A Framework for Customer Needs Analysis: Integrating Dynamic Sentiment Lexicon Construction with Kano Model

Stel je voor dat je een detective bent die probeert het mysterie op te lossen van wat mensen echt willen van een product. In de zakenwereld wordt dit "customer needs analysis" genoemd. Lange tijd probeerden bedrijven dit op te lossen door papieren enquêtes uit te delen of mensen formulieren te laten invullen. Maar dat is alsof je probeert te raden wat een hele stad denkt door slechts vijf mensen op een straathoek te vragen—het is traag, vaak bevooroordeeld, en mensen vertellen misschien niet eens de waarheid.

Maak kennis met het tijdperk van het internet, waarin miljoens mensen een digitaal spoor van meningen achterlaten in de vorm van online reviews. Dit is een goudmijn aan data, maar het is rommelig. Om er zin van te krijgen, gebruiken wetenschappers twee belangrijke instrumenten. Eerst gebruiken ze "sentimentanalyse", wat als een kleurring voor tekst werkt; het probeert te achterhalen of een woord of zin blij, verdrietig, boos of enthousiast is. Ten tweede gebruiken ze het "Kano-model", een beroemd framework dat behoeften in categorieën sorteert: sommige zijn basisbehoeften (je moet ze hebben, anders ben je ontevreden), sommige zijn lineair (hoe meer je ervan hebt, hoe gelukkiger je bent), en sommige zijn "delighters" (onverwachte extraatjes die je van vreugde doen springen). Het probleem? Traditionele kleurringen zijn "statisch"—ze gebruiken een vast woordenboek dat geen rekening houdt met straattaal, sarcasme of context. En het Kano-model vertrouwt meestal op die trage, subjectieve enquêtes.

Dit artikel stelt een slimme nieuwe manier voor om deze instrumenten te combineren. De onderzoekers bouwden een "dynamische" kleurring die leert van de specifieke taal van autobezitters, en ze gebruikten deze om het Kano-model automatisch te voeden, waardoor ze de enquêtes volledig overslaan. Ze testten dit op bijna 9.000 reviews van nieuwe energievoertuigen (zoals elektrische auto's) om te zien of ze precies konden ontdekken waar bestuurders van houden, waar ze een hekel aan hebben en welke functies bedrijven als eerste moeten repareren.

---

De Nieuwe Gereedschapskist van de Detective

De onderzoekers, Qiong He en haar team van de Beijing Information Science & Technology University, realiseerden zich dat oude instrumenten niet meer mee konden komen met hoe mensen online daadwerkelijk praten. Als je zegt dat een auto "groot" is, ziet een statisch woordenboek dat misschien als een neutraal woord. Maar als je zegt "groot lawaai", dan is dat slecht. Als je zegt "grote kofferbak", dan is dat goed. Een standaard woordenboek kan het verschil niet zien zonder een mens die de context uitlegt.

Om dit op te lossen, bouwde het team een Dynamic Sentiment Lexicon. Denk hierbij aan een superintelligente, zelf-updatende woordenlijst die niet alleen woorden onthoudt, maar ook de vibe van het gesprek begrijpt. Ze gebruikten een krachtig AI-brein (genaamd BERT) dat zinnen leest zoals mensen dat doen, waarbij het naar de woorden vóór en na een term kijkt om de ware betekenis te begrijpen. Ze gebruikten ook een wiskundige truc genaamd TF-IDF-PageRank (een chique manier om te zeggen: "vind de belangrijkste woorden die samen voorkomen") om de beste startwoorden voor hun woordenlijst te selecteren.

Toen ze dit slimme woordenboek eenmaal hadden, stopten ze daar niet. Ze plugden het in het Kano-model. Normaal gesproken vereist het Kano-model dat een onderzoeker een klant vraagt: "Hoe zou je je voelen als deze functie bestaat?" en "Hoe zou je je voelen als deze niet bestaat?". Het team sloeg het vragen deel over. In plaats daarvan lieten ze hun AI duizenden reviews lezen, berekenden hoe blij of boos mensen waren over specifieke auto-onderdelen, en sorteerden die onderdelen automatisch in de Kano-categorieën.

