiert, investiert in gestern.

Lösung: Wiederhole die Kano-Analyse regelmäßig — alle 12–18 Monate in dynamischen Märkten, alle 2–3 Jahre in stabilen Märkten.

4. Kano als alleiniges Priorisierungskriterium verwenden

Symptom: „Das ist ein Begeisterungsmerkmal, also bauen wir es” — ohne Rücksicht auf Kosten, Machbarkeit oder strategische Passung.

Warum das schadet: Kano beantwortet nur die Frage „Wie wirkt dieses Feature auf die Zufriedenheit?” — nicht „Was kostet es?”, „Wie viele Kunden betrifft es?” oder „Passt es zur Strategie?”

Lösung: Nutze Kano als einen Input in die Priorisierung, nicht als die Priorisierung. Kombiniere Kano mit RICE oder einem Scoring-Modell, um Kundensicht, Aufwand und Strategie gemeinsam zu berücksichtigen.

Wann das Kano-Modell NICHT funktioniert

1. Keine Möglichkeit zur Kundenbefragung: Kano erfordert direkten Kundenzugang. Wenn du deine Kunden nicht befragen kannst (z. B. bei anonymen Nutzern, regulatorischen Einschränkungen oder wenn das Produkt noch nicht existiert), liefert Kano keine Daten. Alternativen: MoSCoW-Workshop mit Stakeholdern, Jobs-to-be-Done-Interviews, oder Analyse von Support-Tickets und Bewertungen als Proxy.

2. Zu wenige Antworten pro Segment: Unter 30 Antworten pro Kundensegment sind die Kategorisierungen statistisch nicht belastbar. Eine Kano-Analyse mit 15 Antworten ist schlimmer als keine Analyse — sie erzeugt falsche Sicherheit.

3. Radikal neue Produkte oder Services: Kano funktioniert am besten für inkrementelle Feature-Entscheidungen in bestehenden Produkten. Wenn du ein komplett neues Servicekonzept testest, können Kunden die funktionale/dysfunktionale Frage oft nicht beantworten, weil sie sich das Feature nicht vorstellen können. Hier ist Design Thinking (Prototyping + Testing) besser geeignet. Der Morphologische Kasten hilft, den Lösungsraum systematisch zu erkunden, bevor du einzelne Features bewertest.

4. Kulturelle Unterschiede in internationalen Märkten: Was in Deutschland ein Basismerkmal ist, kann in Südkorea oder den USA als Begeisterung gelten. Eine einzige globale Kano-Analyse ignoriert diese kulturellen Unterschiede. Lösung: Pro Markt eine getrennte Erhebung.

5. Schnelllebige Kategorien: In Märkten mit extremer Innovationsgeschwindigkeit (z. B. generative AI, Consumer Tech) können Kano-Kategorien innerhalb von 6 Monaten migrieren — schneller als der Erhebungs- und Umsetzungszyklus. Hier ist eine kontinuierliche Feedback-Schleife (z. B. über Produktanalytics + NPS) oft praktikabler als eine periodische Kano-Befragung.

Variationen und fortgeschrittene Techniken

A-Kano: Das quantitative Kano-Modell

Das klassische Kano-Modell ist qualitativ — es sagt „Dieses Feature ist ein Leistungsmerkmal”, aber nicht „Eine 10 %-Verbesserung dieses Features steigert die Zufriedenheit um X Punkte.” Die analytische Erweiterung (A-Kano) schließt diese Lücke, indem sie quantitative Zufriedenheitswerte mit der Kano-Klassifikation kombiniert [5]. A-Kano eignet sich für Teams, die bereits Erfahrung mit dem klassischen Modell haben und ihre Priorisierung weiter verfeinern wollen.

Continuous Kano: Verlaufsdaten statt Momentaufnahme

Statt einer einmaligen Befragung wird die Kano-Analyse in regelmäßigen Abständen wiederholt — z. B. quartalsweise oder bei jedem größeren Release. Das erzeugt Verlaufsdaten, die zeigen, wie Features über die Zeit migrieren und wann ein Begeisterungsmerkmal zum Basismerkmal geworden ist.

