单独评估与联合评估 | 学习笔记

简介: 快速学习单独评估与联合评估。

开发者学堂课程【高校精品课-湖南大学 -市场营销:单独评估与联合评估】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/4/detail/16008


单独评估和联合评估


内容介绍

一、单独评估和联合评估


一、单独评估和联合评估

现在在大城市,有很多年轻人,平时忙于工作把自己的事情耽搁的,产生了很多压力,其实结不结婚是个人的事情,但是在中国这个社会,大龄女青年的社会压力非常大,特别是来自负面的压力,所以很多父母通常会逼着他们的孩子参加相亲活动,不少未婚女青年为了不让父母担心,就同意参加相亲活动,但是参加相亲和约会有的时候会比较尴尬,所以很多女孩子在相亲的时候都比较喜欢带着闺蜜,也就是另一个没有结婚的女孩子。

在相亲中,那女孩子的相貌在第一次见面当中发挥着重要的作用,有的时候决定着女孩子第一次约会是否成功,是否还会有第二次约会。这样就可以讨论一下相亲的问题。比如说自己的闺蜜,自己比闺蜜长得漂亮,那根据对比的效应,这个时候带上自己的闺蜜是比较加分的。那如果自己长得比闺蜜漂亮,那么根据对比效应,这时候应该不带闺蜜去相亲,让自己减分。这两种情况,应该比较好判断和选择。还有两种情况就比较负责,比如你和你的闺蜜都长得很漂亮,呐带还是不带呢?或者说你和你的闺蜜长得都一般,也不应该带呢?

image.png

芝加哥的奚恺元教授就提出了这个相亲定律,他就研究了这个问题。第一种情况,如果你比闺蜜长得漂亮,你带着闺蜜一起相亲,男方进行比较之后,这个就是联合评估的概念。

什么教练和评估呢?就是当面临一个情况,如果他没有比较判断的时候,就叫做单独评估,如果又比较判断的对象就叫做联合评估,带鬼吗相亲就是一种联合评估。当带着闺蜜一起去相亲,男方进行联合评估以后发现你长得还不错,不过也没有比别的女孩子长得漂亮的时候,就会降低你的评分,奚教授认为正确的做法是不要带和你一样漂亮的闺蜜去相亲。那如果是第四种情况,如果你和你的闺蜜都长得不是那么漂亮呢,女孩子单独去相亲,那么这个女孩子不漂亮就是男方对你的第一印象,那么如果带着和你一样不那么出色的闺蜜一起相亲呢,男方就会进行联合评估,觉得这个女孩子随让长得不是那么漂亮,但是也没有比别的女孩子差。所以在第四种情况下,带闺蜜一起相亲是正确的做法,因为这样会让男方的感觉更好。知识联合评估和单独评估,会使得人们的选择产生不同。

那什么时候应该促使单独评估的发生,那什么时候联合评估对我们有利呢?

刚才奚教授的相亲定律,在单独评估,也就是没有比较对象的时候,人们关心的是说本身的好与坏,在联合评估下,人们更多关注的是事物本身,和参考食物之间谁更好,根据相亲定律,A和B一起出现进行评估的话,如果A优B,那么对于A来说就应该促成联合评估,利用对比效应会更胜一筹。如果A小于B,那么这个时候就不应该进行联合评估,应该进行单独评估如果那a和b一样好,那么应该进行单独评估,能够避免优秀变一般。

如果 a 和 b 都一般,那么这个时候都应该进行联合评估,因为 a 和 b 都不是那么好,也就是现在说的单独评估和联合评估,在那种情况下更有利于自己。在联合的比较下,有时候会扭转我们的偏好,影响对相同事物的选择,根据奚教授和他的研究者一起研究的例子,这个例子是给你1200块钱,给你的同事1800元,这个称为实惠选择,而另外一种是给你1000元,给你同事1000元,这个被称为公平选择,相比之下,第一种方案给同事的更多,这个被称为实惠选择,B 方案给你和给同事的都是一样的,所以是公平选择。如果只有一种选择,大家会选择看似比较公平的选择,如果把这两种方案同时呈现,会发现选择a方案的人比较多。

