PickFu 推出的合成受众(Synthetic Audiences),基于多年积累的真实问卷反馈,帮助团队快速筛选方向。本文聊聊研发背后的考虑、工作原理,以及为什么最终决策仍然需要真实消费者。
AI 大幅降低了创意生成的成本。一分钟内,你就能得到 40 版产品图片,或 60 条标题和广告语。但要从中挑出最好的方案,依然不容易。
直接问 AI,得到的是对表现好坏的推测。上线做 A/B 测试,往往要等上几周才能收集到足够的数据。在此期间,一半受众可能还在看到表现较差的版本,转化机会也随之流失。
即使用真实消费者做测试——这一直是 PickFu 最擅长的事——当你需要请数百位受访者评估几十个方案,再逐一分析结果时,时间和预算也会迅速增加。
今年大部分时间,我和团队都在研究这个问题。合成受众正是为此而生。
基于 PickFu 真实受访者多年来的问卷回答,合成受众可以快速预测目标消费者更可能选择哪些方案。目前,这项功能已向所有 PickFu 用户开放,测试期间免费。
这是 PickFu 在产品上的一次重要尝试。我知道,大家会有不少疑问:为什么要做合成受众?预测结果从哪里来?能信到什么程度?又有哪些问题,我们依然建议直接问真实消费者?
接下来,我会逐一说明。

先看重点
基于真实数据。 预测依据来自 PickFu 十多年来积累的真实受访者选择记录。
适合前期筛选。 帮你从大量方案中缩小范围,或初步判断一个想法,再通过真人反馈确认决策。
出结果快。 不到一分钟即可获得反馈,测试期间免费。
现在就能体验。 打开 PickFu AI 智能体,发起一次合成测试。
https://app.pickfu.com/home?mode=synthetic-concept-test
一、为什么要做合成受众?
PickFu 创立于 2008 年。18 年来,我们一直在帮助不同规模的企业,以更快、更实惠的方式获得真实消费者的反馈。过去,这类洞察往往需要通过耗时、昂贵的调研项目才能获得。
让反馈来得更快,一直是我们的核心目标。
这个目标没有变,但大家获取答案的方式变了。现在,你可以让 ChatGPT 或 Claude 生成创意和内容,也可以顺手追问:“哪个方案最好?”“我的客户会怎么想?”几乎马上就能得到答案,也不用另外设置测试、安排预算。
问题是,通用 AI 给出的回答,并不等于真实消费者的选择。
比如,让 AI 扮演一位养狗人士,模型就会生成一个符合描述的角色。但这个角色背后,并没有某位真实养狗人士的选择记录,回答是否准确也无从核对。缺少这样的依据,答案再合理,也可能只是编得像真的。
我们始终相信,验证产品、品牌和创意,最好的方式还是听取真实消费者的意见。真人反馈无法被真正替代。
但我们也理解,大家为什么想更快得到答案。设计问卷、招募受访者、收集回答、分析结果,每一步都需要时间和预算。如果 AI 能比较可靠地预测消费者对产品、包装或广告的反应,团队就能更早测试更多想法,更快推进下一步。
因此,我们想知道:能不能让合成调研建立在真实数据之上?
这恰好是 PickFu 的优势。
我们积累了大量真实消费者在历史问卷中做出的选择。不仅知道大家选了什么、排除了什么,还保留了受访者亲口写下的理由:为什么喜欢,为什么不喜欢,究竟在意什么。
此外,PickFu 拥有经过身份验证的真人受访者群体,可以将合成预测与真实消费者对同一份问卷的回答进行对照。大多数只提供合成调研的工具,并不具备这样的验证条件。
于是,我们从两个问题出发:
基于这些真实数据构建的合成受访者,能在多大程度上接近真人的回答?哪些地方又做得不够好?
在产品发布前,我们也定下了明确的标准:预测必须有真实数据作为依据,必须经过真人反馈验证,也必须坦诚说明适用范围和局限。
二、合成受众如何工作?