Data-Driven Kano: Kano ohne Fragebogen

In Kontexten mit großen Nutzungsdaten (SaaS, E-Commerce, digitale Services) kann die Kano-Klassifikation aus Verhaltensdaten abgeleitet werden — z. B. aus der Korrelation zwischen Feature-Nutzung und NPS/CSAT [6]. Diese Methode erfordert Data-Science-Kompetenz, eliminiert aber die Abhängigkeit vom Fragebogen.

Häufig gestellte Fragen

Was ist das Kano-Modell?

Das Kano-Modell ist eine Methode zur Klassifikation von Produkt- und Servicemerkmalen nach ihrer Wirkung auf die Kundenzufriedenheit. Es wurde 1984 von Noriaki Kano entwickelt und unterscheidet fünf Kategorien: Basismerkmale (erwartet, Fehlen erzeugt Unzufriedenheit), Leistungsmerkmale (je besser, desto zufriedener), Begeisterungsmerkmale (unerwartet, erzeugen Freude), unerhebliche Merkmale (kein Einfluss) und Rückweisungsmerkmale (erzeugen Unzufriedenheit wenn vorhanden).

Wie führt man eine Kano-Analyse durch?

In fünf Schritten: (1) Merkmale definieren (15–25, konkret formuliert). (2) Fragebogen mit je einer funktionalen und dysfunktionalen Frage pro Merkmal erstellen. (3) Daten erheben (mindestens 30 Antworten pro Segment). (4) Antworten in der Auswertungstabelle klassifizieren. (5) CS-Koeffizienten berechnen und im Kano-Diagramm visualisieren.

Was ist der Unterschied zwischen Kano und QFD?

Kano klassifiziert Merkmale nach ihrer Zufriedenheitswirkung — es beantwortet „Wie wichtig ist dieses Feature für den Kunden?” QFD (Quality Function Deployment) übersetzt Kundenanforderungen in technische Spezifikationen — es beantwortet „Wie setzen wir das Feature technisch um?” Kano kann als Input für QFD dienen: Zuerst mit Kano priorisieren, dann mit QFD die wichtigsten Features technisch spezifizieren [3].

Wie viele Antworten braucht man für eine Kano-Analyse?

Mindestens 30 pro Kundensegment. Unter 30 sind die Kategorisierungen statistisch nicht belastbar. Für eine Gesamtauswertung ohne Segmentierung reichen 50–100 Antworten. Für drei Segmente (z. B. Privat, Gewerbe, Großkunden) brauchst du mindestens 90 Antworten — 30 pro Segment.

Wie oft sollte man eine Kano-Analyse wiederholen?

Alle 12–18 Monate in dynamischen Märkten (SaaS, Telko, Finanzdienstleistungen). Alle 2–3 Jahre in stabilen Märkten. Der Grund: Kano-Kategorien migrieren systematisch. Was heute begeistert, ist in 2–3 Jahren Basiserwartung [4].

Welche Vorteile hat das Kano-Modell gegenüber einfachen Priorisierungslisten?

Drei Vorteile: (1) Es macht die Asymmetrie sichtbar — nicht alle Features wirken gleich. (2) Es basiert auf Kundendaten, nicht auf Bauchgefühl oder Stakeholder-Lautstärke. (3) Es identifiziert Basismerkmale, die Kunden in offenen Befragungen nie erwähnen würden, deren Fehlen aber massive Unzufriedenheit erzeugt.

