控制样本结构，让回收更贴近研究目标
配额用于限定不同人群、城市、年龄、用户类型等样本占比，避免某一类受访者过多或过少。
工作台
项目工作台
项目名片
未命名项目
请先保存项目档案，后续工具会自动复用项目材料。
当前阶段调研前
最近操作等待保存项目档案
建议下一步
完善项目档案
先补充项目名称和研究类型，后续工具会自动复用这些信息。
项目档案
样本量、配额维度和问卷稿作为基础信息保存，后续工具会自动复用。
导入问卷
支持 Word、Excel、Markdown、TXT、CSV
等待导入
导入后这里会显示识别到的题量、选项行和文本预览。
项目流程
围绕「调研前 → 数据清洗 → 分析产出 → 交付归档」展示关键节点。
完成度
0%
系统设置
AI 大模型接口设置
模型供应商
选择常用大模型并填写自己的 API Key（可选）。未配置时自动使用平台内置免费模型；配置自己的 Key 后可使用更高质量的大模型。
注意：未配置 API Key 时自动使用平台内置免费模型；配置自己的 Key 后可使用更高质量的大模型。API Key 仅保存在浏览器本地。
接口校验
保存或测试时会检查供应商、接口地址、模型名和 Key 是否完整。
等待设置
选择供应商后会自动填入推荐接口和模型，也可以切换为自定义兼容接口。
- DeepSeek默认 deepseek-v4-pro，优先使用高质量档位；如需更快响应可切换为 deepseek-v4-flash。
- Kimi默认 moonshot-v1-8k，支持 8K / 32K / 128K 上下文档位。
- 智谱 / Qwen智谱默认 glm-5.1（2026年旗舰），可选 GLM-4.7-Flash（免费轻量）/ GLM-5.2（最新）；通义千问默认 qwen-plus，可选 Turbo / Max。
AI Researcher
AI研究员
围绕具体项目连续协作，把关键输出沉淀为可复用成果。
我的调研项目
选择项目进入 AI 研究工作台，项目资料与成果会持续保留。
调研项目
AI Researcher 工作台
AI Researcher
准备就绪
研究对话
当前 AI 上下文
仅使用项目基础信息
Research Workflow调研方案工作流
准备中
样本量计算
样本量计算器
建议有效样本量
385
建议发放样本量
482
每个分群建议有效样本
385
95% 置信水平、5% 误差下，常规无限总体项目建议有效样本量约 385。
配额设计
配额设计器
单一配额表
目标有效样本量 400
术语说明
配额设计帮助
只控制一个维度
例如只控制性别、年龄或城市级别。每个维度下所有选项比例通常应合计 100%。
控制两个维度的组合分布
例如“性别 × 年龄”。交叉配额更精细，但格子过多时容易出现单格样本量太小、执行困难的问题。
最终可用于分析的样本数
这是完成清洗后仍保留的有效样本目标，不等同于实际发放或邀请人数。
配额不是越细越好
建议优先控制对业务结论最关键的变量，避免配额维度过多导致回收成本高、单格样本不足。
问卷质检
问卷上线质检助手
第三方问卷链接可作为人工复核对象；深层逻辑检查建议基于问卷稿或平台导出的题目表。
等待质检
粘贴问卷稿后点击“开始质检”，这里会显示阻塞问题、重要问题和建议优化。
发现问题
0
阻塞问题
0
最近保存
未保存
术语说明
问卷上线质检帮助
上线前发现问卷结构和细节风险
上线质检用于在正式投放前检查题号、跳题、选项、随机轮换和措辞细节，减少真实回收后才发现问题的风险。
建议修改后再上线
例如跳题目标不存在、题号重复、关键选项缺失。这类问题可能直接影响样本路径和数据可用性。
会影响理解或后续数据处理
例如选项重复、“其他”缺少说明、排他项没有固定或互斥设置。
优化问卷体验和表达一致性
