专利名称：用于模拟人类对刺激的反应的方法
技术领域：
本发明涉及用于预测一个个人或小组对一种刺激的反应的方法，并且更具体地，本发明涉及使用包含历史观察和刺激反应来模拟并预测一个个人或小组对一个产品、服务或其他概念的反应。
背景技术：
消费者对概念、产品和想法的反应(该名词被定义为其最广泛的意义)影响着我们生活的许多方面。例如，在政治、教育或公司世界中的有效的管理全都依赖于一个消费者或客户接收并对一个消息做出反应的方式。在这一点上最明显的应用就是在新产品或服务的开发中。
在今天这样一个高度竞争的全球化经济中，一个能够成功预测何种产品和服务可以在市场中获得成功的公司会保持一个重要的竞争优势。例如，人们预测，如果一个公司延迟六个月向市场推出一种产品，来自产品销售的利润将会显著降低；而另一方面，一个及时的产品引入，即使是大大超出预算，也不会导致相同数量的利润损失。同样地，人们建议，缩短产品引入的交付时间可以是一种有效的方法来提高一个新产品、服务或概念的收益性。迟缓的产品引入的确切结果从一种产品类别到另一种是不同的，但这种迟缓很少会有什么益处。
作为结果，新产品和服务的评估(通常称为产品研究)在降低新产品的失败率方面是非常重要的。与一种新产品、服务或概念的满意程度相关的适当进行的产品研究在这样一种产品或服务的成功启动中会成为一个重要的因素。因此，高效的、节约成本的、以及可靠的产品或服务研究的重要性，尤其是在开发阶段，会产生一个较早的并且更成功的产品或服务引入。不幸的是，由于在开发阶段不足的或粗心的新产品研究，产生了太多的新产品失败。
在用于收集和评测消费产品或服务的客户评估的技术中描述了许多种方法。这些方法中的几种被设计为判断、分级或预测新的或现有的产品将如何在客户市场中表现。这种方法中的大多数需要跟踪客户对所提供产品的响应的收集和评测来与客户进行某种交互。例如，可以给客户一个产品样品，根据预定的使用指导进行试用。然后，可以测定客户反应，以确定该产品一个或多个特性的整体满意与接受程度。在另一个例子中，可以将一组客户召集到一个集中地点，并以概念形式向其显示一种产品，或者是产品的一个书面概述，或者是产品的图形展示。然后要求客户提供其印象或评判。就象所希望的那样，这些评判可能会与每个客户对产品的购买或使用意图有关。
在技术上已知的多数收集和评测消费产品或服务的客户评估的方法中，都以某种形式向客户显示产品或服务。在产品开发周期的最早阶段中，这种形式被描述为一个“概念”。一个概念可以是简单的，就象书面描述的情况，也可以象一个由图像完成的广告那样复杂。在其他情况下，概念可以是由一个中间人口头上交流的，他向客户询问一组定性的或定量的与概念相关的问题。在所有这些情况下，概念形成一种刺激，客户对它反应或做出一种响应。在多数情况下，客户的响应是一种有益的属性，它可以帮助产品或服务开发者得到与选择的客户最想要的特性或属性组相关的信息。例如，看到还在开发中的一个特征长度的活动图像的建议结尾的客户可能会被要求估计出其付费观看该活动图像的可能性。相似地，预期的客户可能会被要求估计其购买一种新型软饮料的可能性。在这两种情况下，都是希望评测出这些客户对所提供的概念刺激的反应。
专门小组(focus group)已经有益地预计了一种新产品或服务可能的成功，在该小组中，一组对于一种新产品或服务达成一致意见的个人被选择出来。在一个专门小组环境中，客户可以讨论或提出关于其所感觉到的所示产品或服务的效用或用途的印象。然而，专门小组会受到实施的费用和管理成本的阻碍。而且，专门小组可能受一个坦率的参与者或专门小组的中间人的误导或偏见的影响。
另一种新产品研究的形式依靠抽样调查的使用而进行。但是，对于新产品、服务或概念的抽样调查可能为交流问题、记录错误和编码错误所困扰。而且，对于管理来说，它们通常也是相当昂贵的。典型地，必须为每个新产品或服务的评估实施一个单独的专门小组或抽样调查。显然，非常希望能提供一种方法，它能够利用一个可以访问对以前客户反应的累积学习的模型。这样一个模型将提供一种方式，用于将来对消费者反应做出预测而不需要时间、费用和努力来收集客户对在开发中的概念的反应。
除了涉及的时间和费用之外，还有许多额外的问题可以在标准的市场研究技术中看到。标准市场研究模式倾向于回顾而不是预测。另一个与现有技术系统有关的关键缺点是，多数已知方法要求任何评估一个提出的产品的成功的模型是从与相同或非常相似的产品类型相关的客户信息中推导出来的。例如，为了作出一种点心产品在客户中成功的预测，必须在新产品向客户显示并与历史数据进行比较之前，首先收集关于其他点心产品的数据。一个传统的市场研究系统的实例在美国专利No.5,124,911中作了描述，它由Sack所著，发布于1992年6月23日，其中公开了一种方法，一种特定产品，或来自相同级别的多种产品的多个属性被从消费者中收集起来，并且根据消费者对相同级别的一种新产品概念的响应来做出预测。这种以及类似方法通常会产生大量的客户或产品数据，它们被储存下来，而在未来的产品活动中却没有用处。例如，如果开发一种在点心类别之外的产品，即一种新的软饮料，传统的认识是，需要一个包括历史软饮料数据在内的新的客户反应数据库来测试该种新产品。显然，存在一种需求，需要一种模拟并预测概念接受程度的方法，它可以是根据来自其他无关的产品和概念类型的数据来进行的，以使上述的测试时间和相关费用最小化。
现有技术系统还有另一个关键的缺点，这是由于其为访问并测试足够多的客户从而对想要该产品或服务的一个客户级别(即目标对象)做出有效预测所需的大量的费用与时间而造成的。这种收集客户响应所需的额外测试时间延长了进行产品改进所需的商业周期，从而也大大推迟了其引入市场的时间。例如，美国专利No.5,090,734，Dyer等著，发布于1992年2月25日，公开了一种方法，其中以一系列圆圈或“波浪”向客户显示产品概念，需要客户为了在家中使用一段时间而选择产品。确实可以理解，任何能够加速这个产品开发的商业周期的方法都会带来一种显著的战略性的优势。
由于对一种新产品在市场中的成功来说，概念接受程度的重要性，人们对开发模型来预测一个个人或小组对新产品或服务的反应就越来越感兴趣。如这里将要显示的那样，本发明的方法提供一个非常强大的系统，用于使用以前对于市场模拟问题应用没有考虑过的分析技术来评估对于概念的反应。
在客户研究领域中，本发明的方法是一种显著不同的方法。在某些情况下，本发明能够代替客户研究。另外，本发明的方法可以在客户研究之前被用于确定哪些概念值得研究。在这些情况下，一个值得注意的优点是，本发明方法的实践提供的快速的周期时间。例如，一个为审批和投放新想法到一种新产品/服务想法开发线(Anderson咨询，1997)的全国范围的调查的平均时间投入是17.2周。本发明的方法可以使这个过程在若干分钟或几小时内完成。
