基于KANO模型的社交平台个人信息保护要素研究

金 燕 张启源

(郑州大学信息管理学院，郑州，450001)

1 引言

Web2.0的发展促进了各类社交平台的兴起，如兴趣类的贴吧、知乎、豆瓣，网站类的Facebook、Qzone，话题类的Twitter、微博等等。人们可以通过这些社交平台与他人进行沟通、分享心情、分享知识等。但随着人们对社交平台利用的深入，一些问题逐渐呈现出来，其中尤为突出的就是社交平台用户的个人信息保护问题。部分个人、商家和组织在利益的驱动下，追逐社交网络大数据中蕴含的商业价值，利用一切技术和手段搜集和捕获用户个人信息，引发一系列问题，如Facebook的泄密门事件[1]。美国当地时间2018年3月17日，《纽约时报》《英国卫报》等多家媒体报道，Facebook上超过5000万用户信息数据被一家名为“剑桥分析”(CambridgeAnalytica)的英国数据分析公司利用,该公司通过对Facebook用户的日常喜好、性格特点、教育水平等数据的分析，预测他们的政治倾向，进行新闻的精准推送，从而试图影响2016年美国总统大选结果。虽然用户数据并不是由Facebook直接泄漏，但至少说明Facebook对于第三方应用如何获取和使用用户数据缺乏监管，导致用户数据被滥用、误用，引发了自创建以来最大的一次用户信任危机。可以说，社交平台已经成了用户现实生活在网络中的一个映射，用户在社交平台上的各类个人信息、每一次的行为都可以被记录、追踪、搜集和利用，那么当用户使用社交平台享受数字化生活时，是否关心过社交平台的隐私声明，是否了解社交平台的个人信息保护措施，对社交平台提供的个人信息保护措施是否满意呢？

国内外关于社交平台个人信息保护的相关研究已经取得了丰富的成果。国内研究主要集中于网络社交环境下个人信息保护的现状调查和个人信息保护机制的建立。如，罗力对社交网络用户个人信息安全的现状进行剖析，提出了有效保护社交网络用户信息安全的3种途径，包括加强立法保障和行业自律、提高社交网络企业的信息安全管理水平、提升用户信息安全素养[2]；王娜等以用户个人行为为切入点，对移动社交网络中个人信息保护现状进行抽样调查和分析，指出了影响个人信息安全的用户行为习惯主要包括以个人信息作为密码、安装未知移动社交应用等[3]；陶丽茂等从技术层面、管理层面、法律层面以及公民意识层面构建了大数据时代下的个人信息保护机制[4]。国外研究主要集中于社交网络隐私保护相关技术研究。如，Squicciarini等提出了一个隐私保护机制，它支持用户的个人资料信息的半自动化生成规则，填补了社交网络用户的隐私管理需求和现有隐私保护机制之间的空白[5]；Yin等提出了一种基于Map-Reduce模型的社会网络隐私保护方案[6]；Wang等致力于推广一种保护个人隐私的技术，并提出了匿名的标准，以评估泄露社交网络个人数据、破坏个人隐私所带来的风险[7]。已有的相关研究表明，当前从用户视角对影响社交平台个人信息保护满意度的要素展开的相关研究较少。

本研究试图移植服务领域的Kano模型，以当前社交平台开展的用户个人信息保护项目作为衡量指标，通过Kano正反向问卷测量各类用户对当前社交平台个人信息保护状况的满意度，借助于Kano要素分类表与Better-Worse四象限图，对影响社交平台个人信息保护满意度的要素进行归类，在此基础上对社交平台的个人信息保护机制提出相应的改进建议。具体研究目标如下：①通过Kano调查识别影响社交平台个人信息保护满意度的要素，并进行归类；②在要素归类的基础上进行Better-Worse分析；③以要素识别归类和Better-Worse分析为基础，提出社交平台改善个人信息保护现状的措施和建议。

