Kano là gì? Cách áp dụng mô hình Kano trong nghiên cứu định lượng

Mô hình Kano là gì

Bạn có thể dùng mô hình Kano khi đề tài cần trả lời một câu hỏi cụ thể: thuộc tính nào của sản phẩm hoặc dịch vụ làm khách hàng hài lòng, thuộc tính nào chỉ khiến họ khó chịu khi thiếu, và thuộc tính nào tạo ra sự bất ngờ tích cực. Đây là cách tiếp cận phân loại thuộc tính theo mối quan hệ giữa mức độ đáp ứng và cảm nhận của khách hàng.

Kano không chỉ hỏi khách hàng “thuộc tính này quan trọng bao nhiêu”. Bảng hỏi thường đặt hai tình huống cho cùng một thuộc tính: khách hàng cảm thấy thế nào nếu thuộc tính đó có mặt hoặc được thực hiện tốt, và cảm thấy thế nào nếu thuộc tính đó không có mặt hoặc được thực hiện kém. Hai câu trả lời được kết hợp để xác định nhóm của thuộc tính.

Bạn cần phân biệt mô hình Kano với các mô hình đo chất lượng dịch vụ như mô hình SERVQUAL, SERVQUAL hoặc SERVPERF. SERVQUAL và SERVPERF thường tập trung vào mức cảm nhận, chất lượng dịch vụ hoặc khoảng cách giữa kỳ vọng và cảm nhận. Kano tập trung vào kiểu phản ứng của khách hàng khi một thuộc tính được đáp ứng hoặc không được đáp ứng.

Trong tài liệu nghiên cứu, Kano thường được trình bày với các nhóm thuộc tính gồm Must-be, One-dimensional, Attractive, Indifferent, Reverse và Questionable. Tên tiếng Anh nên được giữ trong luận văn vì đây là các nhãn xuất hiện trong phần mềm, tài liệu phương pháp và các bảng phân loại quốc tế. Allowlist nguồn của DoThesis không có tài liệu gốc của Kano, vì vậy bài viết này không gán năm xuất bản hoặc trích dẫn tác giả cho mô hình.

Các thành phần trong mô hình

Mỗi thuộc tính trong mô hình Kano được đánh giá qua một cặp câu hỏi chức năng và phi chức năng. Câu hỏi chức năng hỏi phản ứng của người trả lời khi thuộc tính có mặt. Câu hỏi phi chức năng hỏi phản ứng khi thuộc tính không có mặt. Cả hai câu nên mô tả cùng một thuộc tính, cùng bối cảnh và tránh đưa thêm hai ý trong một câu.

Ví dụ với thuộc tính “ứng dụng ngân hàng có thông báo giao dịch ngay lập tức”, câu chức năng có thể là: “Bạn cảm thấy thế nào nếu ứng dụng gửi thông báo ngay sau mỗi giao dịch”. Câu phi chức năng là: “Bạn cảm thấy thế nào nếu ứng dụng không gửi thông báo ngay sau mỗi giao dịch”.

Bảng phân loại trên là khung khái niệm để xây dựng bảng hỏi. Bạn vẫn cần kiểm tra bối cảnh Việt Nam, cách diễn đạt và đối tượng khảo sát trước khi đưa vào dữ liệu chính thức. Một thuộc tính có thể là Attractive với nhóm khách hàng trẻ nhưng trở thành Indifferent với nhóm khách hàng ít sử dụng công nghệ.

Trong một luận văn định lượng, “thuộc tính” không nhất thiết là một biến tiềm ẩn theo cách dùng trong SEM. Nhiều nghiên cứu Kano phân tích từng thuộc tính hoặc từng cặp câu hỏi, sau đó đếm số người thuộc mỗi nhóm. Nếu bạn muốn xây dựng mô hình hồi quy hoặc PLS-SEM, cần xác định thêm biến độc lập, biến phụ thuộc và cách mã hóa nhóm Kano.