在市场研究技术的传统技术中，实际客户响应数据被收集，并且该数据被与多种数学技术共同使用，来预测客户行为。从一个过程的角度，向客户显示相同形式的刺激，然后询问与刺激相关的问题，并计算出与这些问题相关的客户实际响应的结论。这样，为了做出与提出的研究相关的变量有关的基于客户的结论，产生了一种客户揭示需求。唯一的结论是在提出了什么问题和客户对那些问题的响应之间识别出来的。在某些情况下，要素分析被用来通过变量和对该变量的响应的组合来识别隐藏变量，但这些隐藏变量很少是可操作的并且可以通过收集对相同概念的第二评价的新数据而直接进行分析的。
比较而言，本发明的方法表现出一个客户响应会基于什么样的对过去产品和服务的历史和存档客户响应帐户(虽然该产品和服务在它们被评估时还是新的)。本发明利用一组问题和测量方法，它们是推断的、已知的或假设的，以作为在过去客户响应后面的原因要素，并且这些要素接着被应用于当前所讨论的概念的不同程度上。所产生出的在存档概念要素本身和要素(此后称为原型)出现在当前概念中的程度之间的关系会被用于预测与还没有暴露给客户的新概念可能的商业结果相关的结论。概括来说，今天所使用的市场研究方法是专注客户的，而本发明则是专注概念的。
本发明的另一个方面是与本发明方法相结合的注册商标ArtificialWisdomTM的开发和使用。该新概念注重本发明的过程范例，它被称为Artificial WisdomTM，作为一种工具，涉及使用现有知识或关于一种特定刺激所做出的结论来得出可能的客户结果集合，而不需要收集实际的客户响应。这种方法改进了公司数据库的智力投资价值和整个研究过程。换句话说，“智慧”是根据过去的经验在新的状态下做出良好决策的能力。
使用本发明方法来代替现有技术的市场研究或市场模拟技术有许多优点。例如，本发明方法使数据收集和分析的速度大大提高。借助使用本发明的方法，新想法可以在几分钟内进行评估并产生预测。结果就产生了一种可以实现并且比目前不管怎样都需要1周到三个月或者更长的传统研究方法更快的测试和学习周期的能力。
除了提高的测试和学习周期，本过程的速度使我们有可能考虑更大量的想法。通过一个研究发现，为了开发出一个有益的成功，需要花费3,000个原始想法，这种在评估速度上的提高使人们有可能在单位时间内开发出更有益的想法。见Stevens.，A.，& Burley，J.(1997)。3000个原始想法＝1个商业成功。Research and Technology Management，40，16-27。
与本方法的使用相关的另一个优点是，可以从一组收集到的客户数据中导出附加的情报，它使管理者可以识别并确认商业判断以及识别难以清晰表达出的感情的、动机的和愿望上的原型驱动力。本方法还有另一个优点是显著是费用节省，这是由于从测试过程中去除了客户成份而实现的。
本发明的另一个重要优点是，与现有技术相比，在新产品和服务开发中显著增强的安全性。这种安全性是由于不需要向公众暴露专利概念即可进行评估而实现的。
可以理解，本发明的发明方法不一定是要取代传统的市场研究过程。反而，本发明方法是设计用来通过提供更高的效率和改进的成功概率加强传统过程，其中成功率的改进是通过将本方法作为一个“准客户过滤器”来使用，以在时间、费用与努力花费在传统的新概念开发和客户测试过程中之前判断一个刺激。
发明内容
此处公开的本发明说明了一个过程，用于模拟对概念刺激的客户反应。本方法用于当模拟开发出来后，对一个新概念进行新颖的评估而不需要时间和费用来获取客户反应。更明确地，本发明的方法创建一种模型，它模拟对一个广泛范围的产品与服务积累的客户响应，既在概念产品级别之内，也在其之外，并且阐明了预测产品或服务想法的未来客户取向行为的确定。该模型还具有向包含客户刺激响应在内的现有数据库提供增加的生命的用途。
本发明的方法需要多个步骤(此处称为“帧”，frame)，它们集中在一起组成了本发明的方法。本发明可用于广泛的产品和服务级别(包括非传统“消费者”交流，如政治和教育消息)，在客户评估和预测领域的技术人员将会清楚这一点，并且，这里描述的优选实施方案和应用只是用于对于本发明概念的说明。
在本发明的第一步骤或帧，需要一个主观客户响应的数据库。在广义上，这个数据库可以是由任何人(即客户)借助任何方法为评判所进行的任何交流的记录而构成的。这个数据库可以由相似的或跨类别的产品或服务概念集合组成。如这里所用的，“数据库”是指一个客户信息的集合，不论是由来自客户给出的输入而直接测量的，还是用任何推理方法计算或变换而来的。
该数据库可以从现有研究结果中获得，或者为与本发明共同使用而专门开发。这样一个数据库的开发对于本领域的技术人员是相当熟悉的，并且可以从任何来源导出。通常，优选带有来自代表性的客户对新产品或服务的响应的数据库，它是从大量的刺激而得出的。一个刺激被定义为任何与感兴趣的事物相关的创造物(creation)，可以由一个客户与其交流，并且由此，一个客户能够给出对其的一个意见或提供对其的一种评判。这将包括书面概念、情节图板(story board)、口头叙述、可视图形、一个视频广告、一个现场演示、一段录音、互联网页面、印刷广告、一个舞台表演的现场音/视频展示、一个戏剧或电影产品的剧本或任何其他可以评测一个客户响应的构造。
为了提供包括在数据库中的主观输入数据，一个客户观看刺激并在一个预定的定量数值范围上对多种问题进行反应，如一个从0到10的数值范围。客户响应是从多个问题中收集来的，这些问题可以以理性的或享乐的形式提出，如喜爱程度、兴趣、购买潜力、使用意向、用途理解、信任程度、解释、回忆或期望。构造数据库的一个要求是在每个消费者对一个刺激的响应集合之间，至少有一个通用的响应变量。例如，只要数据库中的每个消费者已经回答过了一个关于“购买可能性”的问题，数据库在本发明的方法中将成为有用的。只要至少出现了单一的通用响应要素，在本发明中使用的最终数据库可以由来自多个类别或级别的项目组成，而不需要规定市场相似性。
这需要每个刺激项目都为相同或相等数量的消费者看到。每个项目或刺激可以被看作在最终数据库中的一个数据记录。如果已经有了一个合适的数据库，就不需要完成或构造一个新数据库。本发明在优选实施方案中在目前已有的数据库中提供了增加的洞察力。
在本发明的第二帧或步骤中，来自第一帧的数据库被检查，并且从其中所包含的刺激中生成一系列可观察到的概念“原型”。“原型”是基于消费者对刺激响应的基本断言的说明；它们在帮助预测消费者行为上是决定性的。原型可以包含一个理性原型以及一个感性原型。另外，原型可以是衡量范围的相关元素，如理性相对于感性交流的程度、一个已建立的品牌商标的使用对产品可信性方面的影响，或者广告实行图像和产品价值对一个政治候选人可信度的影响。