你可以把合成受访者理解为基于真实数据构建的模拟受访者。每一位的预测依据包括:
真实受访者的资料。 涵盖约 200 项人口统计特征,以及态度、偏好等人群标签。
相似人群的历史选择。 参考同一产品品类中,相似消费者在过往 PickFu 问卷里的选择,包括排除了哪些选项,以及背后的原因。
最终结果反映的是某一类消费者的共同偏好和规律,而非某一个人的意见。
发起测试后,流程分为四步:
1. 选择目标受众。 目前有 300 多个受众选项,覆盖 25 个产品品类,例如宠物食品品类中的养狗人士,或每天服用营养补充剂的女性。
2. 确认测试方案。 PickFu AI 智能体会列出目标受众、问题、待测选项和样本量,等你确认后再开始。
3. 分别生成预测。 系统随机抽取 30—50 位合成受访者,分别询问:根据这份资料和过往选择,你会选哪个方案?为什么?
4. 汇总结果。 将数十份预测汇总计票,形成整体反馈。
目前支持两种测试方式:
对比测试
围绕一个问题,比较 2—10 个文字或图片选项。结果会将选项分为表现较好和较弱的两组,各占一半,并总结影响选择的主要原因。
单一概念测试
提交一个想法,提出一个开放式问题。结果包括反馈摘要、主要观点、不同群体的意见分歧,以及值得进一步追问的问题。
三、研发过程中,我们发现了什么?
有几项发现出乎意料,也直接改变了产品设计。
1. 历史数据更多,文字预测更准,图片预测却可能更差
每位合成受访者都需要参考真实受访者的历史回答。
最初,我们只提供最近的 10 条回答,结果只有 18% 的合成受访者获得了足够的相关历史信息。增加到 50 条后,这个比例提升至 96%,对名称、广告语等文字选项的预测也明显更准确。
但图片测试的表现反而下降了。
原因在于,合成受访者无法查看历史问卷中的原始图片,只能读取图片的文字描述。描述越多,带来的干扰可能也越多,反而影响判断。
因此,目前文字测试最多参考 50 条历史回答,图片测试则参考 10 条。
这个差别,事先很难凭直觉判断,必须通过测试才能发现。
2. 合成受访者更容易给出一致答案,可能放大方案间的差距
真实消费者的偏好往往比较分散。合成受访者则更容易集中选择同一个答案。
举个例子:两个方案在真人测试中的得票比例可能是 60∶40,在合成测试中却可能变成 96∶4。
合成受访者通常也会偏向真人更喜欢的方案,但可能把一场差距不大的比较,呈现成压倒性的胜出。
因此,合成结果适合帮助判断方向,不适合用来衡量真实差距。
这也是为什么我们只展示表现较好和较弱的两组选项,而不提供带精确得票率的“冠军”。
3. 让 AI 补全用户画像,效果并不好
单一概念测试的早期版本,曾使用“注重性价比的买家”这类比较宽泛的用户画像。
虽然画像以真实数据为起点,其余细节却由 AI 补全。测试发现,这类画像的回答与真人选择的吻合度较低,而且每新增一个画像,都需要投入大量人工工作。
现在,两种测试模式都统一使用基于真实受访者数据构建的合成受访者。
4. 同一个测试重复运行,结果也会有变化
每次测试都会重新随机抽取一组合成受访者,AI 模型生成的回答也存在差异。
因此,同一测试运行两次,表现较好和较弱的选项,以及背后的主要原因,通常应当大致一致,但具体票数不会完全相同。
这也是我们不展示精确得票分布的另一个原因。
四、合成结果,究竟能信到什么程度?