Mô hình gốc và các mở rộng phổ biến

Khung Kano cơ bản phân loại thuộc tính dựa trên hai câu hỏi đối lập. Quy trình thường bắt đầu bằng việc liệt kê các thuộc tính có khả năng ảnh hưởng đến trải nghiệm, thiết kế cặp câu hỏi, thu thập câu trả lời và sử dụng bảng đánh giá Kano để chuyển cặp câu trả lời thành một nhóm thuộc tính.

Cách mở rộng đầu tiên là phân tích tỷ lệ. Thay vì chỉ ghi nhóm chiếm đa số, bạn tính tỷ lệ người trả lời được phân loại vào từng nhóm. Ví dụ, một thuộc tính có 48% Must-be, 35% One-dimensional và 17% Attractive nên được giải thích thận trọng. Việc chỉ ghi “thuộc tính này là Must-be” sẽ che mất sự khác biệt trong mẫu.

Cách mở rộng thứ hai là dùng hệ số Better và Worse để hỗ trợ ưu tiên cải tiến. Better cho biết mức độ một thuộc tính có thể tạo ra sự hài lòng khi được đáp ứng. Worse cho biết mức độ thiếu thuộc tính có thể tạo ra sự bất mãn. Công thức và cách diễn giải cần được thống nhất trước khi chạy, vì việc đổi quy ước dấu giữa các bảng sẽ làm kết luận khó kiểm tra.

Cách mở rộng thứ ba là kết hợp Kano với một mô hình chất lượng hoặc mô hình hành vi. Chẳng hạn, bạn có thể dùng Kano để phân loại thuộc tính chất lượng dịch vụ, sau đó dùng hồi quy để kiểm định tác động của các nhóm thuộc tính đến sự hài lòng hoặc ý định tiếp tục sử dụng. Nếu đề tài nói về khoảng cách chất lượng dịch vụ, bạn có thể đọc thêm mô hình 5 khoảng cách chất lượng dịch vụ và bài 5 khoảng cách chất lượng dịch vụ là gì.

Khi kết hợp Kano với PLS-SEM, bạn cần tránh biến nhóm Must-be, One-dimensional và Attractive thành một thang đo duy nhất mà không có lập luận. Đây là các nhóm phân loại, không tự động là các chỉ báo phản xạ của cùng một biến tiềm ẩn. Nếu muốn đưa vào mô hình cấu trúc, bạn phải nêu rõ cách mã hóa, nhóm tham chiếu và ý nghĩa của từng hệ số.

Một mở rộng khác là so sánh nhóm khách hàng. Ví dụ, bạn chia mẫu theo tần suất sử dụng, độ tuổi hoặc loại khách hàng rồi so sánh tỷ lệ nhóm Kano. Nếu có nhiều nhóm, hãy đặt quy tắc phân tích trước khi nhìn kết quả. Việc chọn đúng nhóm sau khi thấy tỷ lệ đẹp dễ bị hội đồng hỏi về tính nhất quán của phương pháp.

Thang đo thường dùng cho từng khái niệm

Kano không dùng một bộ thang đo duy nhất cho mọi đề tài. Phần cố định là cấu trúc câu hỏi chức năng và phi chức năng, còn nội dung thuộc tính phải lấy từ mục tiêu nghiên cứu, lý thuyết, sản phẩm hoặc dịch vụ cụ thể. Bạn có thể dùng thang đo Likert cho các biến bổ sung như sự hài lòng, giá trị cảm nhận hoặc ý định tiếp tục sử dụng. Bản thân thang Likert bắt nguồn từ kỹ thuật đo thái độ được trình bày bởi (Likert, 1932).

Khi viết bảng hỏi, bạn nên dùng câu chữ mà người trả lời có thể hình dung ngay. “Nếu hệ thống có tính năng xác thực sinh trắc học, bạn cảm thấy thế nào” có thể quá rộng nếu người trả lời không biết tính năng đó hoạt động ra sao. Bạn có thể thêm một mô tả ngắn trước cặp câu, nhưng không nên mô tả theo cách dẫn người trả lời đến phương án hài lòng.

