AI-CBC

AI-CBC 联合分析平台是一款面向中小企业的智能定价与产品组合决策工具。它用 AI 虚拟消费者替代传统问卷调研中的真实样本招募，让客户在 数小时内完成过去需要 数周 的联合分析，把决策成本降到只有大模型 API 调用费用。

版本：MVP v0.1

让每一次定价与产品组合决策，都有”消费者”提前替企业试错。

一句话介绍

AI-CBC 联合分析平台是一款面向中小企业的智能定价与产品组合决策工具。本项目使用 AI 虚拟消费者替代传统问卷调研中的真实样本招募，使联合分析从过去的 数周 缩短到 数小时，并把决策成本降至大模型 API 调用费用。

传统联合分析面临的问题

定价、新品上市、产品特性组合等决策直接影响企业收入，但传统市场研究方法对中小企业并不友好：

• 样本贵、招募慢：一场像样的联合分析需要招募数百名真实受访者，动辄数周、数万元起步。
• 依赖外部样本库：问卷投放受制于第三方平台，数据质量与回收进度难以自主掌控。
• 统计学门槛高：D-Optimal 实验设计、Hierarchical Bayes（分层贝叶斯）估计、市场模拟等方法，没有专业分析师难以独立完成。
• 结果是黑盒：最终只得到一张”市场份额预测表”，无法解释消费者为什么做出这样的选择。
• 试错成本不可承受：定价失误或组合失配，往往要等产品真正上市后才暴露，损失已经造成。

因此，许多中小企业要么凭经验决策，要么干脆放弃这类分析。

本项目的解决方案

本项目的核心思路可以概括为：

生成式 AI 虚拟消费者 × 经典联合分析算法 × 全链路自动化

本项目使用大模型批量生成拥有独立心理画像、消费偏好和决策逻辑的 AI 虚拟消费者，让它们像真实消费者一样”填答”联合分析问卷，再交由经过数十年验证的经典统计算法完成分析。

借助本项目，业务人员无需招募受访者、无需掌握统计学、无需在多个工具之间切换——从定义产品属性到获得市场份额预测，全程在一个平台内闭环完成。

本项目的核心功能

本项目提供从问题定义到市场预测的端到端能力，业务人员只需定义研究对象，其余环节由系统自动完成。

1. 产品属性与待决策项定义

本项目支持以可视化方式定义产品属性（如价格、容量、口味、包装）以及每个属性的可选项（水平）。例如”价格：9.9 / 12.9 / 15.9 元""容量：330ml / 500ml / 1L”。

2. 实验方案自动生成

本项目使用 D-Optimal（D-最优）实验设计 自动生成高效的问卷组合，以最少的题目获取最多的信息，降低作答负担的同时提升分析结果的可靠性。

3. AI 虚拟消费者批量生成

本项目可以根据目标客群描述（如”一二线城市 25–35 岁、注重健康的白领”）批量生成数百至上千名 AI 虚拟消费者。每位消费者拥有独立的性格、价值观、价格敏感度与决策习惯，并彼此之间保持足够的多样性。

4. 虚拟消费者自动填答

本项目使虚拟消费者基于各自的心理画像逐题做出选择，模拟真实受访者的作答过程，并在界面上实时呈现生成进度与结果。

5. 专业统计分析自动化

本项目调用 Hierarchical Bayes（分层贝叶斯） 等经典模型，估算每个属性、每个水平对消费者偏好的贡献（即”效用值”），量化回答”价格重要还是口味重要、哪个价格点最受欢迎”等关键问题。

6. 市场模拟沙盒

本项目内置 市场模拟器，支持将多个竞品或方案放入同一模拟环境，预测不同定价、不同组合下的市场份额，使企业在产品上市前即可反复验证”如果这样定价会怎样”。

本项目的差异化优势

真正的差异化：会”思考”的消费者，而不是随机答案

市面上部分工具也能”模拟”数据，但生成的往往是没有逻辑的随机噪声。本项目使用了 7 步生成管线 打造每一位 AI 虚拟消费者：

1. 解析目标客群与品类约束
2. 生成心理画像（价值观、动机、性格）
3. 把心理特征翻译为决策规则
4. 补全与心理一致的人口属性
5. 执行逻辑一致性与偏见校验
6. 进行多样性碰撞检测，避免千篇一律
7. 组装为可复用的消费者档案

