Kano: Analyze Kano Type Items.
In stp4/stp25APA2: Resultate Formatiern

Description Usage Arguments Details Value Examples

Die Funktion Kano() transformiert Kano-Fragebogen zur Kano-Kodierung

Kano(x, ...)

## S3 method for class 'data.frame'
Kano(x, na.action = na.pass, ...)

## S3 method for class 'formula'
Kano(x, data, subset, na.action = na.pass, ...)

Kano_Auswertung(x, caption = "", note = "", formula = x$formula,
  data = x$molten[-1],
  digits = options()$stp4$apa.style$prozent$digits[1],
  include.n = TRUE, include.percent = TRUE, include.total = TRUE,
  include.test = TRUE, include.fong = TRUE, rnd_output = TRUE, ...)

kano_plot(x, main = "", xlim = c(0, 1), ylim = c(0, 1), mar = c(0,
  1, 2, 1), legend.position = list(x = "right", y = NULL),
  legend.title = NULL, my.lines = "circle", col.bg = "gray95",
  col = NA, txt.bg = list(m = "M", i = "I", o = "O", a = "A"),
  cex.bg = 12, jitter = TRUE, cex = 1, cex.items = cex * 1,
  cex.lab = cex * 1.07, cex.legend = cex * 1.1,
  ylab = "Zufriedenheitsstiftung (CS+)",
  xlab = "Unzufriedenheitsstiftung (CS-)", center.axis = FALSE,
  use.labels = TRUE, use.total.strength = TRUE, use.categorie = TRUE,
  use.points = FALSE, ...)

kano_barchart(x, data = x$molten, groups = x$groups[1],
  main = "Kano-Analyse", auto.key = list(space = "right"),
  prop.table = TRUE, ylab = if (prop.table) "Prozent" else "Anzahl",
  col = RColorBrewer::brewer.pal(6, "Dark2")[c(4, 1, 2, 3, 5, 6)],
  par.settings = list(superpose.polygon = list(col = col)),
  include.Q = TRUE, include.R = TRUE, include.n = TRUE,
  levels = c("M", "O", "A", "I", "R", "Q"), ...)

`x, data`	Daten mit/oder formula
`...`	nicht benutzte Argumente
`na.action`	NA's entfernen odere behalten default ist na.pass Option ist na.omit()
`data`	in kano_barchart molten data
`subset`	an Formula_Data
`caption, note`	Ueberschrift
`formula, data`	intern daten aus Kano-Objekt
`digits`	Nachkommastellen
`include.n, include.percent`	Anzahl, Prozent
`include.total`	N und Total
`include.test, include.fong`	Fong und Chie-Test
`rnd_output`	Intern fuer Plot bei FALSE ausgabe als Zahl
`main`	Header
`mar, xlim, ylim`	Plot Limits
`legend.position, legend.title`	legend.position = list(x="right", y=NULL) Beim Streudiagram die Legende bei Barplot scale=list
`my.lines`	Grafik Element Halbkreis fuer Indiferent
`col`	Farbe der Punkte
`txt.bg, cex.bg, col.bg`	Hintergrund mit den Grossen Buchstaben
`jitter`	Rauschen bei Ueberlappung
`cex, cex.items, cex.lab, cex.legend`	Schriftgroesse
`ylab, xlab`	x-y Beschrifung
`center.axis`	center.axis=FALSE
`use.labels`	use.labels=FALSE Zahlen oder Text als Beschriftung bei den Streudiagrammen
`use.total.strength`	use.total.strength=TRUE groese der Schrift als Indikator fuer Total Strenght
`use.categorie`	use.categorie=TRUE M, O, A, oder I mit in die Labels ausgeben
`use.points`	use.points = FALSE Punkte statt Text
`groups`	in kano_barchart geht nicht
`auto.key`	Kea auf der rechten Seite
`prop.table`	Prozent oder Anzahl
`include.Q, include.R`	Q und R anzeigen
`levels`	Levels haendisch anordnen
`type`	Fragetype entweder vollstaendig (5) oder gekuerzt (3)
`umcodieren`	logical False
`rm_Q`	Remove Q Kategorien Q entfernen Anzahl an erlaubten Qs
`rm_I`	Remove I Kategorien I entfernen Anzahl an erlaubten Is
`methode`	weie sind die Items geornet default = 1 (func dfunk func dfunc func)
`vars_func, vars_dysfunc`	Welche Items sind die Funktionalen/Dys-Funktionalen
`X, grouping`	uebergabe der Daten paarweisen beides sind data.frames
`...`
`x`	Kano-Objekt
`ylab`	Beschriftung Prozent/Anzahl
`col`	Farben RColorBrewer::brewer.pal(6, "Dark2")[c(4, 1, 2, 3, 5, 6)]
`main, include.n`	Ueberschrift mit N=
`...`	an lattice

http://www.eric-klopp.de/texte/angewandte-psychologie/18-die-kano-methode https://de.wikipedia.org/wiki/Kano-Modell

M Basis-Faktoren (Mussfaktoren)

Basis-Merkmale (Mustbe) werden vom Kunden Vorausgesetzt schaffen Unzufriedenheit wenn sie nicht vorhanden sind.

