天眼（Tianyan）是一个基于多 Agent 人群模拟的中国市场商业预测平台。本文档详细描述其方法论基础、核心算法、验证方法与局限性声明。
能否用 AI 生成的虚拟消费者群体，替代或补充真实市场调研，预测中国市场商业趋势？
天眼的回答是：在合理的方法论框架下，虚拟人群模拟可以提供具有参考价值的市场预测，尤其适用于早期产品验证、定价策略探索和趋势研判。
天眼的人群生成基于以下统计学框架：
多维分布模型：
P(consumer) = P(age) × P(gender|age) × P(income|age, city_tier) × P(consumption|income, age)
- 基础分布：基于国家统计局第七次人口普查数据构建年龄、性别、城市等级的联合分布
- 收入分布：采用对数正态分布拟合，参数来自各城市等级的收入中位数和基尼系数
- 消费偏好：基于恩格尔系数和消费结构数据，构建品类支出的条件概率分布
数据来源：
| 数据维度 | 来源 | 更新频率 |
|---|---|---|
| 人口结构 | 国家统计局第七次人口普查 | 每10年 |
| 收入分布 | 国家统计局居民收支调查 | 年度 |
| 消费结构 | 中国统计年鉴 | 年度 |
| 互联网行为 | CNNIC互联网报告 | 半年 |
| 行业数据 | 艾瑞/易观/QuestMobile | 季度 |
天眼的消费行为模拟基于经典消费者行为学模型：
EKB 模型（Engel-Kollat-Blackwell）：
需求识别 → 信息搜索 → 方案评估 → 购买决策 → 购后行为
每个阶段的影响因素：
- 需求识别：内部刺激（生理/心理需求）+ 外部刺激（广告/社交/季节）
- 信息搜索：主动搜索（搜索引擎/电商比价）+ 被动接收（社交媒体/口碑）
- 方案评估：多属性加权评估（价格/品牌/功能/口碑/便利性）
- 购买决策：阈值模型 — 当综合评分 > 个人阈值时触发购买
- 购后行为：满意度评估 → 复购/推荐/退货/差评
个体行为通过以下机制涌现出宏观市场现象：
- 口碑传播：基于社交网络的 SIR 模型（易感-感染-恢复）
- 羊群效应：当购买人数超过个体阈值时，购买概率非线性增加
- 信息级联：早期用户的选择影响后续用户的决策空间
- 市场饱和：采用 Bass 扩散模型模拟新产品渗透过程
def generate_population(n, region, age_range, income_level):
"""
生成 n 个虚拟消费者
步骤：
1. 从联合分布中采样人口统计学属性
2. 基于属性条件生成消费偏好
3. 使用 LLM 为每个消费者赋予人格叙述
4. 生成消费历史序列
"""
# Step 1: 基础属性采样
demographics = sample_demographics(n, region, age_range)
# Step 2: 消费偏好生成（基于条件概率）
preferences = generate_preferences(demographics)
# Step 3: LLM 人格赋予
personas = llm_generate_personas(demographics, preferences)
# Step 4: 消费历史
history = generate_purchase_history(demographics, preferences)
return VirtualConsumer(demographics, preferences, personas, history)关键参数：
| 参数 | 含义 | 默认值 |
|---|---|---|
persona_depth |
人格丰富度（1-5） | 3 |
history_length |
历史消费记录数 | 50 |
social_connectivity |
社交网络连接度 | 15（邓巴数的1/10） |
noise_level |
行为随机性（0-1） | 0.15 |
每个虚拟消费者对产品的反应通过以下流程模拟：
输入：Consumer C, Product P, Context ctx
1. 需求匹配度 = match_score(C.needs, P.features)
2. 价格承受力 = affordability(C.income, P.price)
3. 品牌认知度 = brand_awareness(C.exposure, P.brand)
4. 社交影响 = social_influence(C.network, P.buzz)
5. 综合评分 = weighted_sum([需求匹配度, 价格承受力, 品牌认知度, 社交影响])
6. 购买概率 = sigmoid(综合评分 - C.threshold)
7. 行为输出 = sample_action(购买概率) → [购买/犹豫/放弃]
若购买：
