iMario vs Electric Twin：调研方案由谁来定？

iMario 如何围绕企业自有的客户数据构建人群，Electric Twin 的 Research Agent 又如何设计调研。

设想一款订阅制健身 App，年度会员的续费率一直低于预期。财务部门打算给快到期的会员推一个更便宜的年度套餐。这是每次打折都绕不开的老问题：便宜套餐多留住的会员，能不能补回那些按原价本来就会续费的人少交的钱？这家公司、它的数据和这个方案都是虚构的，我们也没有针对它们做过任何调研。

哪些会员属于这类人，事先谁也没法知道。“本来就会续费”说的是一个人在原价下会怎么做，可一旦拿到折扣，这个人就再也不会面对原价了。合成调研的用武之地在这之前：它能呈现每一类会员面对不同价格各自怎么表态，帮团队把方案收窄到值得测试的几个版本；选定之后，再拿真实会员做一次测试，量出它对续费和收入的实际影响。

要把这一步做好，调研团队得把人群建对，问到点子上，还要说得清结论从哪里来。iMario 和 Electric Twin 都用企业自己的数据构建合成人群，所以这不是“真实数据”和“通用 AI”之争。本文要追问的是：调研方案由谁来定。在 iMario 里，助手可以帮忙起草，但人群由团队用自己的客户记录搭起来，团队还会检查它是怎么搭的，调研在运行之前也要经团队过目。Electric Twin 的 Research Agent（研究智能体）则不同，按它的设计，在 Autonomous（自主）模式下拿到一个问题或一份简报，就会自己定下调研思路、人群、题目和方法。分工不同，团队要把关的东西也就不同。

从现有客户出发

假设这家公司有一份会员名单，记着每个人的套餐类型和到期日，还有一些能观察到的账户信号，比如最近的活跃情况和以往的续费记录。另外还有 App 内问卷的回答，以及会员退订时留下的原因。这些材料只有带着稳定的标识（比如会员 ID），才能和名单对上号。

在 iMario 里，人群就从这份名单开始。客户记录决定人群里有哪些人，放在这个例子里，就是按到期日筛出来的、即将续费的会员。问卷补充结构化的回答，访谈和反馈带来会员自己的说法和语境，前提是这些材料和客户记录共用稳定的客户 ID 或邮箱，说的确实是同一批人。光有一份转写稿，确定不了人群里有谁。用我们文档里的话说：“单独一份转写稿或产品手册，不一定就是客户名单。”¹

做定价调研，能不能对上号很关键。一条问卷回答要是连不到具体会员，就说明不了这位会员的任何情况。退订原因来自已经走掉的人，或许能提示会员为什么流失，却说明不了即将到期的这一批人会怎么做。账户信号能让团队比较可观察到的流失风险不同的几组人，这很有用；但风险高低，不等于知道谁会按原价续费。

iMario 把构建过程本身摊开给你看。人群创建之前，研究员要核对字段匹配、标识和各来源的用途，再看看构建时排除了哪些资料；建好之后，可以把人群的分布和定义跟源数据对照，查看来源覆盖范围和示例人物。¹ 一道题都还没问，团队就已经知道有多少即将续费的会员带着对得上的问卷数据，又有哪些记录被筛掉了。

企业自己的记录不够用的地方，iMario 会补上。按 iMario 首页的说法，人群“由你的真实人群数据构建，并由内置的模拟世界人口延展”，这层人口如今覆盖 61 个市场、55 亿模拟人口。² 它从官方统计数据出发构建，并持续用真实调研数据校准。³ 围绕这批即将续费的会员，这一层更大的人口数据可以补齐背景信息。它描述的是和这款 App 会员相似的人，不是会员本人；这条界线能一直看得清，靠的就是覆盖范围检查。

Electric Twin 同样从客户数据出发。它首页的第一步标题是“We build your audience”（我们为你构建人群），正文写的是“我们拿你现有的问卷数据，为你的客户建一个合成模型”；第二步是“You ask the questions”（由你来提问）。⁴ 它的常见问题页说，人群“用你的客户数据，或高质量的真实世界数据”构建；第一次和它的团队沟通，聊的是“你有哪些数据、数据是什么状态、能用它建出什么”，团队还会“事先告诉你，模型在哪些地方可靠、局限在哪里”。⁵ 首页还说，每个人群“上线前都会用真实问卷数据做测试”。⁴ 它的准确度页面介绍了这项测试：接入新客户时，先用客户的一部分数据构建人群，再拿构建时留出来的题目给它打分。⁶

可见两家都让人群立足于企业自己的数据，Electric Twin 还给人群配了一道验证测试。分歧在于这一步怎么做：按 Electric Twin 的说法，这是接入阶段由它的团队参与完成的工作；在 iMario 里，团队直接在产品里自己构建，并且在任何调研运行之前先核查覆盖范围。如果财务多半会追问“这个结论到底基于哪些会员”，那就值得先弄清楚：这个答案得靠一次沟通才能拿到，还是人群本身就能给出。