O Leistungs- Faktoren

Leistungs-Merkmale (One-dimensional) werden vom Kunden verlangt

A Begeisterung-Faktoren

Begeisterungs-Merkmale (Attractive) Kunde rechnet nicht damit hebt das Produkt vom Konkurrenten ab.

I Unerhebliche- Faktoren

Unerhebliche-Merkmale (Indifferent) werden vom Kunden ignoriert.

R Rueckweisende- Faktoren

Ablehnende-Merkmale (R) werden vom Kunden abgelehnt. Fuehren bei Vorhandensein zu Unzufriedenheit, bei Fehlen jedoch nicht zu Zufriedenheit.

Func/Dyfunc	like (1)	must-be (2)	neutral (3)	live with (4)	dislike (5)
like (1)	O	A	A	A	O
must-be (2)	R	I	I	I	M
neutral (3)	R	I	I	I	M
live with (4)	R	I	I	I	M
dislike (5)	R	R	R	R	Q

Kodierung

Das w<c3><bc>rde mich sehr freuen (1) Das setze ich voraus (2) Das ist mir egal (3) Das k<c3><b6>nnte ich in Kauf nehmen (4) Das w<c3><bc>rde mich sehr st<c3><b6>ren (5)

M O A I R Q Heufigkeit

max Category

M>O>A>I max Category mit Hierarchie M Wichtiger als O usw. also wen der Unterschied zwischen den zwei am hoechsten gelisteten Attributen zwei Kategorien gleich ist, 5

Total Strength als zweite Masszahl gibt an wie hoch der Anteil an bedeutenden Produktmerkmalen ist.

Category Strength ist eine Masszahl die die angibt ob eine Anforderung nur in eine Kategorie gehoert

CS plus Index Positiv CS.plus= (A+O)/(A+O+M+I)

CS minus Index Negativ CS.minus= (O+M)/(A+O+M+I)

Chi-Test ist eigentlich Unsinn, Testet ob die Verteilung von M, A, O und I gleich ist. Wird aber in wissenschaftlichen Arebitengerne angegeben.

Fong-Test Vergleich der zwei Haeufigsten-Kategorien gegenueber der Gesamtzahl Ergebnis ist entweder ein signifikante oder ein nicht signifikante Verteilung. Ich verwende zur Berechnung die Kategorien A,O,M,I und R. Q verwende ich nur f<c3><bc>r die Gesamtsumme

Liste mit:

data: data mit der Kano-Kodierung.

molten: Daten-Lang

scors: Scors sind eine Alternative Codierung zum Zweck der Transformierung zu einer metrischen Skala.

formula, removed=Errorrs, N, attributes, answers

Tabelle als data.frame

#  require(stpvers)
#   Projekt("html")
 
kano_labels <- c( "like",
                  "must be",
                  "neutral",
                  "live with",
                  "dislike")