合成预测不能与 200 位真实消费者的反馈等量齐观。但以下几点,让前期筛选有了依据。
预测有真实选择作为参考。
合成受访者参考的是有记录的消费者选择,而非仅凭某个人群标签,猜测这类人“应该怎么想”。
结果来自多份预测的汇总。
数十位合成受访者分别作答,再汇总计票,降低个别异常回答对整体结果的影响。
我们持续用真人反馈验证预测。
我们使用数百份已有真人结果的历史 PickFu 问卷进行对照测试。在文字对比中,合成预测多数时候与真人偏好的方向一致;在图片对比中,吻合度相对较低。我们也在持续测试、调整模型。
合成结果与真人结果始终分开。
只有在你主动要求时,系统才会运行合成测试。结果会明确标注为合成预测,也绝不会与真人问卷结果混在一起统计。
这些依据,足以支持你在投入更多预算前,先筛掉一批较弱的方案。但涉及重要投入时,仍然需要真实消费者来验证。
五、什么时候用合成受众,什么时候直接问真人?

以下情况,适合先用合成受众:
候选方案太多,需要缩小范围。 例如从 8 个产品名称中,筛出 2 个值得进一步测试的名称。
比较文字方案。 包括名称、标题、广告语、卖点和价格表达。
探索早期想法。 先获得初步反馈,再快速调整、反复测试。
比较差异明显的图片。 用于初步筛选视觉方向。
以下情况,建议直接找真实消费者:
主要依赖审美的判断。 例如 Logo、创意素材最终呈现效果的选择。
全新的产品或概念。 缺少可供预测的历史数据。
涉及较强情绪或个人经历的问题。 例如金钱、健康、身份认同。
投入大、难以更改的决策。 例如最终包装定稿,或准备注册商标的品牌名称。
需要知道实际差距,或向他人提供决策依据。 例如向团队决策者、投资人或零售采购方展示调研结果。
记住一个简单原则:
合成受众帮你确定接下来测什么,真实消费者帮你确认最终选什么。
六、把合成筛选与真人验证接起来

AI 正在生成越来越多的产品描述、广告版本和创意素材。但最终阅读、选择和购买的,始终是真实的人。
当所有人都能快速生成大量方案时,真正拉开差距的,是知道哪些方案能打动目标消费者。
生成内容越容易,真实消费者的反馈就越有价值。
我们希望合成受众为真人调研提供帮助,成为整个决策流程中的一个环节:
1. 生成: 准备候选方案。
2. 筛选: 用合成受众做第一轮筛选。
3. 优化: 根据反馈,打磨入围方案。
4. 确认: 通过真实消费者测试,验证最终选择。
每次合成测试结束后,PickFu AI 智能体都会针对表现较好的选项,准备一份可直接发起的真人问卷。
你可以跳过这一步。但只要决策涉及实际资金投入,我们都建议再做一次真人验证。真实受访者会给出文字理由,帮助你了解方案间的实际差距,也提供可以向团队或合作方展示的调研依据。
前期面对大量方案时,合成受众帮助你加快筛选;准备正式投入时,真实消费者的反馈帮助你更有把握地做决定。
一位参与测试的用户这样描述:
“两天里,我为两本非虚构类图书做了一百多次合成测试。根据第一轮反馈,我重新设计了其中一本书的封底,当天下午又测了一次。这样一来,调研就融入了写作过程,不必等到最后才知道好不好。
对我来说,选择背后的理由比排名更有价值。测试还帮我整理出一份简短、具体的问题清单,让我知道在提交出版提案前,应该再向 PickFu 的真人受访者确认哪些问题。”
—— Paul O’Dwyer
七、现在就来试试
打开 PickFu 的合成受众页面,选择一个示例提示,就可以开始。
https://app.pickfu.com/home?mode=synthetic-concept-test
你也可以在 PickFu 网页版、Slack 中,或通过 Claude 等工具里的 PickFu MCP,让 PickFu AI 智能体发起合成测试。测试期间免费。
目前有三项使用限制:
仅支持美国受众。 所有合成受访者均基于美国真人受访者的数据构建。
暂不支持自定义受众。 目前只能选择基于真实受访者群体预先构建的受众。
每次测试只能选择一个受众。 暂时无法组合多个受众。
目前,大家提出最多的需求,是更灵活的受众自定义功能,以及美国以外的市场支持。