例如疑似错别字、措辞不统一、随机轮换说明不够清楚。
规则检查不替代真实试填
工具适合先做文本层面的预检，正式上线前仍建议在问卷平台逐路径试填。
时长估算
答题时间估算
这是上线前的经验估算，用于判断问卷是否过长；真实时长仍建议结合小样本试填校准。
等待估算
粘贴问卷稿后点击“估算时长”，这里会显示预计完成时长、题量和主要耗时来源。
数据清洗
数据清洗中心
1 上传数据
2 生成规则
3 调整阈值
4 执行清洗
拖拽文件到此处，或点击选择文件
支持 CSV / TXT / Excel / SAV。全部解析和清洗都在本地浏览器中完成。
等待上传
建议直接上传问卷平台导出的原始数据文件。解析完成后会自动识别字段并生成清洗规则。
本地规则为主，AI 增强为辅。当前版本支持答题时长、直线题、开放题字数、重复样本、人口背景矛盾等规则，也支持手动新增/删除/编辑规则。
等待上传
上传数据后，这里会显示数据预览、规则命中、阈值调整和清洗报告。
术语说明
数据清洗帮助
定义哪些样本需要剔除、标记或人工复核
数据清洗用于把问卷质量标准自动落到样本层面，输出保留数据、剔除明细和清洗报告。
识别过快完成的低质量样本
答题时间过短通常意味着未认真阅读，但需要结合题量、设备、开放题内容一起判断。
检查受访者是否按要求作答
例如“为保证答题质量，请选择比较同意”。答错时通常进入剔除或复核。
识别矩阵题中高度一致的机械作答
如果多个量表项全部选择同一选项，可能需要标记为低质量样本。
检查空泛、重复或无意义回答
开放题可用最少字数、重复文本、无意义词和复制粘贴痕迹作为复核规则。
表头设计
表头设计助手
第一版输出制表规划建议；后续可导出 Excel 制表需求表。
等待生成
粘贴问卷稿后点击“生成表头方案”，这里会显示可直接用于交叉表的三行表头结构。
术语说明
表头设计帮助
提前规划交叉表要按哪些人群拆分
表头设计用于在制表前明确横向分群变量，减少后期反复改表。
适合放在交叉表横向表头的变量
常见包括性别、年龄、城市级别、用户类型、购买频率、品牌使用状态等。
不适合作为标准横向拆分的题目
开放题、陷阱题、纯跳转题、样本量过小的细分题通常不建议作为主表头。
少量高解释力变量组合
组合表头适合用来形成分析视角，但变量过多会导致表格过宽、单格样本不足。
表头要服务分析故事线
优先选择能解释业务差异的变量，而不是把所有人口属性都放进表头。
交叉表
交叉表分析
- 1导入与识别准备数据字段
- 2选择分析设置题目或变量
- 3生成与导出查看结果并下载
选择分析方式批量生成全部题目，或只查看当前两个变量。
等待字段识别
用于“填数字+算卡方”：支持 SAV、CSV/TXT，也支持 data + code 双 sheet Excel，导入时会自动套用题干和选项映射。
等待分析
粘贴数据后先识别字段，再选择行列变量生成交叉表。
术语说明
交叉表分析帮助
把样本数据按两个变量交叉拆分
交叉表分析既包括生成全部交叉表，也包括两个变量之间的交叉拆分，是定量报告中最常用的基础分析。
自动输出所有题目的数据分布
工具会按字段结构和值类型识别单选、多选、量表、矩阵、排序和 NPS，并默认排除开放题后直接导出为 Excel。
看每个列群体内部的构成
当列变量是人群分组时，列百分比更适合比较不同群体在同一选项上的差异。
判断两个分类变量是否存在统计关联
p 值小于 0.05 通常表示差异具有统计显著性，但仍需结合样本量和业务意义解释。
小样本格需要谨慎解释
若大量单元格期望频数过低，卡方检验会不稳定，建议合并选项或扩大样本。
AI 报告
AI 定量报告生成
- 1研究背景明确目标与受众
- 2导入数据识别题目和人群
- 3生成报告预览并导出
1
项目背景
只需填写最关键的两项，其他背景信息可在下方选填。
2
导入数据
