如何阅读惩罚图
图中每个点代表某个属性的一侧。横轴是该侧受访者占比，纵轴是喜好度平均下降。右上方的点——人数多且下降大——是优先改进的方向。位于虚线行动线左侧的点涉及的人太少，即使下降幅度很大也不足以支持改配方；这类高点往往是小样本带来的噪声。
如果平均下降为负数，说明该侧受访者反而比“恰好”组更喜欢产品，这通常意味着量表理解有偏差或该组样本太小，而不是真实偏好。
计算公式
加权惩罚 =（“恰好”组平均喜好度 − 该侧平均喜好度）× 该侧受访者占比。
“恰好”组是量表中点的受访者（5 点量表为 3，3 点量表为 2，7 点量表为 4）；低于中点为“太弱”，高于中点为“太强”，两侧分别分析。可选的显著性检验是 Welch 双样本 t 检验，比较“恰好”组与该侧，自由度采用 Welch–Satterthwaite 近似。
分析示例
点击“使用示例数据”会加载一份合成零食测试数据：600 名受访者给出总体喜好度（1–9 分）以及甜度、咸度、松脆度三个 5 点 JAR 量表评分。以甜度为例，38.2% 的受访者认为“恰好”（平均喜好度 6.42），40.8% 认为太甜（平均 4.77），21.0% 认为不够甜（平均 6.02）。
“太甜”的平均下降为 1.65 分，加权惩罚 = 1.65 × 40.8% ≈ 0.67。按加权惩罚排序，达到 20% 行动线的方向中，“太甜”最大（40.8%，平均下降 1.65，加权惩罚 0.67），其次是“不够咸”（35.7%，平均下降 0.99，加权惩罚 0.35）。松脆度两侧分别为 23.3% 和 22.3%，平均下降只有 0.22 和 0.35。
据此，改良的优先顺序是先处理加权惩罚最大的方向，再处理第二位；平均下降很小的属性可以保持不变。
适用与不适用的场景
惩罚分析回答“该往哪个方向改哪个属性”，前提是量表有明确的“恰好”中点。
- 适用：含 JAR 量表和总体喜好度问题的产品测试或概念测试。
- 适用：决定需要调整哪些属性，以及调整的方向。
- 适用：在相同属性上比较多个原型产品。
- 不适用：强度量表或喜好量表，没有“恰好”中点。
- 不适用：样本很小——某一侧少于约 20 人时，平均下降不稳定。
- 不适用：彼此联动的属性（例如甜度与风味强度）——惩罚相互重叠，不能简单相加。
如何解读结果
优先处理既常见（至少 20% 的受访者）又代价大（9 分制下平均下降约 0.5 分或以上）的方向，并按加权惩罚排序。除非显著性检验支持，否则不要根据小样本组的大幅下降做决策。