2 Kano模型及其应用

1984年，日本管理学家狩野纪昭[8]确立了Kano模型的完整架构，他将构成产品或服务的典型特征或因素称为一个质量要素，并认为所有的质量要素都可以划归为不同的类型，而不同类型的质量要素对用户满意度的影响是不同的。影响用户满意度的主要质量类型包括：①魅力质量(A：Attractive)，此类质量要素表现充足时，用户满意度会迅速大幅度提升；不充足时用户也可以接受，不会造成用户不满意；②一维质量(O：One-dimensional)，此类质量要素的充足程度增加时，用户满意度会随之线性增加，反之亦然；③必备质量(M：Must-be)，必备质量是用户认为理所当然的质量要素，当其表现不充足时，用户满意度会迅速大幅度下降，但当其表现超过业界平均值之后，必备服务质量要素再充足，用户也不会表现出特别满意；④无差异质量(I：Indifferent)，此类型要素不论充足与否都不会造成用户满意或是不满意；⑤逆向质量(R：Reverse)，此类型质量要素充足时会引起不满，不充足时令人感到满意。当服务机构的服务水平处于业界平均值之下时，必备质量(M)对用户满意水平的影响比较显著；而在平均值之上时，魅力质量(A)对用户满意的影响比较显著[9]。

KANO模型自提出以来，就被很多学者应用于服务质量的提升、用户需求分析、满意度影响因素探索等方面的研究，孟庆良等构建了一种定量化的Kano模型，将顾客需求分类客观化，提出基于定量化Kano模型的顾客需求最终重要度确定方法[10]；唐中君等运用Kano模型结合模糊聚类方法，对个性化需求进行识别与筛选，构建了产品的个性化需求层次模型，并确定了个性化需求项的重要度排序[11]；陈梅梅等基于改进的Kano模型，研究了B2C电子商务网站满意度影响因素[12]。基于此，本文认为，利用Kano模型来探索社交平台个人信息保护满意度要素是可行的。

3 研究思路与设计

本文的研究思路是：①问卷设计。通过与6名社交平台管理者与使用者的访谈，结合目前社交平台涉及用户个人信息保护的项目，最终形成社交平台个人信息保护的Kano调查问卷。问卷包含16个测量指标，如表1所示。问卷形式基本遵循狩野纪昭开发的结构型问卷，问项由成对的正反向问题构成，如表2所示。每个问题都有5个答案选项供选择，并分别用李克特5级量表的1、2、3、4、5进行量化，其意义如下：“我很喜欢”，即让被调查者感到满意、开心、惊喜；“它理应如此”，即让被调查者觉得是应该的、必备的功能/服务；“无所谓”，即让被调查者不会特别在意，但还可以接受；“勉强接受”，即让被调查者不喜欢，但是可以接受；“我很不喜欢”，即让被调查者感到不满意”。问卷调查的过程也就是被调查者选择正反向问题的相关答案的过程。②实施调查。统计调查结果，并根据表3所示的Kano评价表进行交叉分析，得到每一要素类型归属的Kano调查结果表。③进行Better-Worse分析。④得出结论。

4 调查结果分析

本次调查的对象为各类社交平台用户，调查问卷发放的时间为2018年5月，主要通过问卷星在线平台进行，考虑到网络调研具有一定的局限性，随后又在公共图书馆、大型商场随机选择部分人群进行现场调查。此次调查共发放问卷260份，回收有效问卷228份，回收率87.7%，将其中24位未使用过社交平台的样本视为无效样本剔除后， 实际有效回收为204份，有效回收率为78.5%。被调查对象的年龄主要分布在21—34岁之间，其中男性占43.1%，女性占56.9%；拥有本科学历的占55.9%，研究生学历占24%。被调查者均具有较长的社交平台使用经历，年龄等符合社交平台典型用户群体特征[13]。

