Générer une variation supplémentaire est souvent plus simple que de décider laquelle mérite d'être approfondie. Un graph ComfyUI peut produire différentes images, retouches, miniatures ou traitements vidéo, mais la décision relative à l'audience se prend généralement hors du graph. Vous exportez les fichiers, rédigez un brief d'étude, recueillez un résultat, puis devez retrouver l'original correspondant.
Minds intègre une question de préférence ciblée directement dans ce workflow. Un nœud unique Minds · Audience Preferences reçoit les alternatives, prépare un brouillon de Study vérifiable, l'exécute après validation et affiche la réponse dans le graph. Les images ou vidéos originales sélectionnées peuvent ensuite être directement enregistrées ou traitées en aval.
Le choix créatif oppose ici l’énergie d’un événement de football à une scène Share a Coke centrée sur les bouteilles. Quatre Minds QA ont choisi la seconde image, la publicité B ; un a choisi la publicité A. La répartition 80 %/20 % appartient à ce contrôle d’intégration avec cinq Minds. La capture conserve les visuels de campagne et l’original enregistré pour relier la préférence au contenu présenté, sans en faire une prévision des performances publicitaires. Sources des campagnes: Coca-Cola football, Share a Coke.
Placez le pointeur sur les résultats et faites défiler avec la molette ou avec deux doigts sur le pavé tactile pour atteindre les conclusions et les commandes du bas. Le graphe reste immobile. Cette capture de documentation plus haute montre le résultat complet en une seule vue.
Minds est la plateforme de bout en bout dédiée aux études synthétiques commerciales. Elle relie le qualitatif et le quantitatif grâce à des Minds, des Audiences et des Studies réutilisables. Minds PRISM constitue le socle de raisonnement, d'inférence et de modélisation des sources sous-jacent à chaque Mind, exploitant le contexte de sources publiques et les données d'études autorisées pour fournir des insights directionnels ciblés.
La plateforme globale prend en charge l'exploration ouverte, les questionnaires et les méthodes quantitatives comme MaxDiff. Cette intégration ComfyUI offre un test de préférence catégorielle ciblé au sein de cet écosystème connecté. Elle est idéale lorsque la décision immédiate consiste à déterminer quelle alternative fournie est préférée par une population donnée pour un usage précis. Le guide des fonctionnalités détaille les méthodes d'étude plus larges lorsque votre questionnement dépasse un simple choix au niveau du graph.
Le widget de résultat est intégré au nœud, tandis que les champs habituels de ComfyUI recueillent la question et les paramètres d'entrée. Vous pouvez analyser la réponse visuellement et exploiter les sorties structurées pour le routage. Le nœud ne nécessite pas de nœud de planification, de validation et de classement séparés pour les usages courants.
Définissez la décision avant de générer un volume important de variations. « Quelle image est la meilleure ? » laisse l'objectif dans le flou. « Quelle image préféreriez-vous comme visuel principal sur cette page produit ? » fournit un usage et un critère de préférence explicites. Aucune des deux formulations n'établit un gain de conversion mesuré, mais la seconde offre un cadre d'analyse bien plus clair.
Veillez à ce que les alternatives restent suffisamment comparables pour que la réponse soit exploitable. Si chaque variante modifie simultanément le produit, la promesse, le style visuel et l'emplacement, le test de préférence vous indiquera quel ensemble complet a été retenu sans isoler la cause du choix. Cela peut être utile, mais il s'agit d'une démarche différente du test d'une seule accroche révisée ou d'un plan d'ouverture modifié.
Choisissez une Audience pertinente, vérifiez son ancrage et sa disponibilité, et conservez le même contexte de visualisation pour toute la comparaison. Le guide des Minds décrit le profil méthodologique des répondants. Une population dotée d'un intitulé évocateur ne garantit pas automatiquement sa représentativité et ne permet pas d'extrapoler un pourcentage créatif en prévision de marché.
Connectez deux variantes d'images générées aux entrées images et images_b, puis nommez-les dans labels_json. Décrivez le produit et l'emplacement sans orienter l'Audience vers l'image que vous souhaiteriez voir gagner. Demandez quelle déclinaison elle préfère pour cet usage précis.
L'objectif est d'obtenir une prochaine action créative : conserver une version pour la développer, explorer une objection récurrente identifiée dans les retours, ou retenir deux options très proches pour un nouveau comparatif. Analysez les réponses détaillées en parallèle de la distribution. Une esthétique appréciée et une explication produit crédible sont deux aspects créatifs liés, mais ils ne constituent pas des mesures interchangeables.
Pour tester une révision de manière rigoureuse, maintenez l'offre sous-jacente et le contexte stables, puis modifiez uniquement l'élément créatif visé. Si vous modifiez plusieurs variables à la fois, interprétez le résultat comme la préférence pour une exécution globale plutôt que comme l'impact isolé d'un composant unique. L'exemple de sélection publicitaire inclus dans le pack illustre la structure du graph ; le guide de configuration explique comment connecter vos médias et vos Audiences réels.