Mỗi thuộc tính nên có một mã riêng, chẳng hạn K01, K02 và K03. Với K01, tạo hai biến K01_F và K01_U, trong đó F là functional và U là dysfunctional hoặc unfavorable theo quy ước của bạn. Hãy ghi quy ước này trong file codebook. Nếu đặt tên biến dài, có dấu hoặc không nhất quán, lúc nhập .sav vào SPSS bạn sẽ khó theo dõi các vòng làm sạch.

Trước khảo sát chính, bạn nên kiểm tra thử bảng hỏi với một nhóm nhỏ phù hợp với đối tượng nghiên cứu. Mục tiêu là phát hiện câu hỏi bị hiểu theo hai nghĩa, cặp chức năng và phi chức năng không đối xứng, hoặc thuộc tính không đủ cụ thể. Bạn có thể sửa câu chữ sau bước thử nghiệm, nhưng cần lưu phiên bản bảng hỏi và ghi lại thay đổi.

Nếu bạn đo thêm sự hài lòng bằng nhiều biến quan sát, hãy kiểm tra độ tin cậy bằng Cronbach's Alpha. Alpha từ 0.7 trở lên thường được chấp nhận theo (Nunnally, 1978), còn thang đo mới hoặc mang tính khám phá có thể xem xét mức từ 0.6 theo (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.3 trở lên được nêu trong (Nunnally và Bernstein, 1994). Các ngưỡng này áp dụng cho thang đo nhiều biến, không dùng để kết luận một thuộc tính Kano đơn lẻ là đạt hay không đạt.

Áp dụng vào đề tài của bạn

Giả sử bạn nghiên cứu ý định tiếp tục sử dụng ứng dụng giao đồ ăn. Một mô hình định lượng có thể dùng Kano để phân loại các thuộc tính của ứng dụng, sau đó kiểm định tác động của nhóm thuộc tính hoặc các biến chất lượng đến sự hài lòng và ý định tiếp tục sử dụng.

Mô hình khái niệm rút gọn có thể gồm bốn nhóm biến: độ tin cậy giao hàng, tốc độ giao hàng, tính thuận tiện của ứng dụng và ưu đãi cá nhân hóa. Bốn nhóm này cần được chuyển thành các thuộc tính cụ thể trước khi viết cặp câu hỏi. Ví dụ, “độ tin cậy giao hàng” quá rộng để hỏi trực tiếp theo Kano, còn “đơn hàng được cập nhật trạng thái sau mỗi giai đoạn” dễ hình dung hơn.

Một bộ giả thuyết minh họa có thể viết như sau:

• H1: Độ tin cậy giao hàng có tác động tích cực đến sự hài lòng của khách hàng.
• H2: Tốc độ giao hàng có tác động tích cực đến sự hài lòng của khách hàng.
• H3: Tính thuận tiện của ứng dụng có tác động tích cực đến sự hài lòng của khách hàng.
• H4: Sự hài lòng của khách hàng có tác động tích cực đến ý định tiếp tục sử dụng ứng dụng.

Đây là mô hình minh họa để bạn hình dung cách nối Kano với mô hình cấu trúc. Các giả thuyết này chưa phải kết luận cho đề tài của bạn. Bạn cần dựa vào câu hỏi nghiên cứu, tài liệu đã chọn và cách định nghĩa biến để điều chỉnh chúng.

Quy trình dữ liệu nên tách thành hai phần. Phần một là phân loại từng thuộc tính bằng cặp câu hỏi Kano. Phần hai là đo các biến trong mô hình bằng thang đo Likert, chẳng hạn sự hài lòng và ý định tiếp tục sử dụng. Sau khi thu thập, bạn cần kiểm tra dữ liệu thiếu, câu trả lời lặp một mẫu, thời gian trả lời bất thường và các mã trả lời ngoài phạm vi.

Một bảng kết quả minh họa có thể trình bày như sau. Các con số dưới đây chỉ là số liệu minh họa, không phải kết quả của một nghiên cứu thật.

