如何使用這個工具
逐一輸入屬性名稱，並在文字框中每行填一個水準；也可以按「使用範例資料」載入無線耳機研究的屬性（品牌、電池續航力、主動降噪、價格）。接著設定每個任務的概念數、每位受訪者的任務數、版本數，選擇是否加入「都不選」選項，以及產生方法和隨機種子，再按「產生設計」。
若有實際上不可能存在的組合（例如最低價搭配最高階規格），可以在「禁止組合」中加入。也可以加入 0–3 個固定保留任務，並在問卷最後重複第一個保留任務作為再測任務。產生後可查看水準平衡、雙向平衡、D 效率與預期標準誤，在「受訪者畫面預覽」中逐題檢視問卷，並匯出設計檔、作答範本與模擬作答。
方法：最小重疊、平衡重疊、禁止組合與保留任務
最小重疊：同一任務內各水準盡量只出現一次（只有概念數多於水準數時才會重複），並在整個設計中優先使用出現次數最少的水準與水準配對，讓主效果的資訊量最大。平衡重疊：平衡目標相同，但允許同一任務中某個水準多重複一次，受訪者會看到部分相同的水準；主效果效率略降，但能取得較多交互作用的資訊，取捨也更貼近真實購買情境。隨機：每個水準隨機抽取，只避開禁止組合與重複的產品組合，適合作為比較基準。
每一項禁止組合都會減少可用的產品組合，進而降低效率，因此只應禁止實際上確實不存在的組合。固定保留任務對所有受訪者完全相同，而且不納入估計，用來檢驗模型對未參與估計之選擇的預測力；再測任務在問卷最後以相反的概念順序重複第一個保留任務，用來衡量受訪者作答的一致性。
D 效率與預期標準誤的公式
D 誤差 = det(M)^(−1/p)，其中 M = (1/V) Σᵥ Σₜ (1/C) Σⱼ (xⱼ − x̄ₜ)(xⱼ − x̄ₜ)ᵀ 為零先驗多項 Logit 下每位受訪者的資訊矩陣。xⱼ 是概念 j 的效果編碼（每個屬性 L − 1 欄，最後一個水準記為 −1），C 為每個任務的概念數，V 為版本數，p = Σ (L − 1) 為成分效用值參數個數。
- 相對 D 效率 = 10 個同規模隨機設計的平均 D 誤差 ÷ 本設計的 D 誤差 × 100；高於 100% 代表比隨機設計更精確。
- 預期標準誤 = √(M⁻¹ 對角線 ÷ n)，n 為預計受訪者人數，並假設所有成分效用值皆為零。
- Johnson 經驗法則（主效果）：n × 任務數 × 概念數 ÷ 最多水準數 ≥ 500。
- 「都不選」選項沒有屬性水準，在零先驗設計中不提供成分效用值的資訊，因此不納入 D 誤差與標準誤。
計算實例
範例沿用聯合分析工具中的耳機屬性——品牌（4 個水準）、電池續航力（3）、主動降噪（2）與價格（4）——每個任務 3 個概念加上「都不選」，每位受訪者 10 個任務，共 30 個版本。最小重疊設計中每個品牌都出現 225 次，同一任務內從不重複品牌，雙向平衡（最少 ÷ 最多搭配次數）不低於 0.95。主動降噪只有 2 個水準卻要放進 3 個概念，因此每個任務都必然重疊。
此設計在 9 個參數下的 D 誤差為 0.2293，同規模隨機設計平均為 0.3143，相對 D 效率為 137%。相同參數下，平衡重疊為 121%，以同一隨機種子產生的隨機設計為 102%，其最差的雙向平衡只有 0.55。
以 300 位受訪者計算，最小重疊設計的成分效用值預期標準誤為 0.019–0.034，隨機設計為 0.022–0.040；Johnson 經驗法則則要求主效果至少 67 位受訪者。
適合與不適合的情況
在撰寫問卷程式之前先規劃 CBC 設計，可以事先確認任務數、概念數與樣本數是否足以精確估計成分效用值。
- 在設定問卷之前規劃選擇型聯合分析研究。
- 檢查預計的任務數、概念數與受訪者人數能否得到足夠精確的成分效用值。
- 比較最小重疊、平衡重疊與隨機設計，或評估禁止組合造成的效率損失。
- 需要先驗資訊、交互作用或選項專屬屬性的設計——本工具針對零先驗下的主效果。
- 適應性 CBC（ACBC）或選單式聯合分析，它們會在訪問過程中動態產生任務。
- 對完整產品評分的評分型聯合分析——請改用直交設計。
如何解讀結果
D 誤差越低越好；相對 D 效率高於 100% 代表比同規模的隨機設計更精確。水準平衡接近 1，且除了水準數所迫之外幾乎沒有重疊，是良好主效果設計的特徵。禁止組合、版本太少與任務太少都會降低效率；當每位受訪者的任務較少時，增加版本數的幫助最大。標準誤假設所有成分效用值為零，應視為彙總 Logit 精確度的下限。
田野調查結束後，在「合併實際作答」中開啟問卷匯出檔（每位受訪者一列、每個任務一欄記錄所選選項），即可得到長格式檔案，直接在聯合分析工具中開啟；工具會辨識版本欄與任務類型欄，並在估計時排除保留任務。