关于合成调研的
那些问题

数字受访者是一个带完整画像的 AI 人格——年龄、城市、收入、教育、家庭结构、习惯与生活情境——并以这个身份回答你的问卷。它不是给通用聊天机器人套了层外衣：画像由你设定的细分参数生成，而且在整场测试的每一道题上都与该画像保持一致。

聊天机器人给你的是一个被平均过的视角下的单一答案。FeedbackEngine 跑的是一整组样本：每位受访者持有各自独立且内在自洽的画像，各自独立作答，结果以分布形式呈现——均值、Top-2-Box 占比、按情感倾向归类的开放题回答——而不是一个只能选择相信的意见。

它取代的是传统调研中那些因为太慢太贵而根本没做的部分——那些一拖就是几周、于是被跳过的前测与筛选。对于赌注很大的最终决策，合理的做法是：用合成测试做筛子，用真人调研验证最后的入围方案。

数字受访者能较好地复现推理与陈述性偏好，对感官体验则复现得很差。它能告诉你一个广告片创意是否清晰、是否有差异化；它无法告诉你一块面料摸上去什么手感、一款饮料喝起来什么味道。群体动力学——也就是焦点小组真正的用途——同样被设计排除在模型之外：当你想要彼此独立的回答时这是优点，当你想看讨论如何改变观点时这就是局限。

六种测试类型覆盖常见场景：静态创意素材与主视觉、名称与口号、想法与概念、来自脚本或分镜的广告片创意、完全不带素材的开放式受众调研，以及对较长候选清单的并列对比。

从启动到拿到完整报告只要几分钟。搭建测试——写细分、上传素材——通常比跑测试本身花的时间更长。

通过结构化参数——性别、年龄、城市与地区、收入水平、教育、婚姻状况与子女——再加上一段自由描述的行为特征，精度大多来自后者。细分会被保存，所以你可以回到同一批受众做追加测试。

JPG、PNG、GIF、PDF 与 DOC，每个创意最多 8 个文件。

不需要。每种测试类型都自带按该类前测标准方法搭好的问卷。「受众洞察」是刻意的例外：那里由你来写最多五道自己的问题，开放题或量表题都可以。

结论摘要、各指标的量表结果、所测方案的总排名，以及按情感倾向（正面、中性、负面）归类的开放题回答，并保留原话引用。

Top-2-Box 指在 1–5 分量表上给出 4 分或 5 分的受访者占比。它是前测调研的标准核心指标，因为它盯住的是真正产生正面反应的人，而不是让一大堆无所谓的 3 分悄悄把均值托起来。报告同时提供均值与 Top-1-Box。

去读开放题。整体偏低本身就是结论：通常意味着问题出在上游——在想法或信息本身，而不在具体执行——而原话会告诉你是哪一处。

可以。报告在应用内查看，也可以导出用于分享和写进决策材料。

可以——首次测试免费，作为演示版，创意数量与题目数量有所缩减。它是在真实样本上跑的真实测试，不是演示动画。

创建账户、选择测试类型、定义细分，然后启动。不用装任何东西，也不用先约销售。

套餐与样本规模都列在价格页。更大的样本、更深的细分与 API 权限属于更高档位。