Forschungsmethodik

Dieser Artikel synthetisiert Erkenntnisse aus Kanos Originalpaper (1984), der methodischen Kodifizierung durch Berger et al. (1993), der Practitioner-Einführung durch Sauerwein et al. (1996) [8], Kanos eigener Lifecycle-Theorie (2001), einer aktuellen Service-Quality-Studie (Kermanshachi & Nipa 2022, N>400), dem systematischen Review der Kategorisierungsmethoden (Slevitch 2025) [7] sowie der Analyse von 10 deutschsprachigen Fachbeiträgen zum Kano-Modell.

Limitationen: Die akademische Literatur zur Kano-Anwendung in B2B-Serviceumgebungen ist begrenzt — die meisten Studien stammen aus der Produktentwicklung oder dem Gesundheitswesen. Das Praxisbeispiel (Versicherungs-Kundenportal) ist illustrativ konstruiert, nicht eine dokumentierte Fallstudie.

Offenlegung

SI Labs bietet Beratungsleistungen im Bereich Service Innovation an. In der Konzeptphase des Integrierten Service Entstehungs Prozess (iSEP) setzen wir das Kano-Modell ein, um Servicemerkmale zu priorisieren, bevor sie in die Entwicklung gehen. Diese Praxiserfahrung informiert die Einordnung der Methode in diesem Artikel. Leser sollten sich der möglichen Perspektivenverzerrung bewusst sein.

Quellenverzeichnis

[1] Kano, Noriaki, Nobuhiku Seraku, Fumio Takahashi, und Shinichi Tsuji. “Attractive quality and must-be quality.” Journal of the Japanese Society for Quality Control 14, Nr. 2 (1984): 39-48. DOI: 10.20684/quality.14.2_147 [Grundlagenwerk | Originalpaper | Zitationen: 6.000+ | Qualität: 95/100]

[2] Berger, Charles, Robert Blauth, David Boger, et al. “Kano’s Methods for Understanding Customer-defined Quality.” Center for Quality Management Journal Fall (1993): 3-36. [Methodische Kodifizierung | Practitioner Guide | Zitationen: 2.000+ | Qualität: 82/100]

[3] Matzler, Kurt, und Hans H. Hinterhuber. “How to Make Product Development Projects More Successful by Integrating Kano’s Model of Customer Satisfaction into Quality Function Deployment.” Technovation 18, Nr. 1 (1998): 25-38. DOI: 10.1016/S0166-4972(97)00072-2 [Journal Article | Kano+QFD Integration | Zitationen: 1.500+ | Qualität: 80/100]

[4] Kano, Noriaki. “Life Cycle and Creation of Attractive Quality.” 11th QMOD Conference, 2001. [Konferenzpaper | Kano selbst | Qualität: 85/100]

[5] Xu, Qianli, Roger J. Jiao, Xi Yang, Martin Helander, Khalid Halimahtun, und Anders Opperud. “An analytical Kano model for customer need analysis.” Design Studies 30, Nr. 1 (2009): 87-110. DOI: 10.1016/j.destud.2008.07.001 [Journal Article | A-Kano Methodology | Zitationen: 400+ | Qualität: 78/100]

[6] Kermanshachi, Sharareh, und Thahomina Jahan Nipa. “Service quality assessment and enhancement using Kano model.” PLoS ONE 17, Nr. 2 (2022): e0264423. DOI: 10.1371/journal.pone.0264423 [Empirische Studie | N>400 | Service Quality | Qualität: 72/100]

[7] Slevitch, Lisa. “Kano Model Categorization Methods: Typology and Systematic Critical Overview for Hospitality and Tourism Academics and Practitioners.” Journal of Hospitality & Tourism Research (2025). DOI: 10.1177/10963480241230957 [Systematic Review | Kategorisierungsmethoden | Qualität: 80/100]

[8] Sauerwein, Elmar, Franz Bailom, Kurt Matzler, und Hans H. Hinterhuber. “The Kano Model: How to Delight Your Customers.” International Working Seminar on Production Economics, Vol. 1 (1996): 313-327. [Konferenzpaper | Practitioner Introduction | Zitationen: 1.000+ | Qualität: 75/100]

← Alle Artikel