原型通常将某些事件或要求的存在与不存在进行量化。原型，换句话说，是刺激的可察觉的、已知的、希望的、假定的、怀疑的特征，它们是客户与刺激进行交互的基础。一个原型可以是以下的表现客户感知、行为、有关的专家知识、或者任何提出的能够定义刺激的结果。在优选实施方案中，这些原型是从由客户自己做出的评价中得出的。在其他实施方案中，原型是由具有所考虑的特定刺激特征的产品开发者规定的。生成的原型不必与所有包含在数据库中的数据记录相关。在本帧的进展中，不需要在原型与数据记录之间的关系上假设条件。原型的选择产生出多个可估算的决策属性，它们可以被量化。可能有用的原型示例包括在新产品中一个明显的客户益处的定义和变体，相信该益处确实在新产品中存在的理由；以及在新产品与传统产品之间显著的不同，或一个“独特性”。在能够为一个给定刺激数据库开发的原型的数目上没有规定的限制。换句话说，该方法具有对任何数目的多个属性的可用性，这些属性可以实际地分配给对该领域中熟悉技术的人员有用的概念。
对每个识别出的原型，需要一个规则集合，通过它来将一个提供的刺激的给定形式转换为想要的原型的可量化的或数字的表示。这个规则集合可以被一个人类评估者使用，来对一组原型标准进行评判，或者由一个原型的机器测量方法来使用(即Flesch-Kincade可读性标度)。不需要规定标度(scale)的类型，标度是本领域的技术人员可测量和可解释的。这种标度可以包括Likert标度(3，5，7box)，Juster(7，9或11点连续标度)，绝对的(是，否)或任何带有固定的描述符的连续标度。
第三帧说明了在从前一帧所选的原型上的数据收集。在优选实施方案中，原型不是由观看原始刺激的客户评分的。在许多情况下，这些客户不再进一步与刺激进行交互。在这种情况下，刺激被一个或多个评定者评定，其中评定者评判出现在单个概念中的原型的程度。当使用评定者时，原型是根据预定的规则进行评分或量化的。那些熟悉技术的人员将认识到对校准度(calibration)、可靠性和客观性的评估者表现。原型数据库随后与客户数据库组合在一起，来产生一个预测消费者如何对刺激进行反应的模拟模型。
第四帧说明了发现原型与包含在刺激数据库中的消费者结果之间的关系的想要的模型方法。这个导出或建立原型与客户响应之间关系模型的步骤在更现代的预测方法(如人工神经网络、遗传算法和模糊逻辑与模糊控制系统)之外还可以包括任何标准单变量、双变量和多变量统计学方法(如交叉制表、t测试、ANOVA、相关、回归、要素分析、结构平衡模型)。在一个实施方案中，模型建立方法是由一个神经网络来完成的，以选择那些客户响应与数据库中的概念最具相关性的原型。在其他优选实施方案中，基于专家的模型，如基于规则或基于案例的推理也被用于引出客户响应与规定原型之间的关系。熟悉神经网络或其他统计学模型的技术人员将意识到需要任何导出模型来计算适配的优度或者适合于模拟精确度的相似误差测量。
本发明的方法最好包括一个第五帧，其中对一个给定概念的潜在相关成功做某些评判。这种评判可以由任何期望的标准来设定，如市场现实、个人期望或者任何其他规定的可以从中做出决策的基准。最普通的要求是一个传达一个概念的成功潜力预测的系统。本发明的方法最好也包括某些行为准则，用于确定补救(remedy)或解决方法来解释或响应从前面的帧中得到的结论。这可能象评估10个新概念一样容易，并且然后将其从最好到最差分级并选择前三个，作为通过行为标准的概念，并继续进行客户研究。在一个迭代循环过程中，涉及对一个原型向量集合提供反馈，它被设计为向概念开发者提供如何增强所测试概念的指导。原型向量是数学地汇集在一起以帮助预测成功潜力或作为一个诊断反馈来增强一个概念的原型集合。例如，对相信理由的一个低分可能会得到一系列用于根据来自具有较强相信理由的源数据库的概念来提高相信理由的建议。
不管行为准则采取何种形式，这个步骤提供一个反馈系统来加速开发周期的时间并做出面向商业的决策。新概念刺激于是可以被评估，并且一个消费者响应只用了一个传统客户概念测试时间的很少一部分就预测出来了。这使标准产品概念可以在引入市场之前被修正或优化。
虽然本发明的帧或步骤最好大体上如上所概述，但应当理解，该步骤不是必须以这种规定的次序来执行。例如，在建立了一个模型之后并且新概念被引入并针对预测结果确认了之后，原型可能需要增加、变化或删除，并且过程可能需要重复。进而，如果一个根据来自模型的建议采取的行为证明是没有什么益处的，从源数据库中对概念的选择可能需要被警告，原型可能需要调整，并且可能需要建立一个新的模型。
如将要理解的那样，本发明提供了对提供可以显著加速一种新产品或服务的开发周期的工具的技术的推进，并且提供一个捕捉先有客户知识并将其应用到其他产品或服务类别的过程。
附图简述虽然该说明书归结出了具体指出并明确要求本发明的权利要求，我们相信，从下面结合附图的描述，相同的内容将会得到更好的理解
图1是一个流程图，描述了根据本发明的模拟人类刺激响应的方法的步骤序列。
具体实施例方式
现在详细参考本发明的当前优选实施方案，它的一个实例在附图1中进行了描绘。本发明提供了一种方法，用于在将该刺激暴露给客户之前，模拟客户对要被评估的新的或“目标”产品、服务或概念的反应。
本发明具有特定的用途，用于提供与享乐客户响应相关的基础决定信息并将其与跨产品类别的多个产品进行相关。在这些“帧”中所描述的本方法的附加用途涉及一个有效捕捉并使用如历史客户产品响应所揭示的产品“智慧”的过程。
本发明可以被用于预测一个个人或小组对一个广泛范围内的概念的反应。如这里所使用的，名词“概念”是刺激的一种形式并且是指任何有形的或无形的实体或物品，希望确定或预测一个消费者对它反应。例如，概念可以包括产品，如食品和饮料、纸制品、健康和美容用品、药物产品、洗衣和清洁用品、化妆品、书籍、电影、录音制品和任何其他消费品、零售品或有形的和无形的产品。概念也可以是服务，如金融服务、房地产服务、法律服务和任何其他消费品、零售品或任何其他有形或无形服务。
关于一个概念，如一种产品或服务的信息，可以通过使用“可传递信息”传送给一个个人。如这里所使用的，短语“可传递信息”是指关于一个概念的任何信息，它可以传送给一个个人或机器，并为个人或机器所感知。通过使用五种感觉(如视觉、听觉、触觉、嗅觉与味觉)中的任何一种可以感知到可传递信息，或者在使用机器的情况下，可以用扫描仪(如色彩、对比度、亮度、模式识别)和文本的编程分析(如可读性索引、语法和拼写检查)及声音(即语音识别)来捕捉“可传递信息”。并且，可传递信息可能包括照片、视听信息、触觉的或嗅觉刺激。然而，关于一个概念的信息通常由可能包含一个图片以及文字描述(如价格、属性等)的对概念的广告来传递。于是，可传递信息表示了关于一个概念的累积的消息，它被传递给一个个人并且它可能是使用多种机制来传递的。
