CxHub客户体验社区-用户研究、体验爱好者学习交流社区，专注客户体验(CX)研究。
社交媒体
接续上一章，以手机行业作为案例基础，对6种联合分析法进行分析对比。
专业介绍
选择型联合分析（CBC）是一种基于选择实验设计的联合分析方法，模拟真实的市场选择情境。
它通过设计一组精心挑选的产品组合让消费者选择，而不是展示所有可能的组合，要求受访者在其中选择最偏好的选项，进而估算各属性水平的效用值。
CBC 能有效处理多属性、多水平的复杂产品配置，适用于预测市场份额和优化产品组合。
通俗介绍
选择型联合分析就像在买手机时，面对多个选项，你需要从中选出最喜欢的一款。
研究人员通过这种方式了解你在不同手机配置中最看重哪些特征，比如价格、品牌或摄像头质量。
注意事项
适用范围：适用于需要模拟真实选择行为的复杂产品，如智能手机。
使用情境：当研究目标是预测不同手机配置在市场上表现，或优化产品组合提升市场竞争力时。
样本量：需要较大的样本量（通常200+）以确保结果的可靠性。
设计复杂度：需要专业软件（如 Sawtooth、SPSS、R）进行实验设计和数据分析。
专业介绍
分层贝叶斯联合分析（HB）通过层次贝叶斯模型，结合个体层面的效用估计与群体层面的参数分布，能够精确捕捉个体差异和群体整体偏好。
HB 方法在处理异质性用户群体和小样本数据时表现优异，广泛应用于高精度的市场细分和个性化产品设计。
通俗介绍
分层贝叶斯联合分析就像为每个人量身定制一套选择手机的标准。
它不仅看整体用户的偏好，还能细致到每一个用户独特的喜好，帮助厂商更精准地满足不同用户的需求。
注意事项
适用范围：适用于高度异质性的用户群体和样本量有限的研究。
使用情境：当需要深入了解不同用户群体的个性化偏好，或在数据不充分的情况下依然需要高精度的偏好估计时。
计算复杂度：需要较高的计算资源和专业建模能力。
结果解读：效用值的个体差异可能增加结果的复杂性，需专业人员进行解读。
专业介绍
自适应联合分析（ACA）通过动态调整问卷中的属性组合，根据受访者的实时反馈优化问题设计。
此方法能够减少认知负担，提高数据质量，特别适用于属性和水平较多的复杂产品研究。
通俗介绍
自适应联合分析就像在聊天中逐步了解你的喜好。
研究人员根据你的每一个选择，动态调整后续的问题，让你更轻松地表达对手机各项功能的真实看法。
注意事项
适用范围：适用于属性和水平数量较多的复杂产品，需减少受访者负担。
使用情境：当研究涉及多个手机配置参数，且希望通过互动问卷提升用户体验和数据质量时。
实施复杂度：需要专业软件和灵活的问卷设计。
专业介绍
全析取联合分析（Full-Profile Conjoint Analysis）是联合分析法的经典形式，要求受访者对完整的产品配置进行评估。该方法直观易用，适用于属性和水平较少的研究，但在处理高复杂度产品时，组合数量迅速增加，限制了其应用范围。
通俗介绍
全析取联合分析就像一次性展示一整台手机的所有特点，让你为每款完整配置的手机打分或选择。这种方法简单直观，但如果手机功能太多，选择起来可能会让人觉得麻烦。
注意事项
适用范围：适用于属性和水平数量较少（如3-4个属性，每个属性3个水平以内）的研究。
使用情境：当手机配置较为简单，属性较少时，使用全析取法能够快速获取用户偏好。
受访者负担：过多的属性组合可能导致受访者疲劳，影响数据质量。
专业介绍
离散选择实验（DCE）是一种基于选择的数据收集方法，强调模拟真实选择情境。
通过呈现多选项，要求受访者进行选择，DCE 能够准确捕捉用户在复杂决策中的偏好。
通俗介绍
离散选择实验就像在购物时面对多个手机选项，你需要从中选出最想购买的一款。
研究人员通过这种方式了解你在真实选择中看重哪些手机配置。
注意事项