DF<-GetData("   Geschlecht Edu f1 d1 f2 d2 f3 d3 f4 d4 f5  d5  f6  d6  f7  d7  f8  d8  f9  d9  f10 d10
            1           w  med 1  1  1  2  1  3  1  5  1   5   5   1   3   3   5   2   5   1   5   2
            2           w  med 1  2  2  5  2  3  1  5  1   5   2   5   3   3   2   5   2   5   5   2
            3           m  med 1  3  3  5  1  5  3  4  1   5   5   1   3   3   5   2   5   1   5   2
            4           m  med 1  4  4  2  1  5  4  4  1   5   5   1   3   3   5   2   5   1   5   2
            5           w  med 1  5  5  5  5  3  1  5  1   5   5   1   3   3   5   2   5   1   5   2
            6           w  med NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
            7           m  med 2  1  1  5  2  5  1  5  1   5   2   5   3   3   1   5   2   5   5   2
            8           w  med 2  2  2  5  1  3  1  5  1   5   3   3   3   3   1   4   1   3   5   2
            9           m  med 2  3  2  5  2  3  1  3  1   5   1   3   3   3   2   4   3   3   5   2
            10          m  med 2  4  1  5  1  5  1  5  1   5   1   4   3   3   2   5   1   3   5   2
            11          w  med 2  5  2  5  1  4  1  5  1   5   1   4   3   3   2   5   1   4   5   2
            12          m  med NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
            13          w  med 3  1  2  5  3  3  1  5  2   5   1   5   3   3   3   3   3   3   5   2
            14          m  med 3  2  1  5  1  5  2  5  2  NA   1   5   3   3   2   5   1   5   5   2
            15          w  med 3  3  2  5  1  3  1  5  1   5   1   3   3   3   2   5   1   3   5   2
            16          w  low 3  4  2  5  2  5  2  5  1   5   1   4   3   3   2   5   1   3   5   2
            17          w  low 3  5  2  5  1  5  1  5  2   5   1   4   3   3   2   5   1   4   5   2
            18          w  low NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
            19          m  low 4  1  2  5  1  5  2  5  2   5   1   4   2   3   2   5   1   3   5   2
            20          w  low 4  2  2  5  2  5  2  5  2   5   1   3   3   3   2   5   1   3   5   2
            21          w  low 4  3  2  5  1  5  2  5  2   5   1   5   1   3   2   5   1   3   5   2
            22          m  low 4  4  2  5  1  5  2  5  2   5   1   3   3   3   1   3   1   3   5   2
            23          w  low 4  5  2  5  3  3  2  5  2   5   1   4   1   3   2   5   1   4   5   2
            24          w  low NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
            25          m  hig 5  1  1  5  1  5  2  4  1   5   1   3   3   5   2   4   1   3   5   2
            26          w  hig 5  2  1  5  1  3  1  5  1   5   1   3   1   5   1   5   3   3   5   2
            27          w  hig 5  3  2  5  3  3  1  4  2   4   1   3   3   5   3   3   5   1   5   2
            28          w  hig 5  4  2  5  1  4  2  5  1   5   1   3   3   5   2   5   4   1   5   2
            29          w  hig 5  5  2  5  2  4  2  4  2   5   1   4   1   5   1   5   1   4   5   2
            30          m  hig NA NA 2  5  1  5  1  3  1   4   1   3   1   5   1   3   1   3   5   2
            31          m  hig NA NA 2  1  1  5  1  4  3   3   5   2   3   5  NA  NA   1   3   5   2
            ")


DF<- upData2(DF,  labels=c(f1="Fahreigenschaften"
                           ,f2="Sicherheit"
                           ,f3="Beschleunigung"
                           ,f4="Verbrauch"
                           ,f5="Lebensdauer"
                           ,f6="Sonderausstattung"
                           ,f7="Schiebedach"
                           ,f8="Rostschutz"
                           ,f9="Design"
                           , f10= "Rostflecken"
))
 
#  match(DF$f1, 1) & match(DF$f2, 5)

DF %>% Tabelle(Geschlecht, Edu)


kano_res1 <-  Kano( ~ . , DF[-c(1,2)])
APA2(kano_res1, caption = "Einzeln")
stp25APA2:::Kano_Auswertung(kano_res1, rnd_output=FALSE)
# kano_plot(kano_res1)

# library(lattice)
# x<-data.frame (xtabs(~ value+variable, kano_res1$molten ))
#   barchart(Freq ~value|variable, x, origin=0)
# 
DF[-c(1,2)] <- dapply2(DF[-c(1,2)], function(x) factor( x, 1:5, kano_labels))
DF %>% Tabelle2(f1,d1)

kano_res1 <-  Kano( ~ . , DF[-c(1,2)])
APA2(kano_res1, caption = "Einzeln")


kano_res <- Kano( .~ Geschlecht, DF[-2])
APA2(kano_res, caption = "Gruppe")
APA2(kano_res, caption = "Gruppe", include.percent=FALSE)
# kano_plot(kano_res,
#           legend.position = list(x = .75, y = 1),
#           #legend.title= "HAllo",
#           cex.legend=1)

kano_res <- Kano( .~ Geschlecht + Edu, DF )
stp25APA2:::Kano_Auswertung( kano_res, rnd_output=FALSE)


# Kontrolle der Logik

  kano_res1 <-  Kano( ~ . , DF[-c(1,2)], na.action = na.pass)

dat<- na.omit(cbind(DF[c("f1", "d1")], kano_res1$data[2]))
tidyr::spread(dat , d1, Fahreigenschaften)

## End()
#' 
graphics.off()

# res1 <-  Kano( ~ . , DF[-c(1,2)])
res1$dysfunc
windows(9, 7)
kano_plot_del_bar(kano_res)