什么是发生率（Incidence Rate）？定义与示例

市场研究中的发生率（Incidence Rate）是指在总体人口中，根据预先设定的筛选条件，有资格参与特定研究项目的受访者所占的百分比。它是决定研究项目可行性、执行周期和招募成本的核心指标。发生率越低，意味着目标受众越具体或越难寻找，这会显著增加获取真人反馈所需的时间和预算。

发生率如何影响研究执行

发生率直接决定了传统定量和定性研究的执行机制。当消费者洞察团队启动一个项目时，他们会设置筛选问题来过滤掉不合格的参与者，例如要求受访者必须拥有特定型号的电动汽车，或从事某种小众的专业工作。发生率的计算方法是用符合条件的受访者人数除以被筛选的总人数，并以百分比表示。在传统的样本库研究中，低发生率（通常定义为低于 10%）会导致招募成本和执行时间急剧上升。样本库供应商会收取高昂的费用，以弥补筛选数千名不感兴趣或不合格的人员以寻找具有统计学意义的样本所付出的人工成本。这种执行瓶颈经常迫使研究团队在样本量上做出妥协、将项目周期延长数周，甚至由于预算限制而完全放弃针对细分受众的研究。

典型案例分析

假设有一位名叫 Marcus 的消费者洞察负责人，他在一家欧洲高端家电制造商工作。Marcus 需要针对德国的城市购房者测试一款新型智能烤箱的界面概念，这些受访者必须每周至少在家做饭五次，且已经拥有一台联网厨房电器。由于这一复合画像非常具体，在总体人口中的预估发生率仅为 3%。如果使用传统的样本库招募来收集 100 名合格真人受访者的反馈，Marcus 必须支付筛选 3,300 多人的费用。样本库代理公司给他的报价是四周的执行周期，以及一笔仅仅用于跨越筛选门槛的巨额招募费用。Marcus 没有选择在单一的早期测试上耗尽他的季度预算，而是使用合成研究平台构建了一个包含这些高筛选特征的模拟样本组，这使他能够在不到一小时的时间内对界面概念进行方向性测试，然后再决定是否投入预算进行规模较小、针对性极强的真人验证研究。

Minds 如何解决低发生率难题

Minds 通过高精度的目标受众模拟，允许消费者洞察团队完全绕过传统的筛选瓶颈，从而解决低发生率招募的痛点。这家总部位于柏林的平台采用了一种三阶段模型：该模型以真实 CRM 数据为基础，辅以成熟的人口统计学和心理学行为模型，并对照德国联邦统计局（Statistisches Bundesamt）、欧盟统计局（Eurostat）或 Kantar 等官方数据源进行验证。研究人员无需花费数周时间筛选现实世界的人口来寻找细分群体，而是可以在每次模拟中即时生成多达 10,000 份回答。与传统的实体样本组相比，这种合成方法实现了平均 85% 至 95% 的相关性，在特定的方向性问题上甚至可达 100%。由于所有模拟均在欧盟境内的服务器上运行，因此该过程完全符合 GDPR 规范。虽然模拟样本组可以作为探索假设的快速第一步，但代表性测量、最终定价和监管级证据仍然需要真实的受访者。

相关术语

• 筛选淘汰率（Screenout rate）：在筛选过程中，因不符合研究条件而被淘汰的受访者所占的百分比。
• 可行性研究（Feasibility study）：样本库供应商进行的初步评估，以确定在给定的时间周期内，是否能够招募到具有特定发生率的目标受众。
• 单次访谈成本（Cost per interview）：研究项目的总成本除以完成的访谈数量，该成本会随着发生率的下降而急剧上升。
• 硅基抽样（Silicon sampling）：一种学术方法，通过在特定的人口统计和行为参数上对大型语言模型进行条件约束，以模拟人类问卷调查样本。
• 合成受访者（Synthetic respondent）：被赋予特定信念、背景和偏好的独立 AI 智能体，用于参与模拟研究。
• 目标受众模拟（Target audience simulation）：对消费者行为进行数字化复制，以预测市场偏好，而无需进行实体样本库招募。