本发明的初始帧需要一个客户问题反应数据库，或者适合于“源概念”或那些当前提供或打算提供到市场中的产品或服务的主观“反应计量器”(reaction quantifiers)。本发明被设计为向以前收集的消费者数据提供扩展的价值。经常是，在这种主观消费者反应数据被收集之后，它只用于解释可以直接应用该产品的消费者市场。相反，本发明的实施方案更适宜对预测模拟使用包含大量产品的现有消费者数据的大规模收集。在本发明的一个应用中，一组来自广泛范围的产品级别的大约是4000种产品和服务概念被用于开发一种模拟模型，借助这里所述的方法。在另一个应用中，一个模拟模型被从来自一个特定产品类别的100个概念中开发出来。进而，为与本发明使用，所有数据库中的概念应该具有至少一个用于测量消费者对概念的主观反应的通用响应变量。例如，每个在数据库中使用的概念应该具有一个通用主观响应变量，如一个“购买兴趣”评分，它是从如“你会购买这个吗？”或者“你喜欢这个吗？”这样的问题中得出的。其他响应变量可能是，例如，试用的欲望、观看的兴趣、愿意试用、过去电影或戏剧表演的实际门票销售、政治候选人以前的得票率、电视收视率、广告说服力、广告回忆、客户满意、会不会推荐给一个朋友或者任何数量的其他与该刺激交互的客户。这个通用客户响应可以是任何想要的属性，未来的市场模拟想要这些属性。
一个本发明方法的用户可以得到带有多种技术的一个通用响应要素。即，可以生成一个通用测量，作为一个标准化或转换技术的一部分，该技术从分离的和不同的数据库中取得两个或多个响应变量，并将其结合到一个新的通用测量中去。例如，一个通用测量可能是使用百分点来生成的，其中来自分离数据库的两个变量每个被分割为100个相等的频度分组(即分割点)。这样，两个变量都将具有相似的标度，并且单个值根据其各自的百分点级别是可比较的。
一旦数据库被收集，下一步(第二帧)是选择能够被用于将一个文本和/或视觉输入转换为一个数学输入的描述符(原型)组。这种转换是通过对在每个概念中出现的不同属性和原型的逐个评估来完成的。例如，一个原型可能是一个“已传达产品益处”(即，产品益处的传递有如何强烈？)。在一个原型被识别出来之后，它被标度并定义出结束点。在本发明的一个实施方案中，一个庞大的原型集合已经被预先选择了，并且被收入一个计算机接口中。用户选择这些原型中的哪些将被用在一个特定研究中，并根据该选择建立一个自动模型。
原型的收集可以是用户定义的或者根据经验规定的。实际上几乎有无限多个可能的原型。但是，原型的选择是由其预测价值来控制的。例如，“月相”是一种可能的原型，但它可能在一个关于一种新汽车购买的市场模拟问题上没什么预测的价值。因此，所选择的原型通常是直觉地感到是与正在研究的特定市场问题相连的原型。每个指定原型的描述与解释也是同等重要的。例如，一种客户益处可以被描述为提供客户想要和需要的东西的益处。规定不同的是，一种展示一个益处的产品回答了产品将会做什么来改进、增强、或者改变消费者的生活质量的问题。一种附加原型已经被证实是有用的，它是“相信的理由”，即产品将会带来它所承诺的益处。因为大多数概念的一个重大弱点是可信度，所以这个原型对于评测一个消费者对确实可以带来益处的感觉怎么样是重要的。另一个有用的原型是一种新产品或服务展示其与当前在市场中已存在或已经可用的产品或服务之间的“差异”或独特性的程度。
提供明确的原型定义对保证一个给定概念的多个评定者在评定过程中(第三帧)保持一个一致性水平是必须的。对于有多少个评定者来客观地评估一个概念没有要求，除了那些确实需要被评估的来自相同数值边界的之外。一个评定者被定义为一个使用为每个原型描述符指定的原则来客观地评定一个概念的个人。当多个评定者评估一个概念时，评定者对于同一概念的认同(一致性)需要在建模之前进行确定。评定者认同确定可以在开发模型之前作为一种对适当数据调节和适当属性校准的控制被加入到模拟中。规则组也被用于将刺激转换为期望原型的数值表示。规则组可以由人类评估者或者原型的自动机器评测来使用。
在完成从视觉和/或文字到数值形式的转换时，本方法的下一个步骤(第四帧)是将整个数据集合送入一个建模系统。这个建模系统可以是一个简单矩阵，它使用原型交叉制表的高、中和低值与响应变量值的百分比差异，也可以是一个OLS(Ordinary Least Squares)回归(regression)模型、一个模糊逻辑模型、和/或一个神经网络模型。技术的组合是可能的并且适用的。
本发明的方法还具有在分配零售商货位费(slotting fee)上的应用。例如，在任何时代，10,000或者更多种新产品被投放到零售杂货店业中都是极不寻常的。为了减轻与库存新的和未被验证的产品相关的损失，零售杂货店主经常向批发商收取“货位费”以在其商店中展示新产品。由于围绕着任何给定新产品的成功可能性的不确定性，零售杂货店主通常为相似的物品收取相同或相似的货位费。
本发明的方法可以在这种状况下使用来提供一个对任何给定新产品的成功概率的独立评判，如前面详细描述的那样。一个零售杂货店公司可以使用一个给定新产品的成功概率来将一个适当的货位费分配给关联的新产品不成功风险。例如，一种带有高成功可能的新产品将被收取一个相对较低的货位费。相似地，一种带有平均成功可能的产品将具有一个平均货位费。一种带有低成功机会的风险产品将被收取一个高货位费。本发明的方法从而为一个零售商提供了一种更加客观的方法来减小与新产品失败相关的风险。这不仅在零售杂货店业具有应用，而且实质上任何一个批发商经纪人或其他“中间人”销售新产品以供零售商转卖的零售(或其他)行业都有应用。
本发明的方法的另一个潜在的应用领域是在法律系统中。例如，可以生成一个包含以下信息的数据库，这些信息是关于陪审员对某些语言、法律辩护、律师的表达风格的反应，或者实质上可能使一个陪审员在法庭环境中暴露出的任何刺激反应。本发明的方法可以允许律师来估计一个陪审员观看某一法庭过程或刺激时有利(即对一个陪审员来说更愿意宣判无罪或没有责任)或不利(即更对一个陪审员来说更愿意宣布有罪或有责任)的概率。
如前面所提到的，并且根据本发明的一个重要方面，可以理解，本发明方法的各个步骤不需要以一种特定顺序来执行以达到有用的结果。根据情况，可能需要以与本发明的其他应用不同的顺序执行本发明的步骤。例如，在多数公司环境中，某种拇指的公司规则(“corporate rulesof thumb”)演化为已建立的集体公司智慧和思维方式的一部分并非是不寻常的。这些拇指规则(rules of thumb)可能是经过一定时间发展起来的或者是由于某些相当突然的异常事件而成为集体公司智慧的一部分。本发明的方法对于测试并确认这种公司智慧组成部分是有用的。