因此，本项目生成的每一位虚拟消费者的回答都能被追溯到其心理动因——不仅呈现”他选择了 A”，还能解释”他为什么选择 A”。

适用场景

本项目可以解决以下典型业务问题：

• 新品定价：上市前测试多个价格点，找到销量与利润的最佳平衡。
• 产品组合优化：在口味、规格、包装等多个属性中，找出最受目标客群欢迎的组合。
• 竞品应对：将竞品方案放入模拟器，预测调价或调整配置后的市场格局变化。
• 概念筛选：在投入生产前，用虚拟消费者快速筛选多个产品概念。
• 渠道与促销策略：评估不同促销力度、套餐搭配对消费者偏好的影响。

本项目的价值

• 周期从数周缩短至数小时：本项目可以在 2 小时内生成千级虚拟消费者，一次完整分析流程约 15 分钟即可跑通。
• 成本大幅降低：除大模型 API 调用费外，本项目基于全开源技术栈，零软件许可费，无外部样本采购成本。
• 决策有据可依：本项目以量化的偏好数据和市场份额预测，替代经验主义和主观判断。
• 降低上市风险：本项目支持在沙盒环境中反复试错，把错误留在虚拟世界，而不是真实市场。
• 能力普及化：本项目将过去只有专业分析师才能完成的联合分析，转化为业务人员也能操作的日常工具。

可靠、安全、可控

本项目把”可信”作为产品的底线：

• 经典算法为底座：本项目中的虚拟消费者仅负责”填答”，最终分析交由经过学术界数十年验证的联合分析算法，结果可复现、可解释。
• 数据安全：本项目使用了全链路 TLS 1.3 加密传输，对敏感信息（如接口密钥）采用 AES-256 加密存储，并对关键操作留痕审计。
• 国产大模型优先：本项目适配 DeepSeek、通义千问、百川等国产大模型，数据与调用更符合本土合规要求，同时支持自定义接口。
• 权限与隔离：本项目支持多租户数据隔离与基于角色的访问控制（RBAC），不同团队、不同项目的数据互不干扰。

技术架构（一图概览）

浏览器 / 管理端
      │
      ▼
  Nginx 网关
      │
      ├── FastAPI 后端 ──┬── PostgreSQL（业务数据 + 向量）
      │                  ├── Redis（缓存 + 任务队列）
      │                  └── MinIO（对象存储）
      │
      └── React 前端

  Celery 异步 Worker ── AI 虚拟消费者生成管线 / 统计分析任务
      │
      ▼
  国产大模型（DeepSeek / Qwen / Baichuan）

本项目使用了 Python 3.12 + FastAPI、React + TypeScript、PostgreSQL + pgvector、Redis + Celery、Docker Compose 等技术栈，既支持一键单机部署，也预留了向微服务与私有化部署演进的能力。

项目阶段

本项目已完成 端到端 MVP 闭环：从项目管理、实验设计、AI 消费者生成、响应模拟，到分层贝叶斯估计与市场模拟，全链路可运行、可演示。当前进入强化与生产就绪阶段，持续提升安全性、稳定性与大规模并发生成能力。

后续路线图已规划：自适应联合分析（ACBC）、真实数据校准、第三方问卷平台集成、更细粒度的权限体系等能力。

适用对象

• 需要做定价决策但缺乏专业研究团队的 中小企业
• 希望快速验证新品概念与产品组合的 产品经理 / 市场团队
• 希望降低外部调研依赖、把分析能力内化到组织的 企业决策者
• 关注”AI + 市场研究”、希望搭建自有分析能力的 咨询与研究机构

本项目用 AI 消费者，让产品在上市前先”活”一遍。