适用范围：适用于需要模拟真实选择情境的复杂产品研究，如手机、汽车等。
使用情境：当研究目标是深入理解用户在多属性、多选项中的选择行为，预测不同配置的市场表现时。
设计复杂度：需要精心设计选择集，确保实验的科学性和有效性。
样本量：通常需要较大的样本量以确保结果的可靠性。
专业介绍
最佳-最差联合分析（BWS）要求受访者在一组选项中选择最佳和最差，能够更精准地量化各属性的相对重要性。
BWS 适用于属性重要性排序，尤其在有明显优劣差异的研究情境中表现出色。
通俗介绍
最佳-最差联合分析类似于让你从几款手机中选出最喜欢和最不喜欢的一个。
这种方法帮助研究人员了解哪些手机功能对你最重要，哪些最不重要。
注意事项
适用范围：适用于需要明确排序属性重要性的研究，有明显优劣差异时尤为有效。
使用情境：当需要确定手机配置中哪些功能最受欢迎，哪些功能可有可无时。
理解要求：受访者需理解同时选择最佳和最差，可能增加认知负担。
专业对比
通俗对比
选择方法的指导建议
在对手机配置进行联合分析时，选择合适的联合分析方法取决于以下几个因素：
① 研究目标：是否需要个性化用户偏好或群体整体趋势？
② 研究复杂度：手机配置可能涉及多个属性和多个取值，方法需要处理复杂组合。
③ 数据规模：有多大样本量？数据是否有限？
④ 用户群体异质性：是否需要估算个体偏好，或仅关注群体平均偏好？
⑤ 可用资源：如时间、预算、技术支持（软件、建模能力等）。
以下是几种常见联合分析方法的推荐及理由：
首推方法：选择型联合分析（CBC）
适用场景
① 适合模拟真实选择行为的情境。
② 能处理手机这种多属性、多取值的复杂问题。
③ 研究目标是预测市场中不同产品组合的表现，或了解哪些组合更受欢迎。
优点
① 贴近真实选择行为：用户在选择手机时是直接决策，CBC 能捕捉用户在多选项情境中的选择模式。
② 灵活性：可以结合多种属性和水平，不受组合数量过多的限制。
③ 市场模拟：支持预测用户在面对实际市场中的选择偏好，适合产品定位和优化。
次优选择：分层贝叶斯联合分析（HB）
适用场景
① 高异质性用户群体：需要精确估算每个用户的个性化偏好。
② 样本量较少时，仍能通过贝叶斯先验知识提高预测精度。
③ 目标是了解用户在多个配置之间的取舍逻辑，并能量化个体层面的偏好。
优点
① 个性化偏好建模：估算每个用户对属性的具体偏好，捕捉用户异质性。
② 小样本优势：即使样本有限，借助先验分布也能提供较可靠结果。
③ 鲁棒性：数据噪声、稀缺性对结果的影响较小。
缺点
① 计算复杂度高，需强大建模能力。
② 结果解读门槛较高，不如 CBC 直观。
适用手机配置的情况
① 用户群体多样化、差异大（如不同年龄、消费能力、品牌忠诚度）。
② 数据有限，或用户参与意愿不高（如 B2B 客户群体）。
其他方法适用性简评
① 全析取联合分析
缺点：手机配置的属性和水平较多，生成的组合数量会非常大，难以实施。
结论：不推荐，除非手机配置属性极少。
② 自适应联合分析（ACA）
缺点：不适合直接预测市场表现，只能用于用户偏好分析，且数据采集和分析需专业工具，建模复杂。
结论：适合更关注用户偏好本身的研究，而非市场预测。
③ 离散选择实验（DCE）
缺点：设计和实施较复杂，适合高预算、高精度需求。
结论：对手机配置研究效果类似 CBC，但成本和复杂度更高，通常用不到。
④ 最佳-最差联合分析 (BWS)
缺点：难以处理属性的多水平问题，且不适合复杂配置场景。
结论：不推荐用于复杂手机配置研究。
总结
推荐方法：选择型联合分析（CBC）。
适用理由：能精确捕捉用户对手机配置的取舍偏好，贴近真实选择行为，预测市场表现精准。 在特定需求下，如需建模异质性或应对小样本数据，可选择分层贝叶斯联合分析（HB）。
最终建议
