问卷分析
TURF分析
货架或宣传页只能放 K 个卖点时，选出「至少喜欢其中一项」的人数最多的那一包，而不是把单项冠军全部堆上去。
这篇能回答什么
TURF（Total Unduplicated Reach and Frequency）回答的是「首页只能印 K 个功能卖点时，怎样组合才能让至少对其中一项表示喜欢的人最多」。Reach 是未重复触达比例：一个人喜欢两项，只计一次。Frequency 是被覆盖者平均喜欢该包里几项。单项最热的功能，若与另一爆款抢同一批人，最优包可能把它换成互补项。
教学示例用文本与设计表的「kano」工作表：通知_正向、搜索_正向、导出_正向三列当作候选卖点。该表沿用 KANO 编码（1=喜欢 … 5=不喜欢），阈值化时把 1–2 记为喜欢，而不是把 4–5 当喜欢。本页结果表的类别 A / B / C 分别对应这三个卖点的单独触达。
什么时候不该用
要估计「价格档 × 续航 × 品牌」的部分效用与份额，用联合分析或CBC，工作表应改「conjoint」。要判断通知是必备还是反向，用KANO，正反向成对题不能省。只问各价位买不买，用Gabor-Granger。仅统计「多少人勾了搜索」用人次口径的多重响应，那不是组合搜索。
如何选择方法
决策有没有「最多上 K 项」的硬约束，是不是 TURF 的分水岭。有约束、要未重复覆盖 → TURF。要属性水平值 → 联合 / CBC。要功能类型 → KANO。要价格—收入峰 → Gabor-Granger。
TURF分析：3–20 个喜欢列 + 组合规模 K；输出单项 Reach 与最优 K 项包。
联合分析 / CBC：实验轮廓下的效用与份额模拟。
KANO 模型：正反向题归类，不搜索货架组合。
Gabor-Granger：价位购买意愿，找收入峰值。
输入、输出与限制
输入
每一列是一个候选卖点，单元格为喜欢 / 不喜欢。kano 表的正向列是 1–5，运行前按「≤2 = 喜欢」收成 0/1。不要误用通知_反向：反向题问的是「没有该功能时的感受」，不是货架覆盖。K 是首页能印几条。
候选项目：最少 3 个，最多 20 个二元（或可阈值化）列。
组合规模 K：1 到项目数；宣传页常用 2–4。
输出
先列出各卖点单独触达（本表类别 A / B / C），再给出指定 K 下的最优包、未重复覆盖率、频率与备选包。图比较单项或组合的覆盖。
产品限制
项目数与 K 变大时组合数按 C(m,K) 膨胀，系统在上限内枚举或用逐步加入。
阈值改一点，Reach 就会动，方法里必须写「1–2 为喜欢」。
有效 N 以结果表合计为准；某列缺失的处理按工作台行删除规则。
图只强调头部组合，完整 Reach 看表。
案例
研究问题。 产品页只能突出两个功能。团队手握通知、搜索、导出三条卖点，想知道印哪两句能让「至少喜欢其中一项」的访客最多，而不是默认印单项最热的导出加另一爆款。
教学示例工作表「kano」，候选列：通知_正向（类别 A）、搜索_正向（类别 B）、导出_正向（类别 C）。有效样本 342。单独触达：通知 82 人（23.98%），搜索 62 人（18.13%），导出 198 人（57.89%）。K=1 的解就是导出。若喜欢互斥，K=2 时通知+导出的并集占比 81.87%，高于搜索+导出的 76.02% 与通知+搜索的 42.11%。
在 StatsX 中操作
步骤 1 · 打开文本与设计表
上传 text-design 示例，工作表切到「kano」，不要停在 papers 或 conjoint。
步骤 2 · 只留正向喜欢列
画像里找到通知_正向、搜索_正向、导出_正向。取值 1–5。按 1–2=喜欢、3–5=不喜欢收成 0/1。通知_反向、搜索_反向、导出_反向不要勾进 TURF。
步骤 3 · 选择 TURF分析
目录搜索「TURF」或「未重复覆盖」。
步骤 4 · 勾选三个正向列并设定 K
候选项目勾这三列（至少 3 个才能示范组合）。货架规模 K 先取 2，与「首页只印两句」对齐。运行。
步骤 5 · 先看单项再看包
对照类别 C 是否就是导出的单独 Reach，再读 K=2 最优包与第二优包的差距。名单不同但 Reach 几乎一样时，按开发成本改选备选包。
如何阅读输出
下表是三个卖点的单独触达，有效样本 342。类别 A（通知）82 人、23.98%；类别 B（搜索）62 人、18.13%；类别 C（导出）198 人、57.89%。K=1 时最优包只有导出。三者占比之和为 100%，表示这份教学输出把受访者划成互斥偏好档；真实问卷若允许一人同时喜欢通知和导出，单项占比可以加总超过 100%，未重复 Reach 仍然 ≤100%。
| 项目 | 类别 | 统计量 | 取值 |
|---|---|---|---|
| TURF分析 | 类别 A | 频数 | 82 |
| TURF分析 | 类别 B | 频数 | 62 |
| TURF分析 | 类别 C | 频数 | 198 |
| TURF分析 | 合计 | 有效样本 N | 342 |
| TURF分析 | 类别 A | 占比(%) | 23.98 |
| TURF分析 | 类别 B | 占比(%) | 18.13 |
| TURF分析 | 类别 C | 占比(%) | 57.89 |
左右滑动可查看完整表格
教学示例表在 StatsX 工作台中的计算结果口径。
互斥偏好下，K=2 的并集可用占比相加：通知+导出 = 81.87%，搜索+导出 = 76.02%，通知+搜索 = 42.11%。因此第二句文案应优先配通知而不是搜索——搜索的单独 Reach 最低，和导出的重叠收益也最差。若实际数据允许一人多选，必须以组合 Reach 为准，禁止把 23.98 与 57.89 直接相加当覆盖。
写结论时固定四件事：K、名单（通知/搜索/导出）、Reach、与第二优包的差距。差距不到 1 个百分点，就按实现成本或合规要求改选备选包。Frequency 高说明被覆盖者喜欢包内多项，货架「显得丰富」；Frequency 接近 1 说明几乎没有交叉喜欢，组合在拼互补人群。
理论与公式
受访者 i 对卖点 j 的喜欢 y_{ij}\in\{0,1\}。子集 S 的未重复触达与条件频率
本例单项 Reach 为 82/342、62/342、198/342。枚举量 C(3,2)=3，可以穷尽。卖点很多时逐步加入可能停在局部最优，所以要保留第二、第三优包。kano 表阈值化时 y_{ij}=1(通知\_正向 \le 2)，把 4–5 当喜欢会把编码方向弄反，Reach 会系统性偏高或偏低。
注意事项
TURF 不管价格和库存：覆盖高的包仍可能亏本。
「喜欢至少一项即覆盖」不等于上线后真的会用。
K 是版面约束，应报告 K=1、2、3 的 Reach 曲线，而不是只交一个魔法数字。
启发式在 20 个项目附近不保证全局最优。
把反向题或「papers」工作表的关键词列拖进来，覆盖含义会错。
常见问题
参考文献
Cohen, S. TURF analysis. Sawtooth Software Conference Proceedings.
Krieger, A. M., Green, P. E. Modifying cluster-based segments to enhance reach. Journal of Advertising Research.
Louviere, J., Flynn, T., Marley, A. Best-Worst Scaling. Cambridge University Press.
Green, P. E., Krieger, A. M. An application of a product positioning model to pharmaceutical products. Marketing Science.