---
title: "Minds 研究方法流水线目录"
description: "一份公开指南，全面梳理 Minds 可用的定性与定量研究方法、所需输入、版本化流水线阶段、计算器、产出物及边界限制。"
canonical_url: "https://getminds.ai/research/zh/research-method-pipeline-catalog"
last_updated: "2026-09-09T04:00:43.173Z"
---

# Minds 研究方法流水线目录

Minds 将研究方法视为一套产品契约，而非仅仅给对话贴上的功能标签。每个已注册的方法都明确定义了其所需输入、支持的数据源、输出类型、配置模式（Schema）、流水线阶段、产出物契约、可用性、版本号以及对应的计算器（如适用）。

本文梳理了截至 2026 年 8 月 21 日 Minds 研究系统中的方法目录。具体可用性可能因订阅方案、配置及支持的工作流而异。面向客户的功能说明与方案权益仍以 [Minds 功能目录](/guide/features) 及相关服务协议为准。

## 可用方法

<table>
<thead>
  <tr>
    <th>
      方法
    </th>
    
    <th>
      核心目标
    </th>
    
    <th>
      流水线结构
    </th>
    
    <th>
      核心估算或产出物
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      自定义研究
    </td>
    
    <td>
      多问题探索
    </td>
    
    <td>
      采集 → 综合
    </td>
    
    <td>
      回复记录与定性证据
    </td>
  </tr>
  
  <tr>
    <td>
      单点聚焦问题
    </td>
    
    <td>
      单一聚焦问题
    </td>
    
    <td>
      采集 → 综合
    </td>
    
    <td>
      回复与定性证据
    </td>
  </tr>
  
  <tr>
    <td>
      问卷调查
    </td>
    
    <td>
      结构化问卷集
    </td>
    
    <td>
      采集 → 综合
    </td>
    
    <td>
      回复、分布数据与核心主题
    </td>
  </tr>
  
  <tr>
    <td>
      定性探索
    </td>
    
    <td>
      探究原因、异议与表达方式
    </td>
    
    <td>
      采集 → 综合
    </td>
    
    <td>
      定性主题与落地建议
    </td>
  </tr>
  
  <tr>
    <td>
      偏好排序
    </td>
    
    <td>
      优先级排序
    </td>
    
    <td>
      采集 → 估算 → 综合
    </td>
    
    <td>
      版本化排序估算
    </td>
  </tr>
  
  <tr>
    <td>
      人群细分对比
    </td>
    
    <td>
      受众群体差异分析
    </td>
    
    <td>
      采集 → 对比 → 综合
    </td>
    
    <td>
      人群细分对比估算
    </td>
  </tr>
  
  <tr>
    <td>
      MaxDiff
    </td>
    
    <td>
      测量多项属性的相对优先级
    </td>
    
    <td>
      采集 → 估算 → 校验 → 综合
    </td>
    
    <td>
      计数统计、诊断数据与排序证据
    </td>
  </tr>
  
  <tr>
    <td>
      联合分析
    </td>
    
    <td>
      评估属性与水平之间的权衡取舍
    </td>
    
    <td>
      设计 → 采集 → 估算 → 校验 → 模拟 → 综合
    </td>
    
    <td>
      效用值、诊断数据与模拟份额
    </td>
  </tr>
  
  <tr>
    <td>
      NPS
    </td>
    
    <td>
      净推荐值分布（推荐者、被动者、贬损者）
    </td>
    
    <td>
      采集 → 计算 → 综合
    </td>
    
    <td>
      NPS 估算
    </td>
  </tr>
  
  <tr>
    <td>
      Top/bottom box
    </td>
    
    <td>
      量表两端集中度分析
    </td>
    
    <td>
      采集 → 计算 → 综合
    </td>
    
    <td>
      Top/bottom-box 估算
    </td>
  </tr>
  
  <tr>
    <td>
      关键驱动因素分析
    </td>
    
    <td>
      分析驱动因素与业务结果之间的关系
    </td>
    
    <td>
      采集 → 计算 → 综合
    </td>
    
    <td>
      关键驱动因素估算
    </td>
  </tr>
  
  <tr>
    <td>
      TURF
    </td>
    
    <td>
      评估不同组合的增量触达率
    </td>
    
    <td>
      采集 → 计算 → 综合
    </td>
    
    <td>
      TURF 估算
    </td>
  </tr>
  
  <tr>
    <td>
      Gabor-Granger
    </td>
    
    <td>
      评估不同价格点的接受度反应
    </td>
    
    <td>
      采集 → 计算 → 综合
    </td>
    
    <td>
      价格反应估算
    </td>
  </tr>
  
  <tr>
    <td>
      Van Westendorp
    </td>
    
    <td>
      价格敏感度阈值分析（PSM）
    </td>
    
    <td>
      采集 → 计算 → 综合
    </td>
    
    <td>
      Van Westendorp 价格敏感度估算
    </td>
  </tr>
  
  <tr>
    <td>
      Kano
    </td>
    
    <td>
      功能需求与期望分类
    </td>
    
    <td>
      采集 → 计算 → 综合
    </td>
    
    <td>
      Kano 需求分类估算
    </td>
  </tr>
</tbody>
</table>

## 定性工作流

自定义研究、单点聚焦问题、问卷调查以及引导式定性探索均采用样本采集与证据综合流程。当研究目标是发现用户表达习惯、探寻底层原因、梳理潜在异议、提炼核心主题或构建候选假设时，这些方法最为合适。