数据表
导入交叉表数据
支持 CSV、TXT、Excel（XLSX/XLS）和 SAV 数据文件。
导入数据后，系统会自动识别字段并准备生成报告。
3
生成报告
完成数据识别后即可生成报告。
结果预览
数据识别结果与 AI 生成的报告将在这里展示。
结果将在完成数据识别后显示
先填写研究背景并导入数据，系统会在这里展示识别结果和报告内容。
数据识别
等待数据
导入数据后，这里会显示字段识别结果与数据预览。
报告内容
等待生成
导入并识别交叉表数据后，点击“AI生成定量报告”即可生成 Markdown 报告，并可导出 Word 或可编辑 PPT。
数据加权
数据加权
RIM 用于多个边际变量同时校准；Cell 用于已知交叉单元格目标量时直接计算权重。
等待计算
粘贴样本数据和目标结构后点击“计算权重”。
术语说明
数据加权帮助
修正清洗后样本结构与目标总体的偏差
当性别、年龄、城市等结构与目标总体不一致时，可通过权重让分析结果更接近目标结构。
按多个边际结构迭代校准
适合同时校准性别、年龄、区域等变量，但不要求每个交叉单元格都有明确目标量。
按交叉单元格直接计算权重
适合已经知道每个格子的目标样本或目标占比，例如“男_18-29”“女_30-39”。
避免极端权重影响稳定性
权重过大或过小会放大个别样本影响，通常需要设置截尾规则或回到配额执行端修正。
调研后
研究模型
PPT 报告生成
自分析维度 · 专业图表报告
上传标准交叉表 Excel，选择分析维度与主题色，自动匹配条形、柱状、环形、堆积、折线或雷达图，生成可编辑 PPTX 报告。
- 1上传诊断检查文件结构
- 2配置与预览调整维度和蓝图
- 3生成下载获取可编辑 PPT
1
上传交叉表
支持常见问卷平台或统计软件导出的交叉表（含百分比与人群列）。单文件 ≤ 25MB。
点击或拖拽 Excel 文件到此处
未选择文件2
选择分析维度
完成文件结构检查并解析维度后开放配置。
维度分组（按合并单元格拆分，如分品牌 / 分平台）
全部维度（默认）
解析后将按交叉表的合并单元格列出维度分组；默认展示全部维度，可切换为某一分组切片。
对比人群（分群维度）
解析后可选
上传并解析交叉表后，此处将列出可对比的人群维度。
3
下载报告
完成报告预览后，可在这里跟踪生成进度、下载报告并查看历史记录。
生成完成后会自动下载 .pptx 文件。报告含封面、目录、洞察标题、可编辑图表及底部数据来源。
等待生成
上传并解析交叉表后，选择人群维度即可生成。
AI 报告请在上方先确认故事线；Narrative 不可用时仍可按原有确定性流程生成。
最近生成
暂无生成记录
PSM 分析
PSM 价格敏感度分析
请确保四列价格含义依次为“太便宜 / 便宜 / 贵 / 太贵”。第一版使用线性插值估算关键交点。
等待计算
粘贴 PSM 四列价格数据后点击“计算 PSM”，这里会显示可接受价格区间和关键价格点。
模型说明
PSM 价格敏感度模型
用于找到用户能接受的价格范围
PSM 适合早期定价探索，常用于新品、服务套餐、会员权益等还没有明确市场价格锚点的研究。它不是直接询问“你愿意付多少钱”，而是通过四个价格边界判断用户的价格心理区间。
每位受访者需要回答四列价格
依次填写：太便宜、比较便宜、比较贵、太贵。四个数值通常应从低到高排列，否则会影响曲线和关键点判断。
两条下降，两条上升
“太便宜”和“比较便宜”随价格升高逐步下降；“比较贵”和“太贵”随价格升高逐步上升。曲线交点用于估算价格边界。
PMC / PME / IPP / OPP
PMC 是可接受价格下限，PME 是可接受价格上限；IPP 表示便宜与贵的平衡点；OPP 通常被视为最优价格点。
建议结合业务判断使用
PSM 输出的是价格感知结果，不等同于销量预测。正式定价时建议结合竞品价格、成本、品牌定位、转化测试或销量模拟一起判断。