De Zaak van de 9.000 Reviews

Het team zette hun framework op de proef met 8.970 online reviews van nieuwe energievoertuigen (NEV's) verzameld van een populaire Chinese autowebsite genaamd Dongchedi. Ze richtten zich op vijf grote merken: Tesla, BYD, Chang'an, NIO en Lixiang.

Na het opschonen van de data (het verwijderen van duplicaten en onzin) identificeerde hun systeem succesvol negen belangrijke productattributen waar klanten om geven. Deze varieerden van "Rijbereik" (hoe ver de auto komt op een lading) en "Ruimte" tot "Intelligentie" (slimme rijfuncties) en "Chassis-systeem" (het skelet en de rijkwaliteit van de auto).

Hier gebeurde de magie. De AI maakte de functies niet alleen op een lijst; de AI classificeerde ze met behulp van het Kano-model, wat de verborgen psychologie van de bestuurders onthulde:

• De "Moetjes" (Must-be Attributes): Het systeem vond dat Stoelen, het Chassis-systeem en de Rijervaring de basis zijn. Als deze slecht zijn, zijn klanten woedend. Maar als ze gewoon "goed" zijn, worden klanten niet enthousiast; ze verwachten het gewoon. Het is als het hebben van een dak op je huis: als het lekt, ben je boos, maar als het solide is, geef je geen feestje.
• De "Lineaire" Functies (One-dimensional Attributes): Uiterlijk valt hieronder. Hoe stijlvoller de auto eruitziet, hoe gelukkiger de klant is. Het is een rechte lijn: betere looks betekenen meer glimlachen.
• De "Delighters" (Attractive Attributes): Dit was de grote verrassing. Functies zoals Rijbereik, Ruimte, Intelligentie, de kwaliteit van het Interieur en Prijs werden geclassificeerd als "delighters". Dit betekent dat als een auto uitblinkt in deze gebieden, dit zorgt voor een enorme piek in de klanttevredenheid. Echter, als de auto op deze gebieden slechts "oké" is, zijn klanten niet noodzakelijkerwijs boos; ze missen simpelweg die extra vonk van vreugde.

De "Opportunity" Score: Wie moet er eerst gefixed worden?

Weten wat mensen willen is geweldig, maar bedrijven hebben beperkte budgetten. Ze kunnen niet alles tegelijk repareren. Daarom voegden de onderzoekers een laatste stap toe: een Opportunity Algorithm. Dit fungeert als een prioriteitenlijst. Het kijkt naar twee dingen:

1. Belangrijkheid: Hoe vaak praten mensen over deze functie?
2. Tevredenheid: Hoe blij zijn mensen er op dit moment mee?

Het algoritme berekent een "kansscore" om fabrikanten te vertellen waar ze zich op moeten richten. De resultaten waren duidelijk:

• Top Prioriteit: Ruimte en Rijbereik waren de winnaars. Het zijn al "delighters" (mensen houden ervan wanneer ze goed zijn), maar er is nog steeds ruimte om ze nóg beter te maken om meer klanten te winnen.
• Dringende Reparatie: Rijervaring was een "Must-have" waar klanten verrassend ontevreden over waren. Hoewel het een basisvereiste is, betekende de lage tevredenheidsscore dat het een tikkende tijdbom was voor de merken.
• Lage Prioriteit: Intelligentie en Uiterlijk hadden lagere opportunity scores, wat suggereft dat hoewel ze belangrijk zijn, de huidige kloof tussen wat klanten willen en wat ze hebben, niet zo kritiek is als de problemen met de rijervaring of de ruimte.

Het Vonnis

De studie suggereert dat bedrijven door dit dynamische, AI-gestuurde proces te gebruiken, kunnen afstappen van gissen en subjectieve enquêtes. In plaats daarvan kunnen ze direct luisteren naar de "stem van de klant" vanuit de chaos van online reviews. Het framework slaagde erin om 8.970 rommelige reviews om te zetten in een helder, actiegericht stappenplan: repareer de rijervaring om de schade te beperken, en versterk de ruimte en het batterijbereik om de volgende grote hit te creëren.

Hoewel de auteurs opmerken dat hun methode momenteel alleen is getest op elektrische auto's en afhankelijk is van de data van één website, stellen zij dat deze "dynamische lexicon"-aanpak een herhaalbare, objectieve manier biedt om te begrijpen wat klanten echt nodig hebben, waarbij de ruis van het internet wordt omgezet in een helder signaal voor productverbetering.