--- title: "使用 AI 进行联合分析" description: "在 Minds 的联合分析工作流中配置属性、运行服务器构建的 D-最优选择设计，并模拟产品偏好份额。" canonical_url: "https://getminds.ai/use-cases/zh/conjoint-analysis-with-ai" last_updated: "2026-10-01T01:35:34.863Z" --- # 使用 AI 进行联合分析 Minds 提供了联合分析工作流，通过方向性的合成受众样本组评估多属性产品的权衡决策。团队输入属性、水平、约束条件和任务参数，以生成服务器构建的 D-最优选择设计。Minds 收集完整配置之间的选择，拟合条件 Logit 模型，并输出属性重要性、每个水平的偏效用值、留存验证诊断以及方向性的偏好份额模拟，从而在开展真人实地调研前指导产品策略。 ## 联合分析所支持的决策 产品和研究领导层在设计软件打包装、消费品、硬件层级或服务组合时，常面临艰难的权衡决策。当产品团队需要确定目标买家是否更看重更长的电池续航而非更薄的机身，或者更低的基准价格而非包含的高级支持时，直接打分量表往往会失效。受试者通常会将每个功能都标记为至关重要，将每个价格点都标记为过高。联合分析通过收集由不同属性水平构成的完整配置之间的选择来解决这一问题。 该方法量化了买家赋予各个属性的价值，并计算了每个水平的相对效用。通过观察结构化任务集中的选择，研究团队可以估算每个水平的偏效用值，从而揭示受试者为了获得偏好的功能而作出了哪些让步。联合分析支持产品组合决策、功能包含列表、定价层级边界以及竞争定位。 像 MaxDiff 这样的相邻方法单独衡量单个功能的相对重要性，而 Gabor-Granger 和 Van Westendorp 则严格侧重于单项价格弹性。联合分析在统一的产品配置中同时评估功能和价格。该方法不是直接询问受试者想要什么，而是在现实的产品轮廓中评估完整配置之间的选择。 在 Minds 中，联合分析充当早期阶段的方向引擎。产品经理在开展真人实地调研或工程项目之前，针对合成受众测试属性组合，以确定功能组合和定价结构。 ## 配置研究 在 Minds 中执行联合分析研究，需要在向受众发布运行任务之前定义结构化设计参数。系统依赖特定输入来构建选择实验。 首先，指定属性和水平。属性代表产品的核心维度，例如屏幕尺寸、月价、电池续航或保修时长。水平是每个属性可以取到的离散值。 其次，定义可行性约束条件。如果某些属性水平组合在逻辑上不可能或在商业上不可行，例如基础版本包含企业级安全控制，或者高性能型号设定为最低价格点，请输入可行性约束条件。Minds 会从设计空间中排除这些被禁止的组合。 第三，设置任务数量。指定介于 4 到 40 之间的任务数量，以确定在运行期间评估多少个选择集。 第四，定义每项任务的备选方案数量。指定在每个选择集中展示的 2 到 5 个完整产品配置。 第五，配置可选的留存验证任务。设置 0 到 10 个可选的留存验证任务。留存验证任务是在配置期间预留的选择集，不参与条件 Logit 模型训练。Minds 仅在拟合模型参数后使用留存验证任务来生成验证诊断。 第六，选择估计器 ID（estimator id），该参数配置为 multinomial-logit-v1。 一旦提交了属性、水平、可行性约束条件、任务数量、每项任务备选方案数、可选留存验证任务和估计器 ID，Minds 就会构建研究基础。 ## Minds 如何运行该方法 执行遵循结构化流程。参数确定后，服务器会构建 D-最优选择设计。该程序构建了一个尊重所有定义的约束条件和任务限制的实验设计。生成的矩阵可以平衡水平展示并优化统计估算。 随后，Minds 将选择设计部署到指定的合成受众样本组。合成画像在生成的任务集中执行完整配置之间的选择。在每项任务中，合成受试者评估并排展示的产品概念，并选择单个偏好选项。强迫选择反映了买家在采购环境中所面临的权衡。 收集完成后，Minds 使用条件 Logit 估计器启动偏效用估算。条件 Logit 模型处理完整配置之间的选择，以量化每个属性水平对整体轮廓偏好的相对贡献。系统针对所有属性计算每个水平的偏效用值，将分类选择转换为精确的连续对数胜算（log-odds）指标。 