为了说明，通过访问主管人员或者公司的其他职员，一个与这样一种公司智慧组成部分相应的原型可以首先被识别出来。接着，一个历史客户响应数据库如上所述可以以一个“相反”方式来使用，以识别对特定原型或询问的公司智慧组成部分的历史客户响应。下一个与公司智慧原型相关的原型可以用数据库中实际的历史客户响应来开发并测试。在这种方式下，如果它被确认是与历史上的赞成的客户反应相对应的，则公司智慧已建立的项目可以“生效”；或者如果没找到这种响应，则它被当作“无效”。
发明实例下面的实例显示了本发明的发明方法如何被使用，来对一个刺激做出判断而不需要客户响应。所讨论的实例是说明性的，并不意味着任何方式的对本发明潜在应用范围的限制。
实例1一个基于交叉制表的简单人工智慧系统在这个实例中，一组1000个来自食品、健康与美容的概念和服务被收集到一个数据库中。所有这些概念都已经被用一个国家范围的有代表性的客户组来测试过，它们被选为这些产品的客户。整个数据库对“购买兴趣”有相同的响应，以相同的0到10 Juster购买概率标度来记录。三个用作客户购买动机指示符的原型为这个数据集合而生成。这些原型被定义为(1)概念包含一种益处吗？(2)概念包含一个相信的理由吗？(3)概念是新的和不同的吗？这三个原型被用一种在标度的两端带有标记结束点的0到10Juster标度来评定。所有1000个概念被用在所有三个原型上的一个评判来评定。该数据随后为每个概念被压缩为表示每个原型的高、中、低表现(presence)的三分制(tertiles)(分别标记为3，2和1)，并且购买兴趣值为每个概念被压缩为高和低类别值。数据库中每个概念的原型然后被与客户购买兴趣评分交叉制表，来找出表现出高购买兴趣的原型的倾向。回忆一下，客户购买兴趣数据是以一种0到10 Juster来评定的，并且根据以前的经验，值7以及7以上的值被认为是一个“获胜”的概念。
构造一个简单的3×3×3矩阵来为每个原型组合评估获胜概念的百分比。例如，在包含在低益处、低相信理由和低新的及不同性和组合(即1，1，1)的数据库中的胜利者的概率百分比为12.5％。因此，当以一个国家范围的有代表性的客户集合来测试时，一个还没有由客户进行测试，但已经在相同的原型空间中被评判的新概念具有12.5％的机会成为“获胜的”概念。在表1中显示了根据本例预测胜利者％的样本原型组合代表性表格
实例2以不同的顺序使用步骤来识别智慧一种影响一个组织的内部智力资本并用于将概念更快地推动到产品/服务开发线的方式是以不同的顺序使用本发明方法的各个步骤(也是帧)。如本例将要显示的那样，本发明的方法的一个重要特点是各个步骤可以以不同的顺序完成。
本例的目的是展示捕捉公司知识的价值。换句话说，本发明方法的使用使一个公司或其他团体在建立一个客户有所反应的核心益处集合时获得知识并发现规律。最终目标是创建一组指导原则，它可以大大地提高通过公司系统向市场生成并引入的成功想法的数量。
在这种情况下，第一步是以一个广泛的原型集合的开发来开始的，这些原型是由来自一系列对公司主管人员、学术领导人和市场经理一对一的访问所得到的规律而生成的。结果是，产生了一组23个认为对该类别是真实的“拇指规则”或者“核心”原型。在本例中的第二步骤是生成一个唯一的数据集合，它有发现捕捉客户行为的最佳原型的目的。为了进行这个步骤，一系列200个概念被选择，它们包括在各种贡献程度不同的原型组合中。
对于本例的第二和第三步骤，希望这些步骤在进行之前可以经过多次反复循环。为了说明这种反复过程，一个有100个概念的子集被从一个有3948个概念的集合中随机选择出来，来加速原型发现和开发周期时间。在第一个循环中，大约50个原型维度(dimensions)来对100个概念进行测试。在本例中，带有一个客户购买兴趣通用测量的概念集合已经是可用的了。
对于本例的第四步骤，为确定描述数据库的原型集合，使用一个双变量相关矩阵和一个OLS回归分析来确定预测购买意图的原型集合。这些原型接着被组合到一个更小的测量组中去，以达到最节省的预测购买意图的原型测量组。对于本例的第五步骤，原型向量(即原型组)然后被使用原始原型值的总和来集成，以提供诊断反馈系统(概念上相似的原型是集中在一起)并提供强化的预测能力。
在本例中展示的智慧中的重要改进不是开发的原型数量，而是意想不到的发现，一些从公司传统智慧开发出来的“核心”原型对真实的客户响应没有影响，或者对其有相反的联系。这表现了该模型为制造概念、产品、服务或广告开发决策提供更准确的智慧基础的能力。
本例的最后步骤是利用模型与商务领导人来确定模型的结果是否为他们根据结果做出行动提供了足够的内容和价值。在许多情况下，客户发现模型对分级排序一个想法集合是一个有价值的工具，并且可以作为在设定开发优先权中的一种帮助。还发现对于执行顺序测试和学习周期来提高以前测试过的在消费者测试中没有得到很好的评分的概念，模型是一个有价值的工具。因此，它节省了时间、金钱以及新的研发。
实例3建立一种包含战略和战术教训与规则的ArtificialWisdomTM(人工智慧)系统在本例中，一组3948种新产品和服务概念被从一个存档概念库集中到一起，这些存档概念是来自广泛范围的市场类别，如食品、技术、汽车、健康与美容、电信、健康护理和金融服务。每个概念被提供给大约100个潜在客户的一个随机取样。在本例中，概念由一个存在或可能存在的产品或服务的描述组成。一个概念可能包括任何或者全部的以下内容描绘被使用的产品或服务的图形、物品包装的图形表现、一个名字、压缩关键益处的一个一句话的概述或“标记线”、以及描述产品或服务并向客户推销该特性的更详细的文字。在相同情况下，概念可能是实际的商业印刷广告，用来推销一个特定的服务产品。
客户通过选择一个从零开始到十结束的数值范围来表示对由每个概念所代表的物品的购买可能性。这个标度的结束点为“肯定不会购买”(如数值0)和“肯定会购买”(如数据10)。也被测量的还有消费者的理解，它是关于该概念与市场中已有的产品或服务相比是怎样新颖的及不同或独特的。在这种标度上的结束点是“不是非常新颖和不同”(如数值0)和“非常新颖和不同”(如值10)。为每个概念从在两种测量上的消费者响应的取样中生成一个平均值。
对概念资料的回顾和内容的分析有助于识别35个维度，它们假设对消费者反应是很重要的。原型包含了广泛范围的要素，如益处、可信度、独特性、音调和特性。所有概念然后被由一组培训过的评定者在这些35个维度上进行评估。在评估期间，评定者通过观看图形、阅读书面副本、详细分析并将概念图解为其原型组成部分(如益处、可信度、独特性)来检查一个概念。，并且随后，通过对每个原型维度使用一个零到十标度来评定概念在35个维度的每个上执行得如何。然而，在某些情况下，原型是使用一个绝对的而不是0-10等级的响应集合(即1＝产品概念，2＝服务概念)来进行评估。