KANO 模型
KANO 模型分析
支持已汇总的 A/O/M/I/R/Q 人数，也支持原始正反向题 Excel（如 data 页 A1__1/A1__2，code 页题目名称）。Better-Worse 矩阵交叉线按全部有效属性均值计算。
等待计算
粘贴属性分类人数后点击“计算 KANO”，这里会显示属性分类、优先级和 Better-Worse 图。
模型说明
KANO 模型
用于判断功能属性如何影响用户满意度
KANO 适合评估产品功能、服务体验、权益配置等属性，帮助区分哪些是必须做好、哪些能显著提升满意度、哪些投入回报有限。
通常使用正反向成对提问
同一个属性分别询问“具备该功能时的感受”和“不具备该功能时的感受”，再根据回答组合归入不同属性类型。
魅力、期望、必备、无差异、反向、可疑
魅力属性能制造惊喜；期望属性越好越满意；必备属性缺失会明显不满；无差异属性影响较小；反向和可疑结果需要复核题目或样本。
衡量满意提升与不满风险
Better 系数反映做好该属性带来的满意提升，Worse 系数反映没做好带来的不满风险。图上可用于判断优先改善、基础保障、高提升空间和高不满风险。
正式研究需先保证题目语义清楚
当前工具按已汇总的分类人数计算，适合快速复核结果。正式上线前建议检查正反向题是否一一对应，避免双重否定或让用户难以理解的功能描述。
MaxDiff
MaxDiff 设计与简单计分
生成设计后自动运行平衡性校验（出现次数、配对覆盖度、位置分布），评分 ≥ 85 可用于正式采样。
等待生成设计
输入待测试项目后点击“生成设计”，这里会显示每个 MaxDiff 题组。
简单计分公式为 (最佳次数 - 最差次数) / 展示次数，用于快速排序，不替代 MNL/HB 模型估计。
等待计分
粘贴汇总次数后点击“计算得分”，这里会显示相对偏好排序。
MNL 为多项逻辑斯蒂回归（群体级效用）；HB 为层级贝叶斯（个体级效用 + 群体收缩），适合做市场模拟或异质性分析。
等待运行模型
粘贴原始响应数据后点击“运行 MNL”或“运行 HB”，这里会显示效用估计与偏好份额。
模型说明
MaxDiff 模型
用于识别多个项目之间的相对偏好强弱
MaxDiff 适合评估卖点、权益、功能、购买因素、品牌触点等项目，比单纯打分更容易拉开差异，也能减少用户全部都打高分的问题。
每组选择最重要和最不重要
受访者在一组项目中选出“最喜欢/最重要”和“最不喜欢/最不重要”的项目，系统通过多组选择估算项目排序。
项目需要尽量均衡展示
每个项目出现次数应接近，项目之间共同出现的次数也应尽量均衡，避免某些项目因为出现更多或位置更显眼而被高估。
平衡性评分 ≥ 85 分为良好
生成设计后自动运行校验，从出现次数、配对覆盖度、位置分布三个维度评估，并提示是否存在未覆盖项目对或位置偏误。
Score = (最佳次数 - 最差次数) / 展示次数
第一版使用简单计分，适合快速排序和草案判断；如果要做更正式的偏好份额或市场模拟，可进一步使用 MNL 或 HB 模型。
多项逻辑斯蒂回归估计群体效用
基于 best 选择建模，使用梯度下降加 L2 正则估计每个项目的相对效用值，输出偏好份额可用于市场模拟。
层级贝叶斯估计个体级效用
对每个受访者单独估计效用，再通过经验贝叶斯收缩到群体均值，能同时输出群体效用与个体异质性，适合细分分析。
题组数量不要过少
如果项目很多但题组太少，结果会不稳定。建议先用当前工具生成问卷草案，再根据正式样本量和项目数量做实验设计校验。
调研后
关键驱动分析
方法：多元线性回归标准化系数 + 相对重要性（Shapley 值简化版）。因变量应为等距/等比尺度（如 5 点量表均值或 NPS）。
等待计算
