00. 消费者行为和决策的研究史
研究人的行为和决策，一直以来都是最迷人的领域。
如果我们回看消费者行为和决策的研究发展历史，可以总结出以下关键结论：
消费者分析的三个维度
研究消费者行为和决策可以被分为如下三个理论框架：
消费者分析的研究演进
研究消费者行为和决策的方法经过了如下演进的进程：
01. 商业问题是复杂问题
商业和社会问题往往是“复杂问题（wicked problem）”，没有标准答案（H.W.J. Rittel、M.M. Webber）。“模拟（simulation）”为这些问题提供了权衡、博弈、约束的多维可能性。Atypica.AI从模拟消费者的行为和决策入手。
02. 建立消费者智能体
模拟人的行为和决策并不是新概念。在大语言模型出现前，学者通过Cellular Automata等数学模型为人的群体行为建模，但这些方法对个体差异和复杂的主观决策逻辑却束手无策。
大语言模型为个体模拟提供了可能性，可以通过智能体为消费者建模（Agent-Based Modeling, ABM），其核心思路是基于一个人的详细数据，通过大语言模型为这个人建立模型，我们称为“主观世界建模法”。比如：为大语言模型注入《哈利·波特》的语料后，能够模拟哈利波特的潜在判断和思路，推断出其在原文中没有提到的行为。
03. 建模的评价方式
主观世界建模法的置信度如何，我们通过如下的方式来进行验证。如果要知道一个消费者的行为和决策依据，最准确的方式就是直接询问。研究表明：人对同一问题在相隔两周的回答一致性约为81%。因此，我们将81%作为一致性基线，设定为满分标准（100分标准分）。然后用不同语料对这个人进行建模，用同样的问题询问这个人和他的智能体，统计回答的一致性。
用「个人信息、性格测试、行为数据」等为消费者建模
我们首先测试了用个人信息、标准化心理测量数据，将MBTI类型、Big Five人格特征等维度进行建模。一致性得分是55-64分。随后我们测试了CRM、CDP中的消费者数据，提取购买模式、品牌偏好和价格敏感度等行为特征进行建模，一致性得分为73分。
用「社交媒体」为消费者建模
个人信息、性格测试都是静态的数据，行为数据虽然是动态的，但是难以了解what和why的问题（比如喜欢一个产品的什么部分，为什么喜欢一个产品等）。因此我们进一步使用了以“社交媒体”内容作为动态数据来为消费者建模（包括：小红书、抖音、Instagram、TikTok、X）。
首先输入需要调研的问题，大语言模型对这个问题进行拆解来进行搜索，找到对应社交媒体发帖和回帖，以此作为语料输入大模型产生出消费者模型。此智能体在这个调研问题相关的问题上，与真人回答的一致性可以达到80分。
在处理社交媒体数据的时候，Atypica.AI通过如下三个层次来理解消费者：
显性表达层：直接记录消费者明确表达的偏好和态度，如"我喜欢环保产品"、"价格是我最重要的考虑因素"。
隐性逻辑层：通过语言分析技术识别消费者的潜在思维模式，如风险规避倾向、从众心理、创新接受度等。
情感关联层：分析消费者在描述不同消费经历时的情感色彩，识别正面和负面的情感触发因素。
用「深度访谈」为消费者建模
进一步，我们采用了“深度访问”的方法来为消费者建模。具体的方法是用AI对消费者进行访谈，每次访谈持续约1-2小时。AI会根据消费者的回答来进行问题的追问，整个过程会产生平均五千到二万字的转录文本，就像是一本关于这个消费者的小传。
深度访谈涵盖了多个关键维度，旨在全面捕捉个体的认知模式、价值体系和行为倾向：
生活历程叙述：参与者被要求讲述自己的人生故事，包括重要的转折点、挫折经历和成就时刻。这部分内容帮助AI理解个体的成长轨迹和人格形成过程。
价值观探索：通过开放式问题深入挖掘参与者的核心价值观念，包括对家庭、工作、社会责任的看法，以及对成功、幸福、正义等概念的理解。
社会观点表达：收集参与者对当前社会议题的看法，包括政治倾向、社会问题的态度、对未来的期望等，这些内容为智能体在社会科学调查中的表现提供了基础。
决策模式分析：通过具体情境的讨论，了解参与者在面临选择时的思考过程、权衡因素和决策标准。
访谈的笔录，以及上述分析的维度，就形成了这个消费者的智能体。当被提问时，智能体会基于这个人在访谈中表达的观点、价值观和经历，以这个人的身份回答问题。这种方法的优势在于保持了信息的完整性和上下文的连贯性，不需要预先决定哪些信息重要，而是让大语言模型从完整的访谈内容中自主识别和运用相关信息。在一致性的评测中达到85分。
04. 使用消费者智能体