表1 社交平台个人信息保护的 Kano问卷指标集

表2 社交平台个人信息保护Kano问卷调查示例

表3 Kano评价表

使用SPSS22.0软件对此次调查数据进行信度、效度、Kano二维属性归类分析。Kano问卷整体信度Cronbach'sα系数为0.856，其中正向问卷的系数为0.858，反向问卷的系数为0.915；KANO问卷的总体效度KMO值为0.798，其中正向问卷为0.858，反向问卷为0.896。

4.1 社交平台个人信息保护要素的Kano调查结果

根据Kano调查问卷、Kano评价表和Kano调查结果表这三个工具能够很方便地推断出每个要素所应归属的类型[14]。使用SPSS22.0的交叉分析功能，计算出每一要素的类别占比，并在此基础上，分别计算出TS、CS、Better和Worse值，如表4所示。表中数据的具体说明见下文详解。

表4 社交平台个人信息保护要素的Kano调查结果

4.2 Kano二维属性归类状况

Kano模型类似于一种定性归类方法，以频数来判断每个测试要素的归类。表4中A、O、M、I、Q、R栏的数字分别代表C1至C16要素用户回答归类于魅力要素(A)、一维要素(O)、必备要素(M)、无差异要素(I)、可疑要素(Q)和逆向要素(R)的相对频数计算情况(此表中为计算所得百分比数值)。其中，可疑要素(Q)指用户的回答自相矛盾。传统Kano模型只取频数的最大值作为这一要素的归属类别，表4中N1栏列出了以此划分的各个要素的Kano类型归属，包括5个一维要素(C4、C10、C11、C13、C14)、8个无差异要素(C1、C2、C3、C5、C8、C9、C12、C16)和3个必备要素(C6、C7、C15)。

在上述Kano二维属性归类结果中，无差异要素的数量占50%，且没有出现其他具有显著优势的分类。此种情况下，Lee和Newcomb[15]认为，可以引入一种新的分类，即混合类，以有助于观测要素类别的转换趋势，帮助社交平台管理者合理制定和调整管理决策。混合类的具体条件是TS(TotalStrength)值≥60%，并且CS(CategoryStrength)值≤6%，其具体计算方法为：TS=回答M，O，A的数量/总回答数；CS=max{A，O，M，I，R，Q}-secondmax{A，O，M，I，R，Q}，本次计算结果如表4中的TS和CS两列所示。可知，引入混合类的概念之后，经过调整的各要素Kano类型归属如表4中的N2列所示，其中H代表混合类，H后括弧内为占比最大的前两个传统Kano归类，表明混合类的主要组成。两次分析得到的Kano类型分布表如表5所示。

表5 Kano类型分布表

不同Kano类型的社交平台个人信息保护要素对用户满意度的影响不同，社交平台应该针对不同类型的要素制定不同的管理策略。一维要素(O)通常表现为用户对社交平台个人信息保护方面显性的服务期望，这些要素基本决定了用户对社交平台现有的个人信息保护措施是否满意，加入混合类之后，得到2项一维要素(C11、C13)。按照传统Kano模型的思想，无差异要素(I)将会增加成本与项目的风险，应该舍弃。但Yang[16]认为，并非所有的无差异质量要素都会是资源的浪费，部分要素随着时间的推移，有可能转化为魅力要素(A)。同时，Kano的研究指出[17]，要素类别产生变化的轨迹为：I→A→O→M。据此认为，社交平台个人信息保护要素极有可能还处于I→A→O的发展阶段。本次调研虽存在一半的无差异要素(C1、C2、C3、C5、C8、C9、C12、C16)，但从TS值与CS值的观测上，随着时间的推移，C12要素可能会演变为I和O相混合的混合类要素。6项混合类要素(C4、C6、C7、C10、C14、C15)的存在也从另一个角度说明了这一点。由表4可知，混合类基本上都是O类和M类的混合。Kano类型随时间的转变是必然的，网络环境下Kano要素类型的转换相较于传统环境更加迅速，因此各类社交平台必须及时追踪调查和了解这些要素的属性变化，及时调整管理策略。