8. 满意度 = satisfaction(C.expectation, P.actual_quality)
9. 购后行为 = post_purchase(满意度) → [好评/中评/差评/退货/复购/推荐]
Bass 扩散模型 + Agent 修正：
N(t) = M × [1 - e^(-(p+q)×t)] / [1 + (q/p)×e^(-(p+q)×t)]
其中：
M = 市场潜量（由虚拟人群规模决定）
p = 创新系数（由早期采用者比例决定）
q = 模仿系数（由口碑传播强度决定）
Agent 模拟为 Bass 模型提供参数校准：
- 早期采用者比例来自虚拟人群中 P09（科技极客）和 P05（Z世代）的占比
- 口碑传播系数来自模拟中的社交网络传播数据
大语言模型在天眼中的角色是人格赋予和行为叙述，而非预测本身：
- 为虚拟消费者生成独特的性格描述、消费故事、评价语言
- 模拟消费者在社交媒体上发布的评论和分享内容
- 生成购买决策过程中的内心独白和权衡分析
- 产出最终报告中的叙述性分析
- 不做数值预测 — 销量、市场份额等数值来自统计模型
- 不做概率计算 — 购买概率来自行为模型，非 LLM 生成
- 不做因果推断 — 相关性分析基于数据，非 LLM 推理
- 温度控制：行为模拟阶段 temperature=0.3（低随机性），人格生成阶段 temperature=0.8（高多样性）
- 批量校验：对 LLM 输出进行统计分布检验，确保不偏离底层人口分布
- 多模型交叉：使用 2-3 个不同 LLM 对关键判断进行投票
方法： 选取过去 3 年内上市的 50+ 消费品，用天眼模拟其上市表现，与真实数据对比。
评估指标：
| 指标 | 含义 | 目标值 |
|---|---|---|
| MAPE | 平均绝对百分比误差 | < 25% |
| 趋势一致性 | 销量曲线的 Pearson 相关系数 | > 0.8 |
| 人群命中 | 核心用户群识别准确率 | > 70% |
| 情感准确率 | 正负面评价比例预测准确率 | > 75% |
- 将虚拟人群的消费行为分布与中国统计年鉴的消费结构数据对比
- 检验虚拟人群的品类支出恩格尔系数是否合理
- 验证虚拟人群的城市等级分布是否与实际城镇化率一致
与真实市场调研公司合作，对同一产品分别进行：
- 线下焦点小组 + 问卷调研（传统方法）
- 天眼虚拟人群模拟（AI 方法）
对比两种方法的预测结果与最终真实市场表现的一致性。
邀请市场研究领域专家，对天眼生成的虚拟消费者人格、行为逻辑、报告质量进行定性评估。
- 模型偏差：LLM 可能带有一定的文化偏见，影响虚拟消费者的行为模式
- 数据滞后：人口统计数据更新频率有限，可能无法反映最新社会变化
- 黑天鹅事件：无法预测突发事件（疫情、政策变化、明星塌房等）对市场的影响
- 长尾品类：对于极小众市场，虚拟人群的代表性可能不足
- B2B 场景：当前主要针对消费品市场，B2B 场景的适用性有待验证
- 天眼的预测结果应作为决策参考，而非决策依据
- 建议与传统市场调研方法交叉验证
- 对于高风险决策（如大规模投资），应结合多源数据综合判断
- 定期更新模型参数以反映最新市场变化
- 天眼不收集任何真实用户个人数据
- 虚拟消费者数据完全由算法生成，不对应任何真实个体
- 不得将天眼用于操纵消费者行为或进行欺诈活动
- 所有模拟结果仅供商业研究和决策参考使用
| 阶段 | 时间 | 目标 |
|---|---|---|
| v1.0 | 当前 | 10K 虚拟人群，消费品市场预测 |
| v1.5 | +3个月 | 100K 人群，加入实时社交媒体数据 |
| v2.0 | +6个月 | 100万人群，支持 B2B 场景 |
| v3.0 | +12个月 | 多国市场支持，实时预测引擎 |
- Engel, J. F., Blackwell, R. D., & Miniard, P. W. (1995). Consumer Behavior. Dryden Press.
- Bass, F. M. (1969). A New Product Growth for Model Consumer Durables. Management Science, 15(5), 215-227.
- 国家统计局. (2021). 第七次全国人口普查主要数据公报.
- 中国互联网络信息中心. (2025). 第55次中国互联网络发展状况统计报告.
- McKinsey & Company. (2024). China Consumer Report.
- Park, C., & Lee, T. M. (2009). Information direction, website reputation and eWOM effect. Electronic Commerce Research and Applications, 8(1), 42-52.
最后更新：2026年4月 文档版本：v1.0