粘贴数据后点击“计算驱动力”。
调研后
TURF 分析
TURF（Total Unduplicated Reach and Frequency）：找到指定大小的最优组合，使覆盖人数最大化。
等待计算
粘贴多选矩阵后点击“计算最优组合”。
调研后
联合分析（CBC）
基于选择的联合分析（CBC）：通过条件 Logit 模型估计各属性水平的部分效用值，计算属性重要性并进行市场份额模拟。
等待计算
定义属性和水平，粘贴选择集数据后点击"估计效用值"。
模型说明
关键驱动分析
找出影响总体满意度/NPS 的关键驱动因素
关键驱动分析用于识别哪些维度对总体评价指标影响最大，帮助团队优先改善最能撬动整体评分的环节，如产品、服务、品牌等。
CSV，最后一列为因变量
第一行为字段名，最后一列为因变量（如总体满意度、NPS），其余列为自变量（各维度满意度）。数据应为等距尺度（如 5 点量表均值）。
多元线性回归 + 相对重要性
通过标准化回归系数反映各维度影响力大小，结合 Shapley 值简化版计算相对重要性占比，直观呈现驱动力排序。
系数越大，驱动力越强
正向系数表示该维度提升会拉升总体评分；系数接近零说明影响有限。建议优先关注系数最高且当前得分偏低的维度。
自变量之间避免高度共线性
如果维度之间高度相关（如"产品质量"与"整体品质"），系数可能不稳定。建议合并相似维度或分批次分析。
模型说明
TURF 分析
找到覆盖最多人的最优选项组合
TURF（Total Unduplicated Reach and Frequency）用于在资源有限时选择最优组合，如确定最能触达消费者的渠道组合、最有吸引力的卖点组合、最优广告创意组合等。
0/1 多选矩阵
第一行为选项名称，每行一位受访者，1 表示选择了该选项，0 表示未选。数据通常来自多选题或偏好筛选题。
设定你要选几个项目
组合大小取决于实际资源约束，如渠道预算能覆盖几个渠道、广告素材能投放几版。工具会穷举所有组合，找出覆盖率最高的方案。
Reach 是核心指标
Reach（覆盖率）表示至少选择组合中一个选项的人数占比；Frequency 表示平均每人选择了组合中几个选项，反映触达深度。
选项过多时计算量会增大
组合数 = C(n, k)，选项多且组合大时计算量指数增长。建议先将选项控制在 15 个以内，或分阶段分析。
模型说明
联合分析（CBC）
量化产品各属性的价值，模拟市场份额
基于选择的联合分析（Choice-Based Conjoint）用于产品配置、定价策略、功能优先级等决策。它通过模拟真实购买场景，量化消费者对每个属性水平的偏好强度。
每个属性包含 2-6 个水平
属性是产品的维度（如价格、品牌、包装），水平是每个维度的具体选项。属性不宜过多（通常 4-7 个），水平数量建议均衡。
每位受访者完成多道选择题
每道题包含 2-4 个方案，受访者选择最倾向的方案。数据格式：受访者ID、任务编号、方案编号、各属性水平编号、是否选中（1/0）。
通过最大似然估计计算部分效用
使用效果编码 + Newton-Raphson 迭代求解，输出各属性水平的部分效用值。属性重要性 = 该属性效用极差 / 所有属性极差之和。
Logit 规则预测份额
定义竞争产品方案后，基于效用值用 Logit 规则（Share = exp(Ui) / Σexp(Uj)）模拟各产品的市场份额占比。
调研后 · 研究模型
用户分群分析
根据需求、态度、行为和用户属性识别差异化用户群体。支持 K-Means、两步聚类与系统聚类三种方法，全部计算在浏览器本地完成。
K-Means 面向连续数值变量，需要预先指定分群数量。
1
导入数据
点击或拖拽 Excel / CSV / SAV 文件到此处
未选择文件2
定义变量