根据具体方法的不同，产出物可能包含分析报告、数据分布、定性主题以及可落地的行动建议。定性研究结果必须能够溯源至合格的回复记录。绝不能仅仅因为参与的合成受众样本量较大，就将其轻率转化为统计学推断。

## 偏好排序与人群细分对比

偏好排序方法在执行时会构建结构化任务、记录样本回复、调用版本化排序计算器，并生成最终的排序证据。人群细分对比则在不同受众群体中执行预设指标的测试，在进行定性综合之前先运行版本化对比计算。

这两类方法是连接开放式探索与高级实验设计之间的重要桥梁。使用它们的前提，依然是拥有明确定义的受众画像以及表述清晰、无歧义的评估项目。

## MaxDiff 流水线

现有的 MaxDiff 流水线需要预先注册评估项集合。执行过程中，它会创建受控的最佳/最差（Best/Worst）采集任务、记录回复、应用 `maxdiff-count-v1` 估算器、运行 `maxdiff-diagnostics-v1` 诊断程序，并最终综合生成排序证据。

其产出物包括原始回复记录、估算结果、诊断数据和论证证据。诊断环节至关重要，因为如果缺少任务完成度与回复质量的校验，排序结果很容易产生虚假的精准度。

## 联合分析流水线

现有的联合分析（Conjoint）流水线需要输入属性、属性水平以及选择任务。该流水线按序调用：

1. 用于实验设计的 `conjoint-design-v1`；
2. 用于受控选择数据采集的 `panel-conjoint-collection-v1`；
3. 用于参数估算的 `multinomial-logit-v1`；
4. 用于诊断分析的 `conjoint-validation-v1`；
5. 用于配置化模拟测算的 `conjoint-share-simulation-v1`；以及
6. 用于结果解读的证据综合模块。

产出物完整保留了实验设计、回复记录、估算值、诊断指标、模拟份额与论证证据。这确保了整个分析路径完全可复现。但需要明确的是，可复现性并不会自动将合成样本的选择行为等同于真实市场中的观测需求。

## 打分与定价研究方法

NPS、Top/Bottom Box、关键驱动因素分析、TURF、Gabor-Granger、Van Westendorp 以及 Kano 均采用统一的“采集 - 计算 - 综合”架构，并搭配各自专属的配置项与计算器。具体的研究问题必须与所选方法严密契合。

在定价研究中，合成数据的产出主要具有方向性参考价值。它们可以帮助团队对比不同场景、诊断话术表达并优化面向真人的调研问卷，但在缺乏对应的人类行为或真实数据佐证前，绝不能将其直接当作精准的支付意愿。详情可参阅[定价研究方法指南](/blog/pricing-research-methods-guide)。

## 流水线产出物与降级机制

已注册的方法明确声明了必需的产出物，以及在执行存在风险或配置不足时可作为替代方案的降级方法。降级过程必须保持透明，绝不能将一份问卷调查结果错误地标记为已完成的联合分析或 MaxDiff 研究。

研究产出同样依赖于回复契约与数据分类。只有当合格回复完全符合该方法所要求的数据结构时，确定性估算才会启动。完整的产出物调用链路，确保了分析摘要能够与底层回复数据及计算过程完全对齐、互相印证。

## 本目录所证明的事实

本目录证明了 Minds 已经在研究系统中将上述方法落地为可用、版本化的工程流水线，但并不代表其具备普遍的外部有效性。模型与方法验证包含两个层级：

- 工程实现验证：实验设计与计算器的运行完全符合技术规范；
- 证据有效性验证：合成回复与决策所需的真实人类或行为基准保持一致。

两个层级缺一不可。详情请参考[定量研究流水线对比 AI 角色扮演对话](/comparison/quantitative-research-pipelines-vs-ai-persona-chat)以及[合成受众有效性与准确度对比](/comparison/synthetic-audience-validation-and-accuracy)。

## 如何选择合适的方法

- 当业务问题或用户表达尚不明确时，使用定性探索。
- 当决策核心在于相对优先级时，使用偏好排序或 MaxDiff。
- 当涉及多属性组合与权衡取舍时，使用联合分析。
- 针对不同的定价问题，分别使用 Gabor-Granger 或 Van Westendorp。
- 当需要评估不同组合的增量触达率时，使用 TURF。
- 当需要梳理功能需求的属性分类时，使用 Kano 模型。
- 当决策取决于不同受众群体间的差异时，使用人群细分对比。
- 当决策需要外部确定性证据时，开展真人实测或真实行为研究。

建议结合 [Minds 方法论](/research/methodology)、[Minds 研究](/research)、[合成受众验证清单](/research/synthetic-audiences-validation-checklist)以及[合成受众平台综合指南](/blog/synthetic-respondents-comparison-hub)共同阅读。