联合分析法的自适应设计：为什么需要个性化选择任务
传统的联合分析法（CBC，Choice-Based Conjoint）为所有受访者呈现相同的选择集，这一设计假设所有受访者对产品属性的关注度相同。然而现实中，不同消费者对属性的关注度和理解度存在显著差异。自适应联合分析法通过将受访者在前期选择中表达出的偏好信息实时纳入后续选择集的设计中，使每个受访者面对的选择任务都更具针对性和区分度。
自适应CBC（Adaptive CBC，ACBC）是 Sawtooth Software 开发的主流方法之一。它通过「筛选阶段」「校准阶段」和「核心选择阶段」的三段式设计，先识别受访者对属性和水平的关注度，再基于这些信息设计后续选择任务。与之对应的Menu-Based Choice（MBC）则由受访者先「构建」理想产品，再从可选范围中选择是否替换某些属性，更贴近真实购买决策中的「配置」行为。
这两种自适应方法各有适用场景。ACBC擅长在受访者偏好存在显著异质性的场景下精确估计效用值；MBC则在复杂产品配置决策（如采购、定制产品）中更加生态有效。
Adaptive CBC的技术原理与实施步骤
ACBC的设计分为四个阶段：筛选（Screening）、校准（Calibration）、核心选择（Core Choice）和可选补充任务。
筛选阶段：受访者面对产品概念卡片，逐一评价「是否会考虑购买」该产品。这一阶段的目标是建立受访者的「考虑集」——即哪些属性组合是可能被接受的。不属于考虑集的产品属性组合，在后续阶段不会被呈现给该受访者，从而避免无效任务。
校准阶段：受访者对其考虑集内的产品属性进行逐项评分，研究人员由此获得初步的效用估计。这一阶段的数据为后续核心选择阶段的设计提供输入。
核心选择阶段：基于初步效用估计，ACBC算法为每位受访者生成最有信息量的选择集——即能够最大程度区分各属性效用值的选项组合。通过这种设计，ACBC通常能够在相同任务数量下获得比传统CBC更高的估计精度。
在实施层面，ACBC对样本量的要求通常低于传统CBC——因为每个受访者的选择任务都是「定制化」的，信息效率更高。
Menu-Based Choice：更贴近真实购买行为的选择模型
与ACBC聚焦于「提升效用估计精度」不同，Menu-Based Choice的设计初衷是更贴近消费者在复杂购买决策中的真实行为模式。
在MBC任务中，受访者首先看到一个「基础产品」和一系列可选的「升级选项」，类似于在汽车配置器或电脑定制页面中选择附加功能。受访者可以选择保留基础配置，也可以逐项添加或替换属性，最终构建出自己的理想产品。
MBC的核心优势在于生态有效性——它的任务形式与消费者在电商网站或线下门店中的实际决策过程高度相似。研究显示，在耐用品、B2B采购和服务套餐选择等场景中，MBC的预测效力优于传统CBC和ACBC。
此外，MBC能够自然地捕捉「属性间的依赖关系」——例如，选择了「高级音响系统」的消费者，更可能同时选择「隔音玻璃」。这种属性间的协同效应在传统CBC中难以建模，而在MBC中可以通过「套餐选项」的方式自然呈现。
两种方法的适用场景与选择建议
选择ACBC还是MBC，主要取决于研究目标、产品类型和受访者特征：
① 研究目标：如果目标是精确估计各属性的效用值和重要性权重，ACBC通常更优；如果目标是模拟消费者的产品配置行为和套餐选择决策，MBC更贴近现实。
② 产品类型：对于属性数量少、各属性独立性强的产品（如快消品），ACBC的实施更简单；对于属性间存在复杂依赖关系的产品（如汽车、保险套餐、软件订阅方案），MBC的优势更明显。
③ 受访者特征：ACBC对受访者的认知负荷要求较高（需要完成多轮复杂选择任务），适合对研究话题感兴趣或有一定专业背景的受访者；MBC的任务形式更直观，适合普通消费者样本。
盈邀约数据分析智库在为不同行业的客户设计联合分析法项目时，会基于上述维度进行方法选择建议，并通过预测试验证所选方法的预测效力。
自适应设计对样本量和质量的综合影响
自适应设计的另一个重要价值在于对样本量需求的降低。由于每个受访者的选择任务都是信息最优化的，相同样本量下自适应方法的参数估计精度更高；或者反过来说，达成相同精度所需的样本量更低。
然而，自适应设计也对数据质量提出了更高要求。如果受访者在前期的筛选或校准阶段随意作答，后续的自适应选择任务将建立在错误的前提上，导致整个数据的有效性受损。因此，在自适应联合分析项目中，数据质量监控需要贯穿始终——包括认真度检验（Straightlining检测）、任务完成时长分析和逻辑一致性检查。
盈邀约数据分析智库在交付自适应联合分析项目时，会在技术报告中详细说明数据质量检验结果，并对可能存在质量问题的样本进行敏感性分析，评估其对本研究结果的影响程度。这种透明的报告方式，是专业数据分析机构区别于普通调研执行公司的核心能力之一。