为每个字段指定角色（ID / 聚类 / 描述 / 权重 / 排除）与测量类型。系统已按数据自动识别，可手动修正；多选变量组可整组加入。
| 字段 | 角色 | 测量类型 | 识别为 | 唯一值 | 缺失数 | 缺失码 | 选项 |
|---|
3
方法建议
导入数据并选择聚类变量后，系统会根据变量结构与样本量给出方法建议。
4
配置模型
等待分析
导入数据 → 定义变量 → 配置模型后点击“开始分析”，这里会显示模型概览、群体规模、特征矩阵、画像卡与样本归属。
模型说明
用户分群分析
识别需求、态度、行为与属性差异化的用户群体
用于用户画像、市场细分、需求分层、新品目标人群识别、高价值人群识别、产品定位与营销人群策略。所有计算均在浏览器本地完成，原始受访者数据不会离开浏览器。
面向连续数值变量，需预先指定分群数量
通过平方欧氏距离迭代更新聚类中心。支持批量更新、运行均值更新与仅分类三种模式，支持 Listwise/Pairwise 缺失处理与可选频数权重。当聚类变量全部为连续数值（或 Likert 量表视为尺度变量）时推荐使用。
可同时处理连续与分类变量，自动判断群数
第一阶段用 CF Tree 预聚类，第二阶段对叶节点做凝聚式聚合，通过 BIC 或 AIC 自动选择群数。默认使用对数似然距离。适合样本量较大、需要用户属性参与分群的场景。
通过树状图观察群体逐步合并过程
支持组间/组内联接、单联接、完全联接、重心法、中位数法与 Ward 法，支持区间、计数与二元数据距离。适合样本量较小、希望探索群数或对变量聚类（识别相似变量）的场景。
与统计软件的结果可能存在差异
本工具参考主流统计软件的聚类方法与公开算法原理实现。由于初始化、数据顺序和软件内部优化机制不同，结果可能与其他统计软件存在差异。ANOVA 的 F 值与显著性仅用于描述变量对群体区分的相对贡献，不作为独立假设检验结论。
AI 增值 · 方案设计
AI 方案设计
- 1填写需求说明业务问题
- 2生成方案AI 形成研究设计
- 3修改与交付反馈修改并导出
方案模板库
导入公司方案模板
支持 Word、PPT、Markdown、TXT。导入后 AI 会识别章节层级、列表、表格、内容颗粒度和措辞风格，让新方案更贴近不同公司的交付要求。
未导入模板
导入方案模板后，这里会显示识别到的章节、典型写法和风格特征。
生成方式
未配置 API Key 时自动使用平台内置免费模型；配置自己的 Key 后可使用更高质量的大模型。
生成方案后会进行本地结构审校，不增加 AI 请求。
简要方案适合作为项目启动版 Word；详细方案按正式研究方案结构输出更完整文本，也可导出 Word，正式对客前建议结合预算、样本可达性和客户业务口径再做调整。
填写需求后生成调研方案
结果会在这里展示；生成完成后再开放反馈修改、复制和导出操作。
AI 增值 · 问卷设计
AI 问卷设计
问卷模板库
导入问卷模板
支持 Word、Excel、Markdown、TXT、CSV 和 PPT。导入后 AI 会学习题号体系、题型组合、选项表格、跳题备注和随机/置底规则。
未导入模板
导入问卷模板后，这里会显示识别到的题号、题型、选项表和逻辑备注特征。
研究类型 必填
概念/新品测试
生成方式
未配置 API Key 时自动使用平台内置免费模型；配置自己的 Key 后可使用更高质量的大模型。
生成结果适合作为 V1.0 问卷初稿，正式上线前建议继续用“上线质检、时长估算、数据清洗、表头设计”做复核。
等待生成
Designer
- 问卷结构自动生成开场白、甄别、主体、背景信息和结束语。
- 编码体系按 Q / M / RS / N / OE 等变量前缀输出可编程题目。
- 逻辑备注补充跳题、选项随机、其他置底、质量控制和数据清洗提示。
- 质量自查生成偏差控制、互斥穷尽、时长、随机化和开放题数量检查。