Bạn có thể dùng bảng này để đề xuất thứ tự ưu tiên, nhưng không nên viết rằng nhóm chiếm tỷ lệ cao nhất chắc chắn có quan hệ nhân quả với sự hài lòng. Phân loại Kano và kiểm định tác động là hai bước khác nhau. Nếu bạn muốn kết luận về tác động, cần kiểm định mô hình với biến phụ thuộc và các biến kiểm soát phù hợp.

Cách viết vào luận văn có thể điều chỉnh như sau: “Kết quả phân loại thuộc tính cho thấy [thuộc tính A] thuộc nhóm [Must-be/One-dimensional/Attractive] vì nhóm này có tỷ lệ lựa chọn cao nhất, đạt [x]%. Kết quả được sử dụng để đề xuất thứ tự ưu tiên cải thiện trải nghiệm [đối tượng nghiên cứu], đồng thời được phân biệt với kết quả kiểm định tác động đến [biến phụ thuộc].”

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi bạn cần làm sạch dữ liệu, lập bảng tần số nhóm Kano, tính tỷ lệ, kiểm tra Cronbach's Alpha, chạy EFA hoặc hồi quy. Bạn có thể bắt đầu bằng Analyze > Descriptive Statistics > Frequencies để xem mã trả lời của từng câu chức năng và phi chức năng. Kiểm tra cả giá trị thiếu và các mã không nằm trong phương án của bảng hỏi.

Nếu có thang đo nhiều biến cho sự hài lòng hoặc ý định tiếp tục sử dụng, chạy Analyze > Scale > Reliability Analysis. Đưa các biến quan sát của cùng một khái niệm vào ô Items, chọn Model là Alpha, sau đó mở Statistics và chọn Scale if item deleted. Đọc các cột Cronbach's Alpha if Item Deleted và Corrected Item-Total Correlation, nhưng không loại biến chỉ vì một con số thấp mà chưa xem lại nội dung lý thuyết.

Để lập bảng chéo cho cặp câu hỏi Kano, bạn có thể dùng Transform > Recode into Different Variables để chuẩn hóa mã trả lời, sau đó dùng Analyze > Descriptive Statistics > Crosstabs. Nếu đã tạo biến nhóm Kano theo bảng mã, đưa biến nhóm vào Rows, chọn Cells và hiển thị phần trăm theo cột hoặc theo hàng một cách nhất quán. Trong chương phương pháp, hãy ghi rõ bạn dùng loại phần trăm nào.

Nếu mô hình có biến phụ thuộc liên tục và các biến độc lập được tính từ thang Likert, SPSS có thể chạy hồi quy tại Analyze > Regression > Linear. Xem bảng Model Summary, ANOVA và Coefficients. Khi báo cáo hồi quy, cần trình bày hệ số, mức ý nghĩa, khoảng tin cậy nếu có và kiểm tra các giả định. Durbin-Watson trong khoảng 1 đến 3 là tiêu chí thường được trích dẫn cho kiểm tra tự tương quan trong thực hành SPSS (Field, 2013). Cỡ mẫu hồi quy cũng cần được cân nhắc theo số biến độc lập, với quy tắc n từ 50 + 8m trở lên được nêu bởi (Tabachnick và Fidell, 2013).

SmartPLS phù hợp khi bạn xây dựng mô hình có biến tiềm ẩn, nhiều biến quan sát, quan hệ trung gian hoặc mô hình cấu trúc cần kiểm định bằng PLS-SEM. Bạn chuẩn bị file .csv, mỗi dòng là một người trả lời và mỗi cột là một biến quan sát. Tên cột nên ngắn, không dấu, không có ký tự đặc biệt như K01_F hoặc SAT01.

Trong SmartPLS 4, tạo project, nhập file dữ liệu, kéo các biến quan sát vào từng construct và nối các mũi tên theo giả thuyết. Chạy PLS-SEM Algorithm để xem Outer Loadings, Cronbach's Alpha, rho_A, Composite Reliability, AVE và VIF. Tiếp đó chạy Bootstrapping để kiểm tra Path Coefficients, T Statistics và P Values. Quy trình PLS-SEM và việc dùng 5.000 bootstrap subsamples được trình bày trong (Hair và cộng sự, 2022).

