如何使用這個工具
開啟資料檔案或按「使用範例資料」，指定受訪者 ID、任務、是否選擇所在的欄，再勾選屬性欄。價格等數值屬性可以標為「線性」，只估計一個斜率；選定線性的價格屬性後就會顯示願付價格。「都不選」選項是所有屬性都空白的一列，或在「都不選」標記欄中為 1 的一列。
彙總 Logit 的結果會立即顯示。按「執行 HB 估計」後，階層貝氏會在背景執行緒中執行並顯示進度；完成後，市場模擬器（2–6 個產品）會對每位受訪者保存的抽樣取平均，也可以使用「首選規則」。
方法：效果編碼、線性價格與階層貝氏
有 L 個水準的類別屬性採用效果編碼：估計 L − 1 個參數，最後一個水準等於其餘參數總和的相反數，所以每個屬性內的成分效用值以 0 為中心。數值屬性可以當作線性項估計（先中心化並縮放，結果再換算回每單位的效用變化）。「都不選」有自己的常數項。
選擇機率 P(選 j) = exp(xⱼ·β) ÷ Σₖ exp(xₖ·β)。彙總 Logit 以牛頓–拉弗森法估計平均受訪者的 β 及標準誤。階層貝氏假設每位受訪者的 βₙ ~ N(b, D)，與 MaxDiff 工具共用同一個 Metropolis-within-Gibbs 引擎，隨機種子固定，結果可以重現。
- 屬性重要性 = 該屬性成分效用值的全距 ÷ 所有屬性全距總和 × 100；HB 先依受訪者計算再取平均。
- 願付價格 =（某水準效用 − 該屬性第一個水準的效用）÷（每單位價格損失的效用），以平均效用計算（HB 時為平均數之比）。
- 瀏覽器限制：HB 最多 5,000 位受訪者、60 個參數。
計算實例
合成範例資料模擬一項無線耳機研究：300 位受訪者，每人 10 個任務，每個任務 3 個產品加上「都不選」，共 3,000 次選擇，其中 17.7% 選了「都不選」。彙總 Logit（McFadden R² = 0.164）得到的屬性重要性依序為：價格 44.6%、電池續航力 23.1%、品牌 16.5%、主動降噪 15.7%。
價格以線性估計，每多 1 美元損失 0.0220 個效用單位。據此，主動降噪對平均受訪者約值 31.72 美元，續航力從 6 小時提高到 14 小時約值 46.60 美元。
把高階款（Aurora、14 小時、主動降噪、139 美元）與平價款（Zenith、10 小時、無降噪、49 美元）放在一起模擬，占比分別為 35.2% 和 42.8%，另有 22.0% 都不選（彙總 Logit 的偏好占比；在工具中執行 HB 可得到以個人為基礎的占比）。
適合與不適合的情況
CBC 適合定價與產品設計：判斷哪些功能值得加入、值多少錢，以及新的產品組合相對競品能拿到多少偏好占比。
- 2 到約 8 個屬性，每個屬性 2–15 個水準，每位受訪者 8 個以上的選擇任務。
- 只需要替一串訴求或功能排序——MaxDiff 對受訪者來說更簡單。
- 對完整產品評分或排序而不是選擇——請使用評分型聯合分析（SPSS CONJOINT）。
- 模擬占比是偏好占比，沒有考慮鋪貨、知名度與促銷，不能直接當作銷量預測。
如何解讀結果
成分效用值只能在同一屬性內比較；屬性重要性取決於測試的水準範圍，價格範圍越寬，價格看起來就越重要。產品之間很相似時，優先使用以 HB 為基礎的模擬，因為彙總 Logit 會誇大相似產品之間的差異。