Une miniature est perçue à côté d'un titre, à une taille précise et au sein d'un flux ou d'une interface spécifique. Intégrez le contexte pertinent dans la question et présentez les propositions à une taille de rendu réaliste. Si votre décision dépend de la lisibilité, le stimulus doit conserver le texte et la composition exacte que l'Audience doit évaluer.
Posez une question ciblée, par exemple quelle miniature les répondants préféreraient pour la vidéo décrite. Ne requalifiez pas la part de préférence obtenue en « taux de clic ». Le nœud enregistre une réponse catégorielle synthétique ; il n'a pas diffusé ces miniatures auprès d'un panel recruté dans un flux réel pour mesurer leurs clics.
Vous pouvez vous appuyer sur la direction plébiscitée pour préparer la prochaine itération. Si les réponses mettent en évidence une ambiguïté ou une promesse trompeuse, ajustez les propositions et lancez un nouveau test. Conservez la référence de la Study précédente afin que votre équipe puisse distinguer le premier comparatif du contenu révisé.
Utilisez des alternatives d'images pour évaluer une piste de packaging telle qu'elle est présentée. Précisez la catégorie de produit et la situation d'achat ou d'usage dans laquelle le design doit être envisagé. Utilisez des étiquettes neutres et assurez-vous que les textes visibles correspondent exactement à ceux que vous souhaitez tester.
Une image permet d'interroger l'Audience sur l'exécution visuelle affichée. Elle ne peut en aucun cas renseigner sur la texture physique d'un matériau, l'expérience d'ouverture du packaging ou l'ergonomie d'un objet réel. Si ces critères sont déterminants, intégrez les méthodes adaptées à votre démarche de recherche globale au lieu de traiter une préférence d'image comme un test sensoriel.
Pour itérer sur un packaging, conservez la création originale et la version modifiée. Le graph peut renvoyer l'image originale préférée tandis que la Study enregistrée conserve tout le contexte d'évaluation. Cela facilite grandement l'explication de la décision, bien plus qu'une simple capture d'écran d'un graphique sans étiquettes.
Les entrées natives VIDEO acceptent de véritables clips. L'adaptateur les encode en MP4 pour l'envoi et conserve les objets VIDEO originaux pour la sélection en aval. La piste audio intégrée à ces objets est préservée. Ce workflow est donc parfaitement adapté aux questions qui dépendent de l'exécution complète plutôt que d'une simple description textuelle d'un montage imaginaire.
Cette capture montre deux séquences de test courtes de 2 secondes avec audio. Trois Minds QA ont choisi la vidéo A et deux ont choisi la vidéo B, soit un résultat de 60%/40%. Le test englobait l'exécution approuvée, le rendu du résultat et l'enregistrement natif de la vidéo. Il confirme que ce parcours pour vidéos courtes fonctionne dans l'environnement ComfyUI testé, sans pour autant garantir la compatibilité avec tous les formats ou durées de vidéos longues.
Précisez si l'Audience doit évaluer le clip avec le son et à quel usage précis se rapporte la préférence. Une question portant sur la présentation globale d'un produit diffère d'une évaluation focalisée sur l'accroche initiale. Si votre décision finale nécessite d'observer le temps de visionnage effectif ou l'attention réelle, recueillez ces mesures séparément. Le guide vidéo aborde en détail les ports, les limites, l'ordre des variantes et les spécificités liées à l'audio.
Connectez la création originale et la révision proposée. Nommez-les clairement, attribuez-leur le même usage prévu et formulez une question de préférence ciblée. Gardez une trace des modifications apportées afin qu'un collaborateur puisse comprendre la comparaison ultérieurement.
Si vous avez modifié plusieurs éléments, la réponse portera sur l'ensemble de la révision. Un meilleur score ne permet pas à lui seul de déterminer quelle retouche précise a fait la différence. Si votre prochaine étape exige cette distinction, concevez une nouvelle comparaison ou utilisez le workflow Minds plus large pour analyser ce point précis.
Cliquez sur New test après avoir modifié le contenu, la question, les étiquettes, le contexte, les Audiences ou la langue de l'étude. Cela génère un nouvel identifiant de requête et requiert une nouvelle validation. Réutiliser une approbation existante pour une version modifiée fausserait la traçabilité entre la création et l'étude enregistrée.
Sélectionnez plusieurs Audiences disponibles lorsque la même création s'adresse à différentes cibles. La réponse présente la distribution propre à chaque Audience de façon distincte. Une divergence peut s'avérer très instructive : une déclinaison peut répondre parfaitement aux attentes d'un segment, tandis qu'un autre groupe préférera une approche différente.