对于本技术的领域的人员来说，显然，评定者必须做一种实际的工作，在原型维度上评测每个概念。这样，评定者可靠性测量和校准过程的使用对于实现一个有用的原型响应集合就是必要的。
在一种情况下，一个原型不是由一个人类评定者来评估，而是来自概念的书面文本由一个计算机算法来评估(即出现在一个概念中的原型的机器评定)。特别地，一个使用Flesch-Kincaid Grade Level的称为可读索引的原型被使用，并且公式包括测量结果如每个词的章节以及每句话的单词。
一个标准ordinary least squares(OLS)回归方法被使用，以评估35个原型的每一个预测购买兴趣和独特性的能力。从这种回归分析中，一个包含12个原型变量的模型被找出，它足以预测客户购买兴趣。这个OLS模型现在可以被用来预测新概念的客户购买兴趣评分，这是通过根据与用于从源概念中建立模型的原型组相同的原型组对新概念进行评定而实现的。
在其他实施方案中，预测的客户购买评分被以五分制进行报告，五分制是通过将原始客户购买意图数据库转换为五个相等的分组并将落入五个分组之一的每一个中的购买意图值范围标识出来而形成的。每个分组用一个“星”级来标记(如，5星＝出色的概念，4星＝很好的概念，3星＝一般的概念，2星＝低于平均水平的概念，以及1星＝很差的概念)。给一个目标概念的预测购买意图值赋予适当的星级数值，它是根据来自原始源数据库的数值所落入的五分制范围给出的。在其他实施方案中，可以使用一个百分制评分系统，其中在客户数据库中的原始响应变量被放入100个相等的分组中，预测的购买兴趣值是以一个基准来报告的(如新概念预测一个购买兴趣值在与数据库中所有其他概念相比较的第85个百分制位置)。
OLS回归模型可以容易地提供原型对最终预测购买兴趣评分所作贡献的价值。这些原型贡献或系数对熟悉技术的人员来说，也可以用与上面所述相同的“星”级来报告。以这种方式，可以使用特定原型来为一个特定概念的改进或选择提供校正的或“指示的”建议。这些特定原型可以以帮助向测试概念的开发者传递战略性智慧的“规则”来报告，这是就当前概念的优势和需要改进的缺点领域而言的。
例如，如果“概念包含一种益处”的原型得到5星评定，则这个概念可以被称为是包含一种强大的益处信息。另一个重要行为标准可以来自以“教训”形式组合的原型评测。这些教训对于概念的改进可以被解释为战术上的或实施上的指导。例如，“战略清晰度”可以被定义为一种更高阶的原型，它在战术上定义了想法被传送到概念中的清晰程度。清晰度连同简明性、明确性和理解能力对于适当的想法交流是重要的，并且减小了被误解的机会。清晰度是重要的，是因为客户在能够开始进行任何关于它的评判之前，必须首先正确地理解并知晓产品或服务是什么。也就是说，想法及其相应组成部分(如益处、相信理由、独特性)的交流越清楚，想法将越有可能被按其意图来解释。战略清晰度在这种情况下作为一个来自益处、相信理由和新颖与不同性三个不同原型的原型向量组成。在概念中为益处使用的特定原型是“主要益处是清楚的并易于识别及用一个简单的语句来解释”。类似于战略清晰度的一个教训的诊断使用可以回过来向概念的开发者报告，作为对概念改进的一个引导方向。
实例4使用一个神经网络来建立一个多原型模型，以预测新产品和服务概念的客户购买兴趣。
一个人工神经网络是给予一个概括的数学模型级别的名字，该模型结构上类似于生物神经处理单元。神经网络在如控制工程、配方优化、生物系统建模、股票市场交易、信用风险评估和语音或对象识别这样的领域中被广泛地应用于从输入数据集合来预测未来结果。在本例中，模型开发帧有利地使用一种计算机实施的神经网络来为消费者响应预测选择想要的原型预测值。
在该优选实施方案中所使用的神经网络被定义为使用一种带有双曲弧正切传递函数(hyperbolic arc tangent transfer function)的自适应梯度下降学习算法(adaptive gradient descent-learning algorithm)。其他体系结构也可以被使用。神经网体系的选择是根据所使用的数据的结构、数据信号的噪音和误差以及期望结果的目的而定的。一个神经网通常根据参考数据和神经网络建模方法来建立一个模型，它可以应用于大多数情况下，其中一组输入要素之间的关系是未知的，而结果是已知的。建模目的是寻找一个公式或程序，它有助于从输入要素来预测结果。
在一个指定的用于预测的神经网络的开发中的主要活动是确定权值，它优化了提供给输入层并传送到输出单元的信息之间的关系。确定权值的过程被称为“学习”。学习的过程被分为两个活动培训和确认(validation)。
有许多种方式来完成在一个前馈神经网络中的学习。使用最广泛的学习范例是围绕着不同的对一种通用的基于微积分的技术的适用，它也被称为反向传播。反向传播是一种技术，用于调节从输出返回到处理层的权值，并且随后重复返回到输入层，以试图使基于一种规定标准的误差最小化。反向传播假设所有处理单元和连接权值是与某种误差程度有关的，并通过模型反向调节权值而没有对连接权值更新的偏移。误差函数的选择再次留给了熟悉技术的人员。在本例中，使用被称为梯度下降的一种反向传播版本，其中每个处理层中的单元具有一个与其相关联的单一误差值。
在培训中，整个数据库的一个子集被选定，使用一个已知的输出集合来为连接建立权值，传递函数扫描输出集合与已知输入的相关性。一旦权值经过在培训中的反向传播被优化了之后，相应的模型可以被使用，通过确认来建立余下数据集的匹配度(fit)。确认要求，余下的数据集输入通过处理单元进行传递，保持连接权值不变并比较计算出的输出值与在数据集中出现的已知输出。在进一步的预测进行之前，一个特定模型匹配优度可以被选择，作为从模型到实际值的计算值适用性的期望。一个简单的匹配优度假设将为计算出的输出与数据库中的真实输出之间的相关指定一个给定值，如一个Pearsons相关系数，作为确定一个成功模型的标准。
有许多策略来从在培训中使用的数据库中选择数据子集。程序上的细节就留给熟悉技术的人员，例如，它们可以包括或者随机或者顺序地取出一组数据百分比，并且，某个选择策略可能被使用，其中一个代表数据集合中的极端值的点的集合被以一定数量的随机选择数据点来扩充。在本例中，一个培训集合的选择被选定，作为一组代表在输出单元中发现的值的统一分布的点数。
使一个神经网络作为一个预测模型的级别非常有价值的独特方面在于，在培训过程中，连接权值不是固定的，而是允许变化的，学习范例调节权值以试图使误差函数最小化。权值的初始值通常在某个规定的范围内随机选择，并且由输入计算出的初始输出在处理层中通过传递函数来传递。在反向传播中，调节连接之间权值的不是绝对误差值，而是对应在每个各处理单元内的激活函数值的权值的导数(derivative)。这样，一个网络被认为是从给定的培训输入集合学习，其中以一种迭代方式为它确定连接权值，直到最小化的误差函数被满足。