Các ngưỡng thường dùng trong PLS-SEM gồm outer loading từ 0.7 trở lên theo (Chin, 1998), CR từ 0.7 và AVE từ 0.5 theo (Fornell và Larcker, 1981), HTMT dưới 0.85 hoặc dưới 0.90 với các khái niệm gần nhau theo (Henseler và cộng sự, 2015), VIF dưới 5 theo (Hair và cộng sự, 2019). R² ở mức 0.75, 0.50 và 0.25 lần lượt được diễn giải là đáng kể, trung bình và yếu trong một hướng dẫn PLS-SEM của (Hair và cộng sự, 2011). Q² lớn hơn 0 cho thấy khả năng dự báo có liên quan theo (Stone, 1974).

Không đưa CFI, TLI hoặc RMSEA vào báo cáo SmartPLS như thể đây là bộ tiêu chí bắt buộc của PLS-SEM. Các chỉ số đó thuộc nhóm đánh giá độ phù hợp thường dùng trong CB-SEM, với các ngưỡng được trích dẫn từ (Hu và Bentler, 1999). Nếu đề tài cần CB-SEM, AMOS là một lựa chọn khác, nhưng bạn phải thống nhất phương pháp từ đề cương thay vì đổi phần mềm ở bước cuối.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là viết “Kano đo sự hài lòng” như một khái niệm đơn nhất. Kano phân loại phản ứng đối với thuộc tính. Sự hài lòng có thể được đo thêm bằng một thang đo riêng, sau đó dùng làm biến phụ thuộc hoặc biến trung gian nếu mô hình của bạn có lập luận phù hợp.

Lỗi thứ hai là dùng một câu hỏi cho mỗi thuộc tính. Khi thiếu cặp chức năng và phi chức năng, bạn không thể áp dụng bảng phân loại Kano đúng nghĩa. Hãy kiểm tra file dữ liệu để mỗi thuộc tính đều có đủ hai cột và hai cột dùng cùng mã người trả lời.

Lỗi thứ ba là gộp tất cả thuộc tính thành một điểm trung bình. Cách này làm mất thông tin rằng Must-be, One-dimensional và Attractive có ý nghĩa khác nhau. Nếu cần tạo biến tổng hợp, bạn phải giải thích tiêu chí gộp và chứng minh các thuộc tính thực sự đại diện cho cùng một cấu trúc.

Lỗi thứ tư là chỉ báo cáo tỷ lệ mà không mô tả mẫu. Người đọc cần biết có bao nhiêu quan sát hợp lệ, nhóm đối tượng nào được khảo sát, cách xử lý dữ liệu thiếu và cách giải quyết trường hợp Questionable. Một bảng tỷ lệ đẹp nhưng không có quy trình làm sạch sẽ khó thuyết phục.

Lỗi thứ năm là lấy thuộc tính từ một đề tài khác rồi giữ nguyên câu chữ. Bối cảnh ngân hàng, bệnh viện, thương mại điện tử và giáo dục có kỳ vọng khác nhau. Bạn nên lập bảng ánh xạ giữa mục tiêu nghiên cứu, thuộc tính, cặp câu hỏi và nguồn lý thuyết trước khi đưa vào bảng hỏi.

Lỗi cuối cùng là chạy SmartPLS chỉ vì mô hình có chữ “Kano”. SmartPLS cần khi bạn có mô hình biến tiềm ẩn và quan hệ cấu trúc cần kiểm định. Nếu mục tiêu chỉ là phân loại thuộc tính và báo cáo tỷ lệ, SPSS có thể đủ và dễ giải trình hơn. Việc dùng dịch vụ chạy SPSS cũng không thay thế cho codebook, quy tắc phân loại và khả năng giải thích từng biến khi bảo vệ.

Câu hỏi thường gặp

Kano là gì trong nghiên cứu định lượng?