Atypica.AI目前已建立30万个基于“社交媒体”数据的合成消费者智能体和1万个基于“深度访谈”的真实消费者智能体。这个数字在持续增加，形成了覆盖多元化消费群体的智能体生态。
用户可以进行提问，判别是商业问题后，Atypica会智能调用相关消费者智能体进行模拟访谈。这些智能体会提供符合其人格特征和行为模式的深度反馈，实现大规模、多维度的消费者洞察收集。
通过这些消费者智能体作为调研对象进行采访，Atypica.AI会总结出一份调研报告。调研报告只是研究的中间态，未来还会有更深入的结果，比如：直接进行产品开发、社媒运营等。未来的版本中，Atypica有两项高级功能，进一步提升平台的个性化和交互性：
专有消费者智能体：用户可通过「深度访谈」任务或直接上传消费者访谈语料，构建专属的私有消费者智能体，确保洞察的独特性和针对性。
研究分析精准控制：研究过程中，用户可通过「研究分析精准控制」功能自主邀请特定消费者智能体进行专项访谈，实现更加可控和精准的研究设计。
05. Atypica的研究结果
我们随机在2025年6月10日-20日中产出的报告中抽取了1200份进行分析。
研究话题分布如下：
我们随机在四种类型报告中各选择了30份商业研究的报告给用户进行满意度打分，其中一半是Atypica生成的，另外一半是人工撰写的。打分标注为1-5分，1分不满意，5分为很满意，然后我们对这两部分的样本打分进行分析。
按问题类型分析：
根据这个表格，我们可以看到Atypica.AI在不同研究问题类型上的表现评估结果。该评估基于120个样本（每种类型30个），比较了Atypica生成报告与人工撰写报告的用户满意度。
Insight洞察表现最佳，Atypica满意度达到4.4分，超过标准值4.2分；
Testing测试为4.1分，标准为4.2分，虽然低于标准分，但是差距不大；
Planning规划为4.1分，远超标准值3.6分，证明Atypica很善于做规划；
Co-create共创相对较低为3.6分，标准值为4.0分，创新产品机会Atypica还做的不好（也代表可能需要不同的方式来实现）。
整体而言，Atypica的4.1分总满意度超过4.0分的标准值，表明AI生成的消费者洞察报告在质量上已能够满足甚至超越用户对传统人工报告的期望，特别是在复杂的消费者洞察分析方面表现突出。
按用户类型分析：
这个表格展示了Atypica.AI在不同用户类型中的满意度表现，基于120个样本的评估结果。数据显示Atypica在多数用户群体中都表现出色：
表现最优的用户类型：
营销用户满意度最高，达到4.4分，超过4.2的标准值
自媒体和升学顾问用户均达到4.3分，分别超过4.0和3.8的标准值
表现良好的用户类型：
战略和设计用户均为4.1分，战略用户接近4.2标准值，设计用户显著超过3.6标准值
相对较弱但仍达标的用户类型：
产品和学术用户均为3.5分，分别低于4.0和3.9的标准值
整体而言，4.1分的总体满意度超过4.0分标准值，表明Atypica在营销、自媒体运营和升学咨询等应用导向较强的领域表现突出，而在产品开发和学术研究等更需要深度专业知识的领域还有提升空间。
06. Atypica适用场景与局限性：
根据上述结果，我们对Atypica的使用场景和不适用场景进行了总结：
Atypica适用的场景：
Atypica暂时不适用的场景：
07. 结论：从懂消费者的智能体开始
Atypica.AI代表了消费者洞察分析的新阶段——从依赖历史数据的被动分析，转向基于智能体的主动模拟。
从洞察到行动
Atypica.AI的定位并非传统调研的替代者，而是在面对复杂的社会和商业问题时，提供速度与规模优势的创新选项，为决策者带来多维视角和更高的决策流畅度。
调研的价值不在于产生报告，而在于驱动有效行动。通过接入更多的MCP（Model Context Protocol），Atypica.AI正在构建从洞察到执行的完整生态，比如：
自动化 / 半自动化新品研发：基于消费者洞察，智能生成产品概念和功能规格
自动化 / 半自动化社媒运营：根据消费者偏好，智能规划内容策略和发布时机
重新定义调研价值
这种从"静态分析"到"动态执行"的转变，让企业能够在几小时内完成从问题识别到策略制定的全流程，实现从"先研究，再决策"到"边研究，边决策，边执行"的敏捷商业模式。Atypica.AI与传统调研形成协同增强关系：传统方法提供深度和精度，AI智能体提供广度和速度。这种组合让企业能够在复杂多变的商业环境中保持敏捷响应能力，获得决定性的竞争优势。
*Atypica.AI 代表了消费者洞察分析的新阶段——从依赖历史数据的被动分析，转向基于智能体的主动模拟。