4.3 Better-Worse指数四象限图

传统Kano模型要素归类判定的方法只是针对某一指标，选取占比最大的类别作为最终的归类；即使引入混合类，也只是针对某一指标，选取占比最大的前两类，忽略了占比较小的类别的分布状态，丢失了大量的统计样本，导致实际应用中出现不能精准地支持决策的情况。为了克服这一弊端，Berger[14]等人提出顾客满意指数，以改善传统Kano模型的指标。此指数计算某一要素能在多大程度上影响顾客满意(Better)，或使顾客不满意(Worse)，其具体计算公式为：Better=(A+O)/(A+O+M+I)。当Better值为正值，近似于1时，代表高度影响用户满意；Better趋近于0时，表示对用户满意度只有非常小的影响。Worse=(O+M)/(A+O+M+I)*(-1)，其数值为负。其值若逼近-1，代表当质量要素不充足时，对用户不满意影响将会特别大。本研究引入顾客满意指数，具体计算结果见表4。

利用Better、Worse两个指标，可以识别出哪些要素能增加用户的满意度，哪些要素能防止用户不满意。这样在考虑改善社交平台信息保护现状时，既考虑某一要素充足时对用户满意度的提升程度，又考虑到该要素不充足时对用户满意度的损伤程度。为了方便进一步探讨，可以利用四象限图表示这16个要素的分布情形，象限图以Better值为横轴，以Worse值的绝对值为纵轴，以Better值和Worse值的平均数为原点，如图1所示。

图1 Better-Worse指数四象限图

在四象限图中，第一象限的特点是Better值高，Worse系数绝对值也很高。落入这一象限的要素，称之为期望要素(一维要素)，说明无论对于提升用户的满意度还是防止用户的不满意，这些要素都值得重视。落在第一象限的要素有8个，见表1中的C4、C6、C7、C10、C11、C13、C14、C15项。

第二象限的特点是Better值低，Worse系数绝对值高。落入这一象限的要素，称之为必备要素，说明这些要素可以有效地防止用户的不满意，但无法大幅度提升用户的满意度。在本次调研结果中，未有要素落入这一象限。

第三象限的特点是Better低，Worse系数绝对值也低。落入这一象限的要素，称之为无差异要素，说明这些要素既无法提升用户的满意度，对防止用户不满意也作用不大。落在第三象限的要素有7个，见表1中的C1、C2、C3、C5、C8、C9、C16，它们对用户满意度的影响不大，故在资金和技术有限的情况下，可以消减这类要素的投入。

第四象限的特点是Better高，Worse系数绝对值低。落入这一象限的要素，称之为魅力要素，说明这些要素能够较大地提升用户的满意度，但对消除用户不满的作用较小。落在第四象限的要素仅1个，见表1中的C12。当社交平台想要采取积极的管理策略，大幅度提高用户对其个人信息保护状况的满意度时，应该重视这一要素。

总之，若是决定采取积极的管理策略，提升用户对社交平台个人信息保护的满意度，应重视第一、第四象限要素的改善，而第三象限的服务质量要素可以不必太费心。

5 结论及建议

5.1 结论

(1)要提高用户个人信息保护的满意度，社交平台应加大投入，重点改善C11(用户可选择个人信息可见范围)、C13(具备明确的个人信息管控措施)两项要素。在Kano分类结果中，C11和C13都属于期望性的要素；在Better-Worse四象限图中，二者都分布在第一象限，对于提升用户满意度或防止用户不满，都值得重视。