AI 增值 · 流程辅助
AI 辅助面板
未配置 API Key 时自动使用平台内置免费模型；配置自己的 Key 后可使用更高质量的大模型。AI 调用经过本站后端代理转发，API Key 仅保存在浏览器本地。
等待生成
流程辅助
- 问卷审查说明把规则检查结果转成项目经理/客户可读的上线风险说明。
- 清洗与表头基于数据和问卷稿生成数据清洗结果、分群表头和交叉分析方向。
- 模型解读把 PSM、KANO、MaxDiff、ABC 等结果转成报告语言。
帮助中心
常见问题 FAQ
📥 数据导入
支持哪些数据格式？
交叉表分析支持粘贴 CSV（包括从 Excel 复制）、导入 SAV（SPSS）、XLSX/XLS 文件。清洗和加权模块同样支持 CSV 和 Excel 格式。导入时第一行应为字段名。
数据量有上限吗？
前端单表支持处理数万行数据。超过 5000 行时系统会自动启用 Web Worker 后台计算，避免页面卡顿。如需处理更大规模数据，建议先在后端完成预处理。
导入数据报错怎么办？
常见原因：①字段名缺失或重复；②数值列包含非数字字符；③编码非 UTF-8。建议先用 Excel 打开检查，确保第一行为纯文字字段名、数据区无合并单元格。
📊 分析与模型
PSM 价格敏感度结果如何解读？
核心看四个价格点：PMC（可接受价格下限）、PME（上限）、IPP（便宜/贵平衡点）、OPP（最优价格点）。正式定价建议取 PMC-PME 区间内，以 OPP 为锚点，结合竞品和成本判断。
KANO 模型的必备/期望/魅力属性如何区分？
必备属性：没有会不满，有了认为理所当然。期望属性：越好越满意，线性关系。魅力属性：有了惊喜，没有也不在意。分类基于正向/反向问题的交叉矩阵判定。
关键驱动分析的 R² 偏低怎么办？
R² 偏低说明自变量未能充分解释因变量的变异，可能原因：①遗漏重要维度；②数据质量不佳（方差小）；③非线性关系。建议检查变量覆盖度或尝试非线性模型。
TURF 计算很慢怎么办？
组合数 = C(n, k)，选项多或组合大时计算量指数增长。建议：①减少组合大小；②先通过单选项 Reach 率筛除低价值选项；③将选项分组后分层分析。
联合分析的属性重要性加起来不等于 100%？
属性重要性本身就是归一化到 100% 的。如果计算结果偏差较大，通常说明数据质量不足（样本量小、选择任务少）或属性水平设置不合理（水平差异太小难以区分）。
📄 报告生成
PPT 报告生成需要多长时间？
快速报告通常 1-3 分钟，取决于题目数量和数据复杂度；AI 研究报告还会生成故事线与逐页蓝图，耗时更长。进度条会显示当前阶段（上传→解析→渲染→质检→打包）。
上传公司 PPTX 模板有什么要求？
支持 .pptx 格式，最大 25MB。模板会保留母版、背景、Logo、版式和主题色。建议模板中包含封面、内页、封底三种版式，避免放过多示例页。上传后可导出 Profile 方便团队复用。
报告生成失败怎么排查？
①检查交叉表数据是否完整（字段名+数据行）；②确认表头设计中至少有一个人群维度；③查看质检报告中的错误项（红色标记）；④如果模板上传了，检查模板版式是否兼容。
🔧 工具使用
项目数据如何保存？
所有数据保存在浏览器 localStorage 中，不会上传到服务器。建议使用"导出项目"功能定期备份 .json 文件，防止浏览器缓存被清理后丢失。
如何与团队成员协作？
通过"导出项目"生成 .json 文件，发送给团队成员后对方使用"导入项目"即可恢复完整项目状态，包括交叉表数据、表头、清洗规则和分析结果。
移动端能用吗？
支持移动端浏览，侧边栏会自动收起为抽屉式菜单，点击左上角菜单按钮可展开。建议在平板或电脑上进行复杂的数据分析和报告生成操作。