题目怎么定

这项定价调研最难的是措辞。题目必须把“在每个价位上愿不愿意付钱”和“对 App 总体满不满意”分开，否则答案只会给折扣方案贴金，对续费却什么也说明不了。

在 iMario 里，调研由团队自己写，或者在运行前由团队审定。研究员在新任务里选好人群，准备好问题或素材，设定受访人数，然后提交。⁷⁸ 形式有单个问题、问卷、访谈、焦点小组等。⁷ 起草任务前，助手可能会先问几个问题，把需求弄清楚；也可以根据一个调研目标生成问卷草稿，在问卷编辑器里打开，由研究员逐一核对每道题、每种题型和每个选项。⁹¹⁰ 运行之前，iMario 的检查清单列了几项要核对的内容：人群是不是想研究的那群人，问题和选项是否齐全，方法是否适合这项任务，受访人数和题目清单是否都确认过。⁹ 等调研真正跑起来，付费意愿怎么问、用什么形式、人群是不是这批即将续费的会员，都已经由说得清理由的人拍了板。

Electric Twin 提供两种用法。一种是登录后直接向它常见问题页所说的“随时在线的人群”提问，题目怎么问由用户自己掌握。⁵ 另一种是做一项完整的调研。按 Research Agent 页面的说法，“给它一个问题或一份简报就能开始”。接下来，智能体会“提出调研思路，挑选合适的人群”，“决定问哪些问题，选用合适的方法，并根据分析结果推进调研”，还会“在运行过程中自查结果、寻找支撑证据”。用这种方式要先“切换到 Autonomous”模式，页面称完整报告“最快 30 分钟”就能拿到。¹¹ Electric Twin 的发布文章还补充说，这个智能体会“跑数百轮问卷和焦点小组，直到找出值得分享的洞察为止”。¹²

Electric Twin 的 Research Agent 页面上动画演示的一帧（https://www.electrictwin.com/platform/research-agent），截于 2026 年 10 月 21 日。这是网站上的演示，不是经过核实的产品截图；其中的示例问题和数字都是 Electric Twin 自己的示意，不是本文虚构健身 App 的结果。

对时间紧的团队来说，交出一份简报就能拿回一套设计好的调研，这是实打实的好处，只是活儿挪了个地方。团队不用自己写定价题目了，却得有人去评估智能体选的题：它选的人群是不是这批即将续费的会员？题目是否紧扣每个价位下的续费意愿？它停下来的地方站不站得住？这和 iMario 研究员检查自己草稿用的是同一套标准，只不过检查的是别人做的选择，而且可能是在调研跑完之后。页面上的演示显示，智能体会先列出调研计划，再边做边逐项打勾；至于团队能不能在运行前改这份计划，就得直接问 Electric Twin 了。

把结论追溯到具体的人

假设调研的结论是“更便宜的套餐对低活跃会员最有吸引力”。财务会想知道：撑起这个结论的是哪些会员、哪几道题、哪些回答。

iMario 就是为这种追问准备的。调研跑完后，Explorer（结果探索）是“每个结果背后的分析面板”：能看到某个答案是谁给的，能把几个答案组合成一个群体，再按另一道题或某个人口属性去比较。群体可以用 Add Segment 存下来，每位受访者的回答也能逐个查看。也可以在聊天里向某位受访者追问，得到的回复是“原调研结束之后才给出的新回答”，要和原始回答分开看；AI analysis 则“针对所选群体给出解读”。¹³ 接着，研究员可以生成报告，把“一轮或几轮已完成的调研汇总成一份书面的综合分析”。报告的 Responses 标签页列出每位受访者的资料和回答；Code Book（编码表）标签页显示每条回答是怎么编码的，包括标签、情感倾向、受访者和原话，想知道某个主题来自哪些回答，就在这里往回追溯。配套的指引说得很直白：“每条建议都要对照依据核实一下，话说得再肯定，也不等于有了证明。”¹⁴ 放到“低活跃会员”这个结论上，就是既能在 Explorer 里指出背后的那群人，也能在报告里拿出这个主题背后已编码的回答。

Electric Twin 也介绍了自己深入查看人群的方式。它的 Audience Discovery 页面说，可以看到“你的人群怎么分化”，听到“受访者亲口说出的理由”，还能“对任何一条回答继续追问，直到把原因问清楚”。¹⁵ 至于由智能体主导的调研，Research Agent 页面介绍的报告可以分享给团队，也可以作为“下一步探索的起点”，示例报告的摘要是“70 道题 · 8 个细分人群 · 5 场焦点小组”。¹¹ 智能体做到这个规模，每个结论背后都压着大量材料。看演示时值得问一句：读者能打开其中多少，包括智能体试过又放弃的那些路径？

这项虚构的定价调研里，主要决策分别落在谁手上，依据本文引用的两家公开资料整理。“Not described”（未见描述）表示所查阅的资料没有提到，不代表没有这项功能。图中不含任何结果。

证据能撑多大的结论

来源覆盖范围说的是人群里装进了什么：即将续费的会员中，有多少人带着对得上的问卷回答，哪些地方由人口数据补齐。人群贴合度说的是合成人群和这家公司的会员有多像。覆盖好、贴合度高，人群就是一个贴近真实的起点；它接下来预测得准不准，是另一个问题，要靠验证来回答。