(2)应维持C4(默认同意被收集个人信息)、C6(诱引获取个人详细信息)、C7(提供官方接口获取个人信息)、C10(提供个人信息保护/隐私保护政策)、C14(与合作组织或机构共享用户信息)、C15(注销账号后保留个人信息数据)六项要素的用户满意度。这六项要素都分布于Better-Worse四象限图的第一象限之中，是提升满意度或防止不满意都应着重考虑的对象，但在Kano分类结果中，它们属于必备要素(M)与一维要素(O)相混合的要素，由于其具有必备要素的成分，对于用户而言，如果不能站在用户的角度，从这几个方面去保护用户的个人信息，则会增加用户的不满。

(3)应该多加关注C12(用户可选择个人信息可见项目)要素的情况。对于分布在第四象限中，但被归为无差异要素的C12要素，应该增加对其关注度。随着时间的推移，这一项要素可能逐渐转变为一维要素或必备要素，影响用户的满意度。

(4)应该对C1(个人信息注册后能浏览社交平台的内容)、C2(注册时需要填写个人基本信息)、C3(需要使用身份证号码进行实名认证)、C5(默认使用邮箱地址进行邮件推送)、C8(记录分析用户操作行为习惯)、C9(对用户精准推送广告)、C16(获取快捷登录账号已有的个人信息)七项要素保持关注，但应合理控制对它们的资源投入。这七项要素主要分布于Better-Worse四象限图的第三象限，并且在Kano分类中都属于无差异要素，对于提升满意度和防止用户不满意度的作用较小，在资源有限的情况下，应该减少投入，但应对其保持关注，以防后期随着时间推移，属性归类发生转变，影响到用户满意度。

5.2 建议

通过调查与分析，我们认为，应当从以下方面改进社交平台用户个人信息保护状况，以提高用户的满意度。

(1)法律层面。应当制定和完善社交平台个人信息保护相关法律法规，为社交平台用户个人信息保护的各权利主体提供有效的法律保障。应该明确界定个人信息的范围、个人信息的最高主权、以及各权利主体对个人信息拥有的权利和应尽的保护义务等，对违法违规行为进行界定和约束。

(2)行业层面。对于社交平台运营机构而言，应当合力制定相应的行业规范，在一定程度上弥补法律的滞后性。首先，各类社交平台运营机构应该具有良好的信息伦理道德，主要体现在：①尊重用户的知情权，让用户得知在使用社交平台的过程中，会被收集哪些个人信息，以及这些个人信息会被如何利用、利用的期限是多久；②明确告知用户收集其个人信息的目的，经用户授权或许可再收集或利用；③赋予用户对其个人信息的最高控制权，允许用户修改、支配及隐瞒个人的真实信息。若用户无意间泄露重要度较高的个人信息，应该允许其采取补救措施，允许“被遗忘权[18]”的行使。其次，可以成立第三方社交平台信息保护认证机构，制定认证与评估标准。实施社交平台个人信息保护认证机制，对具备个人信息保护措施的社交平台，由第三方认证机构颁布认证标志。同时，允许认证机构定期对已获得认证的社交平台进行评估，对于不合格者，进行公示或惩罚等。

(3)用户层面。用户是社交平台个人信息的生成者，对个人信息的保护具有绝对的主导权。然而，用户在享用社交平台互动性和便捷性的同时，常常会忽略个人信息安全，不可避免地泄露个人信息。对用户而言，首先，应当提高个人信息保护意识，在使用社交平台时，不随便向他人透露个人信息，不随便暴露自己和家人的照片以及个人地理位置信息，对陌生人设置相应的访问权限等，主动保护个人信息安全，防止社交平台上的个人信息被非法利用。其次，用户要规范和约束自身在社交平台上的行为，养成良好的社交平台使用习惯。例如设置账户密码时，尽量使用复杂的字符串，避免使用电话、生日等，并做到定期更换；发布含有个人信息的动态之前权衡该动态是否会暴露个人信息；不刻意、恶意获取或利用他人信息；不随意转发传播涉及他人个人隐私的信息等。此外，用户还应该积极维护自身权益，当发现社交平台非法利用自己的个人信息时，应当使用协商、调解等方式及时维权，必要时可采取诉讼等法律手段。