流程接下来运行留存验证阶段。注册的留存验证阶段通过在配置期间预留的留存任务上测试模型来生成诊断信息。Minds 记录命中率和诊断结果以建立基线拟合度。 最后，仅当提供了配置时，平台才会执行偏好份额模拟。系统通过将目标产品配置与替代概念并排展示来模拟竞争场景，利用估算的偏效用值预测方向性的偏好份额。这些输出返回方向性的偏好份额，切勿被称为预测市场份额。 ## 解读输出结果 Minds 联合分析运行所生成的输出提供了专门针对研究综合定制的结构化数值分析。 选择设计表记录了整个研究中展示的完整任务矩阵，确认了设计平衡性和约束合规性。 原始选择数据集包含在所有展示的任务集中记录的选择，为下游验证提供了审计轨迹。 每个水平的偏效用估算总结了每个属性水平的效用，并按分隔的水平 ID（separated level ids）进行组织。正偏效用值表示相对于基线水平偏好度增加，而负值则反映相对负效用。研究团队评估这些数值，以确定在定价层级或功能包含项之间切换时计算出的偏好度下降。 属性重要性得分表达了每个属性对总体选择变异的相对贡献。这指出了哪些维度在总体上拉动选择。如果价格的属性重要性为百分之四十，则表明价格对决策结果的影响力是得分百分之二十的保修属性的两倍。 拟合输出参数包含对数似然（log likelihood）、无解释变量对数似然（null log likelihood）、McFadden R 方（McFadden R-squared）、命中率（hit rate）、观测值数量（observations）、参数（parameters）、收敛状态（convergence status）以及分隔的水平 ID（separated level ids）。 来自留存验证阶段的验证诊断提供诊断性能指标，包括留存任务上的命中率。 当提供配置时，模拟输出会返回方向性的偏好份额。这些结果展示了更改功能配置或价格点时方向性偏好份额如何变化。团队将假设的产品发布与竞争对手的基线进行对比测试，以找出能够最大化方向性偏好份额的配置。这些方向性偏好份额切勿被表述为预测市场份额。 ## 专业市场研究和产品团队的工作流 专业的研究和产品组织将 Minds 联合分析运行集成到探索和验证流程中。 团队首先与内部利益相关者共同定义候选属性和预期定价层级。研究经理将这些参数输入 Minds 以运行合成预测试。合成受众样本组针对权衡敏感性提供方向性反馈，使团队能够不断迭代。 如果初始偏效用输出显示某些功能贡献的效用微乎其微，产品经理会消除这些属性或调整水平边界。如果价格敏感性主导了所有其他维度，团队会重新校准水平间距以建立更清晰的差异化。 一旦合成联合分析运行给出了明确的属性重要性、分隔的水平 ID 以及留存验证诊断，团队就会导出最终确定的实验参数。随后，属性、水平和约束规则会被部署到招募的真人受众样本组调研中。 通过在 Minds 中预测试联合分析设计，研究人员可以在开展真人实地调研前评估任务参数、审查 McFadden R 方和对数似然等拟合指标，并完善问卷结构。方向性的合成输出可为高管汇报提供参考并保持产品路线图一致，而招募真实受试者则提供外部验证。 对于发布后管理，团队可以通过提供新配置在 Minds 中重新运行模拟，以评估方向性的偏好份额，而无需重新开展实地调研。如果竞争对手降价或推出新打包方案，分析师可以在 Minds 中调整轮廓参数来模拟方向性的偏好份额，然后再决定是否将资源投入正式的实地研究。 ## 局限性与验证 Minds 中的合成受众证据本质上是方向性的。在合成受众样本组上执行的联合分析运行反映了基于底层基线事实建构的画像行为模型，而非统计上的市场真实情况。Minds 不承诺统计代表性或绝对准确性。 合成联合分析研究不能替代招募的真人受试者、真实世界的受众验证或真实的行为购买数据。相反，Minds 通过筛选假设、确定属性范围、改进问卷结构以及将招募预算集中于关键研究问题，来补充真实的实地调研。 某些商业边缘情况需要通过招募的真人受试者进行验证。重大价格变动、没有历史市场先例的新型产品类别发布以及监管审查必须通过真实的人类受众样本组进行验证。合成受众样本组提供方向性筛选，但最终降低风险仍需要真人实地调研。 通过将 Minds 中的联合分析用作迭代设计工具，研究和产品团队可以缩短问卷开发周期、评估模型参数，并带着结构化的工具开展真人实地调研。