神经网络的状态可以在任何时间作为一个向量矩阵来查看，向量通过权值表现了不同输入对输出的作用。这使我们可以选择最优定义输出响应的输入或原型。当模型完成误差函数最小化所规定的学习时，在网络之内的权值检查揭示出了那些最优地描述了输出的原型元素。这可以产生出一个原型子集，对于它，进一步的概念可以被评定，并且输出估算可以计算出来，作为消费者预测。
在本例中，100个概念被选定，它们代表跨越响应范围的消费者购买兴趣值的一个统一分布。被评定的原型值被用于生成输入层，而一组36个输入被用于建立前馈网络。级联相关(cascade correlation)被用于向网络中添加隐藏处理单元，一次一个，并且进行处理，直到实现一个最小的误差。最终的神经网模型体系包含24个输入原型、在一个单一隐藏层中的15个处理单元、以及一个输出单元。这就成为了模型，它被用来在第五帧中进行消费者或客户对一个目标概念响应的概念预测。
在第五帧，一个在模型开发中见不到也没有分析过的有500个随机选取的概念的确认集合被用作对模型的确认，模型是通过保持模型中的连接权值不变并且将输入数据通过网络传送以生成一组估计输出值而开发出来的。这个模型对于在消费者新概念响应模拟中的使用是足够的。用于评判概念成功的输出再次以指定的成功标准为基础，并且依赖于模型目的。在这种情况下，消费者购买兴趣被编码为0到10修正Juster标度，并且输出是在这种相同的标度上模拟的。
从原始概念数据库中，规定一个成功新产品想法的标准被确定为那些在客户购买兴趣的前20％的想法。这样，这该实施方案中，来自原始数据库的在10分制标度中大于6.5分的那些概念被标记为“绿灯”。那些在4到6.5之间的被称为“黄灯”，而低于4的为“红灯”。因此，任何在原型上评定、评分并通过模型传递以得出“绿灯”评定的新产品概念被选中，作为对未来客户有吸引力的概念。为了确认所描述的模型，一系列18个新食品产品的概念被模拟，并且发现包含14个绿色、1个黄色和3个红色概念。这18个概念然后被显示给一个代表性的客户抽样，它被要求在这些新食品产品概念中评定可能的购买兴趣。该客户对相同的购买兴趣响应建模模拟匹配了83％的概念。
在显示并叙述了本发明的优选实施方案之后，预测对一种刺激的响应的方法的进一步的改造可以由本领域的普通技术人员通过适当的修改而完成，而不背离本发明的范围。多种替代和修改在这里已经描述了，而其他的对本领域技术人员将是显而易见的。因此，本发明的范围应当根据随后的权利要求来考虑，并且可以理解，它不受在说明书及附图中所显示和描述的结构细节和方法的限制。
权利要求
1.一种方法，用于预测对一种目标概念的反应，所述方法包括以下步骤(a)提供一个数据库，它包括主观反应数据，所述主观反应数据包括多个个人对至少一个主观反应计量器的响应，反应计量器能够被用于在向至少某些所述多个个人暴露至少某些所述一个或多个源概念时，主观地评估关于一个或多个源概念的可传递信息，所述数据库还包括对多个所述一个或多个源概念的至少一个通用主观反应计量器；(b)选择一个或多个适于帮助至少某些所述一个或多个源概念可传递信息内容客观评估的原型；(c)根据一个或多个所述原型在所述数据库中生成至少某些所述源概念的客观评定或规则组；(d)开发一个模型，它定义了至少某些所述主观反应数据与至少某些所述原型之间的关系；(e)根据由所述模型定义的一个或多个所述原型生成所述目标概念的客观评定；以及(f)将所述目标概念的所述客观评定输入到所述模型中，来预测一个预定人群对所述目标概念的主观反应。
2.权利要求1的方法，其中所述至少一个通用主观反应计量器可以引导出与消费者喜好程度相关的响应。
3.权利要求1的方法，其中所述至少一个通用主观反应计量器可以引导出与消费者兴趣相关的响应。
4.权利要求1的方法，其中所述至少一个通用主观反应计量器可以引导出与消费者购买潜力相关的响应。
5.权利要求1的方法，其中所述至少一个通用主观反应计量器可以引导出与消费者理解程度相关的响应。
6.权利要求1的方法，其中所述至少一个通用主观反应计量器可以引导出与消费者信任相关的响应。
7.权利要求1的方法，其中所述至少一个通用主观反应计量器可以引导出与消费者回忆相关的响应。
8.权利要求1的方法，其中所述至少一个通用主观反应计量器可以引导出与消费者兴趣期望的响应。
9.权利要求1的方法，其中所述至少一个通用主观反应计量器可以引导出与消费者买票可能性相关的响应。
10.权利要求1的方法，其中所述至少一个通用主观反应计量器可以引导出与投票者对政治候选人响应相关的响应。
11.权利要求1的方法，在步骤(b)之后还包括以下步骤(b1)在所述步骤(b)之后为每个原型选择一个可量化的标度。
12.权利要求11的方法，其中所述可量化的标度是从由Likert标度、Juster标度和带有固定描述符的连续标度组成的小组中选择出来的。
13.权利要求1的方法，其中所述模型是使用标准单变量、双变量和多变量统计方法来生成的。
14.权利要求1的方法，其中所述模型是使用一个神经网络来生成的。
15.权利要求1的方法，其中所述模型是使用模糊逻辑而生成的。
16.权利要求1的方法，其中所述模型是使用遗传(genetic)算法生成的。
17.权利要求1的方法，其中所述模型是使用交叉制表生成的。
18.权利要求1的方法，其中所述模型是使用t-测试生成的。
19.权利要求1的方法，其中所述模型的使用ANOVA生成的。
20.权利要求1的方法，其中所述模型是使用相关矩阵生成的。
21.权利要求1的方法，其中所述模型是使用回归生成的。
22.权利要求1的方法，其中所述模型是使用要素分析生成的。
23.权利要求1的方法，其中所述模型是使用结构均衡建模生成的。
24.权利要求1的方法，在步骤(d)之后还包括以下步骤(d1)使用所述模型帮助选择评估所述目标概念所需的原型。
25.权利要求24的方法，在步骤(d1)之后还包括以下步骤(d2)测试所述模型误差与匹配的假设；并根据需要重复步骤(b)-(d2)。
26.权利要求1的方法，其中所述源概念全都来自实质上相同的产品级别。
27.权利要求1的方法，其中至少某些所述源概念是来自实质上不同的产品级别。
28.权利要求27的方法，其中所述目标概念是来自实质上与所述源产品相同的产品级别。
29.所述权利要求1的方法，其中所述一个或多个原型包括一个对一个消费者或客户的“明显益处”。
30.权利要求1的方法，其中所述一个或多个原型包括一个消费者或客户相信所述目标概念会带来益处的“真正的相信理由”。