Ne fusionnez pas ces résultats pour désigner un vainqueur global sans un protocole d'étude solide pour le justifier. Le nœud requiert expressément un paramètre selection_audience_id lorsque plusieurs Audiences sont présentes et que la sélection native doit s'exécuter. Choisissez une Audience incluse dont le classement pilotera cette branche du graph. Les résultats des autres Audiences restent consultables.
Si les segments suggèrent des partis pris créatifs distincts, développez ces pistes sous forme de décisions explicites. Le nœud n'extrapole pas silencieusement de pondération de marché à partir des noms d'Audiences, et un volume plus élevé de Minds dans un test ne constitue pas automatiquement une règle de pondération de population.
Installez le pack officiel ComfyUI-Minds sur le serveur ComfyUI que vous administrez, installez ses dépendances avec l'environnement Python de ce serveur et redémarrez-le. Configurez votre gestionnaire d'identifiants pour injecter MINDS_API_KEY dans le processus du serveur. Cette clé doit rester en dehors du fichier JSON partagé du workflow et des champs de saisie classiques.
Chargez l'un des exemples du pack ou ajoutez le nœud Minds · Audience Preferences. Connectez les médias, définissez des étiquettes distinctes, saisissez des identifiants d'Audiences existantes et prêtes à l'emploi, puis rédigez la question et le contexte. Le nœud prend également en charge les références d'images/vidéos hébergées et les concepts textuels étiquetés via assets_json ; ces entrées renvoient des références ou des concepts sélectionnés, et non des médias natifs qui n'auraient jamais été connectés.
Lancez une première fois la file d'attente (Queue) pour préparer le brouillon enregistré. Examinez la question, les alternatives, les Audiences sélectionnées et la langue. Validez le brouillon, puis relancez l'exécution pour lancer l'étude approuvée. Le nœud bloque les sorties en aval tant que la révision obligatoire et le résultat final ne sont pas disponibles.
Cette étape de révision est un point de contrôle précieux pour repérer un ordre d'étiquettes inversé, une Audience inadaptée ou une condition de visionnage omise dans la question. Elle garantit également que l'étude enregistrée correspond exactement à la demande formulée, évitant ainsi d'exécuter un plan modifié sans votre accord.
Lisez la question et l'Audience intégrées avant d'analyser le graphique. Examinez les conclusions et les réponses individuelles disponibles. Déterminez ce que le résultat permet d'acter : choisir une direction à affiner, conserver une sélection restreinte, analyser un élément déroutant ou préparer un test de validation ultérieur.
Connectez selected_images ou selected_videos à un nœud d'enregistrement ou de traitement compatible pour continuer à travailler avec le contenu natif original. Définissez top_k pour obtenir une sélection resserrée. En cas d'ex æquo au seuil fixé, toutes les variantes concernées sont conservées, ce qui peut renvoyer un nombre de candidats supérieur au chiffre indiqué. L'adaptateur préserve l'incertitude du classement en maintenant l'égalité plutôt qu'en sélectionnant arbitrairement la première entrée.
Utilisez results_json lorsqu'une étape ultérieure nécessite les références de la Study et de l'exécution, le classement par Audience et l'association créative exacte. Le résultat structuré laisse la confiance à null ; il n'invente aucun intervalle statistique et ne requalifie pas une préférence en performance de campagne. Le guide des résultats et du dépannage documente l'ensemble des champs et les cas de sorties bloquées.
Si l'étude est toujours en cours lors de l'expiration du délai d'attente local (polling), relancez le workflow inchangé pour reprendre l'exécution enregistrée. Utilisez New test uniquement lors de réelles modifications d'étude. Cette distinction évite de dupliquer inutilement une étude suite à une interruption réseau ou de traiter une nouvelle création comme une simple tentative inchangée.
ComfyUI est idéal lorsque les médias générés doivent rester natifs au sein d'un graph de production. Une interface conversationnelle peut s'avérer plus pratique lorsque la tâche concerne la planification d'études, une exploration plus large ou une séquence orchestrée par des agents. Le guide ChatGPT, le guide Claude, la vue d'ensemble des intégrations et la vue d'ensemble MCP détaillent ces options.
Tous ces points d'entrée se connectent à la plateforme d'étude globale Minds. Une évaluation ciblée de préférences créatives peut s'inscrire comme une étape dans un cycle complet comprenant la création d'Audiences, l'exploration qualitative, les questionnaires, les méthodes quantitatives prises en charge, la comparaison et l'exportation. Veillez à utiliser des données adaptées au niveau de décision requis, y compris des panels humains recrutés, des mesures en conditions réelles ou des tests physiques lorsque la situation l'exige.
Consultez le guide de configuration ComfyUI pour exécuter votre première comparaison validée. Référez-vous au guide vidéo pour le mouvement et le son, et au guide des résultats pour analyser les données renvoyées par le nœud. L'objectif est d'aboutir à une décision créative traçable : la bonne population, les contenus réels, une question claire et un résultat qui éclaire directement vos prochaines étapes.