Kano là khung phân loại thuộc tính sản phẩm hoặc dịch vụ dựa trên phản ứng của người trả lời trong hai tình huống: thuộc tính được đáp ứng và thuộc tính không được đáp ứng. Kết quả thường gồm Must-be, One-dimensional, Attractive, Indifferent, Reverse và Questionable.

Bạn có thể kết hợp kết quả phân loại với SPSS hoặc SmartPLS, nhưng cần tách rõ phần phân loại thuộc tính và phần kiểm định tác động đến sự hài lòng, ý định sử dụng hoặc biến phụ thuộc khác.

Mô hình Kano có cần Cronbach's Alpha không?

Không phải mọi nghiên cứu Kano đều cần Cronbach's Alpha. Nếu bạn chỉ phân loại từng thuộc tính bằng cặp câu hỏi, dữ liệu là các lựa chọn phân loại và không tự động tạo thành một thang đo phản xạ.

Nếu bảng hỏi có thêm thang đo nhiều biến cho sự hài lòng, chất lượng cảm nhận hoặc ý định hành vi, bạn có thể kiểm tra Cronbach's Alpha cho từng thang đo riêng. Không dùng Alpha để kết luận một thuộc tính Kano đơn lẻ đạt hay không đạt.

Kano có chạy được trên SmartPLS không?

Có thể dùng SmartPLS cho phần mô hình biến tiềm ẩn bổ sung, chẳng hạn kiểm định tác động của chất lượng cảm nhận đến sự hài lòng. Tuy nhiên, SmartPLS không tự biến hai câu trả lời chức năng và phi chức năng thành sáu nhóm Kano.

Bạn cần mã hóa và phân loại dữ liệu trước, thường bằng quy tắc của bảng đánh giá Kano hoặc bằng SPSS. Sau đó, nếu có mô hình cấu trúc hợp lý, bạn mới đưa các biến đã chuẩn bị vào SmartPLS.

Mỗi thuộc tính Kano cần bao nhiêu câu hỏi?

Theo cấu trúc cơ bản, mỗi thuộc tính cần một câu chức năng và một câu phi chức năng. Nếu có 12 thuộc tính, riêng phần Kano đã có 24 câu, chưa tính phần thông tin cá nhân và các thang đo bổ sung.

Bạn nên kiểm tra độ dài bảng hỏi trước khảo sát chính. Một bảng hỏi quá dài làm tăng câu trả lời thiếu hoặc trả lời theo một mẫu, còn một bảng hỏi quá ngắn có thể không bao quát mục tiêu nghiên cứu.

Thuộc tính Questionable bị lỗi thì làm sao?

Questionable thường xuất hiện khi hai câu trả lời mâu thuẫn, người trả lời không hiểu thuộc tính hoặc mã hóa bị sai. Trước tiên, kiểm tra nhãn giá trị, thứ tự phương án và việc ghép đúng cặp F và U theo cùng một người trả lời.

Nếu dữ liệu đã mã hóa đúng, bạn có thể báo cáo tỷ lệ Questionable và nêu cách xử lý đã định trước. Đừng tự chuyển toàn bộ nhóm này sang Attractive hoặc Must-be chỉ để bảng kết quả gọn hơn.

Có thể dùng Kano cho luận văn về chất lượng dịch vụ không?

Có thể, nếu bạn xác định được các thuộc tính dịch vụ đủ cụ thể và thiết kế được cặp câu hỏi cho từng thuộc tính. Bạn có thể tham khảo thêm mô hình SERVPERF để phân biệt cách đo chất lượng cảm nhận với cách phân loại thuộc tính của Kano.

Trong chương phương pháp, hãy giải thích vì sao Kano phù hợp với câu hỏi nghiên cứu, cách chọn thuộc tính, quy tắc phân loại và cách bạn xử lý kết quả khi một thuộc tính có tỷ lệ giữa các nhóm gần nhau.

Bạn hãy mở file dữ liệu, lập codebook cho từng cặp câu hỏi Kano, kiểm tra lại mã hóa và tách bảng phân loại khỏi các thang đo dùng cho hồi quy hoặc SEM. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và giữ lại quy trình để giải trình, xem M4 phân tích dữ liệu.