·Use-case·Minds Team
利用 AI 执行 SaaS 定价联合分析
Minds 能够完整执行基于选择的联合分析，从定义属性与水平开始，经过服务器构建的选择设计、AI 受众数据收集、条件 Logit 估计、留留样本验证到偏好份额模拟。SaaS 团队可以快速比较产品打包假设，随后通过招募的真实买家验证高风险的定价决策。
Minds 可以在单个 Study 内执行针对 SaaS 定价与打包方案的基于选择的联合分析（Choice-Based Conjoint）。团队定义属性与水平，服务器构建完整的产品配置方案，AI 受众做出强制选择，工作流随即计算部分价值（Part-Worths）、检查留留任务（Holdouts），并模拟不同方案间的偏好分布。该方法专为评估权衡取舍而设计，而非简单询问每种功能听起来是否有价值。
当买家的选择取决于一包组合条件时，应使用联合分析。SaaS 套餐很少仅仅代表一个价格，它往往融合了用量限制、协作功能、集成能力、技术支持、安全级别、合同期限以及一系列产品功能。分别询问单项指标的重要性，无法可靠地揭示买家是否愿意为了更大的用量而支付更高的价格，或者为了更短的履约承诺而放弃高级支持。
因此，联合分析非常适合产品营销、商业化 monetization、增长和用户洞察团队用于决策如何包装方案。它也为咨询公司提供了一种结构化方法，在推荐上线架构前对客户的打包假设进行测试。如果团队只需要对单份功能列表进行优先级排序，请运行 MaxDiff 功能优先级排序。如果核心问题是针对单一固定方案建立价格阶梯，Minds 定价研究方法指南解释了何时使用 Gabor-Granger 或 Van Westendorp 更加简便。
建议从产品方案的最简可信模型开始。Minds 需要设置属性、水平以及选择任务的设计目标。至少需要两个属性，且每个属性至少包含两个水平，因为单属性研究无法提供跨属性的权衡取舍。在实际操作中，一个 SaaS 试点项目通常包含三到六个属性，每个属性设两到四个水平。
良好的属性应当描述某个决策维度，例如月费价格、席位数量、用量配额、技术支持响应速度或集成接口权限。良好的水平应当具体且具备可比性。除非明确说明了实际差异，否则应避免使用“基础”、“较好”和“最好”这类模糊水平。仅在某种组合在现实中不可能出现或逻辑上受限时才添加约束条件。规划人员可以提出一种配置提案，但团队应当确认最终生成的每一个方案都能被理解，且在理想情况下具备实际可售性。
在执行前，请检查以下事项：
- 受众：包含与打包决策相关的买家、管理员或最终用户视角。
- 属性独立性：避免在多个字段中编码相同的权益。
- 水平真实性：使用合理的定价和功能描述，不要假定它们已经得到证实。
- 任务负担：每增加一个水平都会扩大设计空间并增加所需的选择数量。
服务器会生成确定性的 D-优化选择设计，无需研究人员手动编写配置组合。受访者在完整的方案之间做出选择。注册的估计器随后拟合条件 Logit 模型，计算每个水平的部分价值和属性重要性。留留任务提供验证诊断，模拟器则将估计出的效用应用于候选配置，生成偏好份额证据。
这形成了一条包含设计、响应、估计、诊断和模拟的可追溯链条。如果某个设计的属性部分价值无法独立估算，产品将拒绝展开该设计，这比返回一个看似完美但无法识别的模型更有价值。方法计算结果是报告总结的权威依据，因此后续阐述可以直接使用注册数据，而无需另行编造二次计算。
一个实用的 SaaS 工作流是：比较少数几个可信的套餐架构，观察哪些属性推动了合成受众的选择，并使用模拟器对新配置进行压力测试。随后将最强有力的假设带入信息测试、销售访谈或真实招募买家的研究中。Minds 定价研究指南提供了关于方法选择的更广泛流程。
联合分析对实验设计质量极为敏感。部分价值依赖于所选的受众、属性、水平、约束条件和任务设置。遗漏关键属性可能会扭曲其余属性的表面价值。不切实际的组合可能会导致受访者忽视实验，而过多的水平则可能造成超出证据承载能力的任务负担。
合成受众的结果应当被视为方向性证据。在没有招募买家和严密抽样计划的情况下，切勿将模拟的偏好份额转化为收入预测，也不要声称其具备总体代表性。当决策涉及修改合同条款、收入预期、公开声明或大规模市场投入时，务必对定价进行验证。应当明确对比合成受众与真实人群的数据证据，而非将其融合成单一数字。
- 受众：目标企业规模细分市场中的 SaaS 买家与管理员。
- 决策：确定哪种打包架构应进入后续的买家验证阶段。
- 属性：价格、用量配额、技术支持、集成接口以及一项差异化功能。
- 水平：每个属性设置两到四个具体且可行的数值。
- 方法：带有留留验证的基于选择的联合分析（Choice-Based Conjoint）。
- 输出：部分价值、属性重要性、诊断结果以及候选方案间的模拟偏好分布。
发起一个 Minds Study，选择联合分析，并输入一组精简且可信方案的属性与水平。将第一次实验设计视为一次模型审计：如果相关方无法就合理的水平或可行的组合达成一致，请在邀请任何受众做出选择之前先解决该产品层面的问题。