31.权利要求1的方法，其中所述一个或多个原型包括所述目标概念表现出与目前存在概念的独特或“显著不同”的程度。
32.权利要求1的方法，在步骤(f)之后还包括以下步骤(g)判定所述目标概念的相对潜在成功性。
33.权利要求20的方法，在步骤(g)之后还包括以下步骤(h)根据所述原型和所述目标概念的相对潜在成功性来开发并应用行为准则。
34.权利要求1的方法，其中所述主观反应数据的所述数据库包括来自相似产品或服务概念的数据。
35.权利要求1的方法，其中所述主观反应数据的所述数据库包括来自不同或跨类别产品或服务概念的数据。
36.权利要求1的方法，其中所述步骤(a)还包括以下步骤(a1)通过规范化并标准化两个或多个独立的和不同的包含主观消费者响应数据和原型数据的数据库来生成所述通用主观反应计量器。
37.权利要求1的方法，其中步骤(c)是由对一组原型标准进行评判的一个人类评估者来完成的。
38.权利要求1的方法，其中步骤(c)是由对一组原型标准进行评判的机器测量方法来完成的。
39.权利要求1的方法，其中所述步骤(e)是由对一组原型标准进行评判的一个人类评估者来完成的。
40.权利要求1的方法，其中所述步骤(e)是由对一组原型标准进行评判的机器测量方法来完成的。
41.权利要求1的方法，还包括以下步骤(i)向所述目标概念的开发者就如何加强或改进所述目标概念提供指导。
42.一种用于预测对一种目标概念的反应的方法，所述方法包括以下步骤(a)提供一个包含主观反应数据的数据库，所述主观反应数据包括多个个人对至少一个主观反应计量器的反应，该计量器能够被用于在向所述多个个人中的至少某些个人暴露至少某些所述一个或多个源概念时，主观地评估关于一个或多个源概念的可传递信息，所述数据库还包括对多个所述一个或多个源概念的至少一个通用主观反应计量器的响应；(b)选择一个或多个原型，有助于至少某些所述一个或多个源概念的可传递信息内容的客观评估；(c)根据一个或多个所述原型，在所述数据库中生成至少某些所述源概念的客观评定或规则组(rule sets)；(d)开发一个定义至少某些所述主观反应数据与至少某些所述原型之间关系的模型；(e)依据由所述模型定义的一个或多个所述原型生成所述目标概念的客观评定；(f)将所述目标概念的所述客观评定输入到所述模型中来预测一个预定人群对所述目标概念的主观反应；(g)评判所述目标概念的相对潜在成功性；(h)开发并应用基于所述目标概念的所述相对潜在成功性的行为准则；以及(i)向所述目标概念的开发者就如何加强或改进所述目标概念提供指导。
43.权利要求42的方法，其中所述步骤(a)还包括以下步骤(a1)通过相关并标准化两个或多个独立的和不同的主观反应数据的数据库来生成所述通用主观反应计量器。
44.权利要求43的方法，在步骤(b)之后还包括以下步骤(b1)在步骤(b)之后为每个原型选择一个可量化的标度。
45.权利要求44的方法，其中所述可量化标度是从包含Likert标度、Juster标度、绝对标度和带有固定描述符的连续标度的组中选出的。
46.权利要求42的方法，在步骤(d)之后还包括以下步骤(d1)使用所述模型来帮助选择评估所述目标概念所需的原型。
47.权利要求46的方法，在步骤(d1)之后还包括以下步骤(d2)测试所述模型的误差与匹配假设；并根据需要重复步骤(b)-(d2)。
48.权利要求42的方法，其中所述源概念全都是来自实质上相同的产品级别的。
49.权利要求42的方法，其中所述步骤(c)是由一个人类评估者对一组原型标准进行评判而完成的。
50.权利要求42的方法，其中所述步骤(c)是由机器测量方法对一组原型标准进行评判而完成的。
51.权利要求42的方法，其中所述步骤(e)是由一个人类评估者对一组原型标准进行评判而完成的。
52.权利要求42的方法，其中所述步骤(e)是由一个机器测量方法对一组原型标准进行评判而完成的。
53.一种方法，用于为新产品在一个零售店中的放置确定并分配货位费(slotting fee)，所述方法包括以下步骤一种用于预测对一种目标概念的反应的方法，所述方法包括以下步骤(a)提供一个包含主观反应数据的数据库，所述主观反应数据包括多个个人对至少一个主观反应计量器的反应，该计量器能够被用于在向所述多个个人中的至少某些个人暴露至少某些所述一个或多个源概念时，主观地评估关于一个或多个源概念的可传递信息，所述数据库还包括对多个所述一个或多个源概念的至少一个通用主观反应计量器的响应；(b)选择一个或多个原型，有助于至少某些所述一个或多个源概念的可传递信息内容的客观评估；(c)根据一个或多个所述原型，在所述数据库中生成至少某些所述源概念的客观评定或规则组(rule sets)；(d)开发一个定义至少某些所述主观反应数据与至少某些所述原型之间关系的模型；(e)依据由所述模型定义的一个或多个所述原型生成所述目标概念的客观评定；(f)将所述目标概念的所述客观评定输入到所述模型中来预测一个预定人群对所述目标概念的主观反应；(g)评判所述目标概念的相对潜在成功性；以及(h)根据所述目标概念的所述相对潜在成功性对相应的所述目标概念分配一个适当的货位费。
54.一种用于确认并测试一个组织文化规则的方法，所述方法包括以下步骤(a)识别所述组织文化规则和所述组织文化规则的特征；(b)提供一个包含主观反应数据的数据库，所述主观反应数据包括多个个人对至少一个主观反应计量器的反应，该计量器能够被用于在向所述多个个人中的至少某些个人暴露至少某些所述一个或多个源概念时，主观地评估关于一个或多个源概念的可传递信息，所述数据库还包括对多个所述一个或多个源概念的至少一个通用主观反应计量器的响应；(c)根据所述组织文化规则的特征在所述数据库中生成至少某些所述源概念的客观评定或规则组；(d)开发一种模型，它定义了至少某些所述主观反应数据与所述组织文化规则特征之间的关系；以及(e)使用所述模型来评估所述组织文化规则的有效性。
全文摘要
提供一种方法，用于根据历史观察客户结果来模拟客户对刺激的响应。本发明的实施方案描述了一系列步骤，当它们集中在一起时，就完成了来自多个源输入的客户模拟预测结果，不用提前假设输入与模拟结果之间的关系。本发明包括一系列步骤，它们影响模拟模型的框架，从它可以得出客户预测结果。生成优选模拟模型所需的不同帧包括客户数据库开发，刺激原型开发，模型数据开发，建模，未来客户反应模拟和根据模拟结果的行为建议过程。
文档编号G06Q30/00GK1630866SQ00804348
公开日2005年6月22日 申请日期2000年1月27日 优先权日1999年1月27日
发明者道格拉斯·B.·霍尔, 杰弗里·A.·斯坦普, 克里斯托弗·R.·斯多曼 申请人:理查德桑德斯国际公司