验证人群是更进一步的工作。Electric Twin 在接入阶段做的测试，衡量的是人群能在多大程度上复现留出来的问卷回答。⁶ 这是衡量人群和模型的实打实的证据，但它验证不了某项调研里的某个具体结论，因为验证得再好的人群，也可能被问到一道设计糟糕的题。两家的准确度评估都是用各自的数据做、各自发布的，所以即使都报告 1-MAE 这个指标，两家主打的数字也没法直接比高低。⁶ 我们的评估从设计上就让买方能自己核查：基于公开调查数据，覆盖 11 个人群，每道题都盲评；数据和打分代码全部公开，任何人都能重跑；主指标用的是两个行业通用指标里更严格的 1-TV，成绩是 88.9%。¹⁶

搜得太广，本身也有风险。看的群体和题目一多，总会有些差异纯属偶然，统计学上叫多重比较问题；只挑醒目的结果来报告，问题会更严重。比较的次数越多，风险越大。研究员在 iMario 的 Explorer 里逐个点开细分人群，同样会碰到这个问题；按 Electric Twin 自己的描述，它的智能体会“跑数百轮问卷和焦点小组，直到找出值得分享的洞察为止”，这个问题对它就更要紧。¹² 这种大范围搜索带来的风险怎么控制，智能体的自查拿什么做对照，都是看演示时可以合理提出的问题，不代表它有缺陷。

实际行为是任何合成调研都给不了的，所以两家都提到要拿真实世界来核验。Electric Twin 说，对于数据很少或刚刚形成的人群，它可能会建议先做一手调研，而受监管的宣传主张必须有真人留档；⁶ 我们的验证指南则讲了怎样把某项调研和新收集的真人回答做对照。¹⁷ 就这次续费方案而言，两款产品都能呈现即将到期的会员怎么表态、哪几组人值得重点关注。续费率实际能提高多少，在本来就会续费的人身上少收了多少钱，对总收入的净影响又是多少，都要靠真实测试来回答。

先比流程，再测方案

最公平的选法，是拿同一个定价问题在两款产品里各跑一遍。给两边同样的人群边界（某个时间段内即将续费的会员；如果要划分风险组，就按名单里能观察到的信号来划），尽量提供同样的名单和关联数据，问同一个问题。评审标准事先定好：

• 每道题是否都紧扣各个价位下的续费意愿？
• 人群是否符合设定的边界？
• 措辞是否中立？
• 工作停下来的地方是否站得住？
• 把三个主要结论追溯到背后的回答，要花多长时间？

请一位两边都没参与的研究员给两份产出打分，能隐去厂商名称就隐去。输出格式仍可能暴露出处，所以这只能算匿名评审，算不上盲评。输入完全相同，也不能保证两边的人群等价，因为两款产品构建人群的方式不同，所以要记下最终的人群有哪些差别。如果两边的人群不够可比，答案上的差异就不能只归因于流程或调研质量；应当把这种不匹配记为试点本身的局限，不能算作哪一方的输赢。

这样的试点比的是工作流程，说明不了两边的调研能不能预测会员的实际行为。要估计这个方案的真实效果，在商业和法律上都允许的前提下：

• 把符合条件、即将续费的会员随机分成两组，一组拿到更便宜的套餐，一组维持原价
• 事先定好结果指标，比如续费率和每位会员带来的净收入
• 事先定好：出现什么样的结果，就支持、调整或否决这个方案¹⁷

只做前后对比，没法可靠地把方案的效果和季节因素或其他变化区分开。Electric Twin 也提到，它靠定期的真实世界验证来保持模型校准。⁶

为这家虚构公司建议的测试设计。图中不含任何结果，也不是合成调研的产出。

看演示时可以问的问题

• Electric Twin：
  • 构建人群的工作在它的团队和客户之间怎么分工，客户怎么看到人群覆盖了哪些人
  • Research Agent 的计划能不能在运行前审阅和修改
  • 智能体报告里的每个结论背后，能打开哪些内容
  • 智能体的自查拿什么做对照，又是怎么决定什么时候停下来的
• iMario：
  • 你的会员名单、关联的问卷和退订数据，怎样对应到各来源的用途和字段匹配
  • 像这样一项调研，从报告追溯到已编码回答的路径是什么样的

怎么选

一条定价建议，被质疑的总是它的依据：哪些客户、哪几道题、哪些回答。选调研方案，就选能让自己团队答得上这些问题的那一个。iMario 正是围绕这一点构建的：人群从企业自己的客户记录出发，团队看得到人口数据补了什么，调研在运行前就定义清楚、检查到位，报告里的主题能追溯到背后已编码的回答和受访者，而支撑这一切的模型，准确度基准任何人都能重跑。由智能体设计调研确实能省下不少时间，前提是团队仍然看得到它做了哪些选择。不管选哪种方式，合成调研都能把方案收窄到值得测试的那一版，最后上不上线，由真实会员的测试来定。

来源

所有来源均于 2026 年 10 月 21-22 日查阅。厂商资料仅代表各公司自己的说法。