单独评估下,人们会更容易从个人的感情毫无出发去做决定,所以他们会认为,公平比社会更重要,但是在联合评估的时候,人们更容易看到实际的利益,会更好的摒弃情感因素做出理性的决定。这是评估与偏好的关联,联合评估看起来更理性,但是会让人犯一些聪明的错误。

比如说去挑选音响,目前有两款,一款是古典音响,一种是金属感音响,不断地听之后发现古典音响比金属感音响的音质更好一点,最后选择了古典音响,这看似是在联合评估下,选择了音质更好的古典音响,之后在使用的过程中,发现你的太太和小孩都不太满意,因为他和你的装修风格格格不入。

image.png

所以,在联合评估下,考虑的更多的是影响的音质,这个时候考虑的是品质,但是在使用过程中考虑的更多的是和你装修风格的匹配程度,有的时候联合评估是比较理性的,但是也有可能让你犯错。买数码相机的时候关注的是像素,像素越高,价格越高,为了更好的像素,会花更高的价钱。但是在后来的使用过程中所投入的金钱和高像素是没有差别的。

那么如何把单独评估和联合评估运用到高端和中低端产品中去呢?这里也可以举个例子,在高端产品的销售中,单独评估会显示出更高的价值,中低端产品的联合评估中会更突出产品的优点,也就是说,在销售高端产品的时候,要让消费者进行单独评估,在销售中低端产品的时候,要让消费者进行联合评估,因为他能够突出产品的优点。其实很多时候销售高端产品都只用一个品牌,但是对于中低端产品,就不一定会只单独经营一个品牌了。这就是高档和中低档产品的营销方式,结合了单独评估和联合评估。

image.png

有的时候发现橄榄油很难卖出去,橄榄油作为舶来品,是一种优质健康的象征,他们相应该的价格也比较高,橄榄油菜油品种也是比较高端的,那么橄榄油卖不出去,有的时候不是因为油的质量,因为大多数的卖场在买橄榄油,是和其他的油一起卖的,这个时候买家就会进行联合评估,就会看不到橄榄油的价值,觉得量少不实惠,所以这个时候就会选择平时买的食用油。

所以销售橄榄油就要促成他的单独评估,在卖场中设置专柜,也不一定要设置专柜,还可以把它和有机食品放在一起,顾客就不是把橄榄油和其他油进行对比,而是把它和其他有机食品进行对比,这就是高端产品和中低端产品销售的比较。

单独评估和联合评估对产品和服务选择的偏好也有影响,美国华盛顿大学商学院伊利卡卡奥卡达教授也曾做过一个实验,单独评估的情况下,人们更偏好于享用品,而在联合评估的情况下,人们更偏好于实用品。超市在很多时候都会有团卖活动,两种选择,一种是沃尔玛的礼品卡,另一种是巴厘岛的旅游机会,进行团卖活动,那么那个更适合做为福利呢?

image.png

两个选择下,消费者更偏好于实用品,所以顾客就会认为沃尔玛的礼品卡会更实用,结果在第二年去问沃尔玛的员工,感觉这个礼品怎么样,那么他就会觉得,沃尔玛的礼品卡还不如去巴厘岛旅游,在他中奖之前,去问他是联合评估,但是在中奖之后就是单独评估,就会觉得像乐评会更好,所以这就是联合评估和单独评估的经济学概念在选择的过程中也会影响消费者的选择。

相关文章
|
8月前
|
机器学习/深度学习 安全
一文读懂分类模型评估指标
模型评估是深度学习和机器学习中非常重要的一部分,用于衡量模型的性能和效果。本文将逐步分解混淆矩阵,准确性,精度,召回率和F1分数。
678 1
|
8月前
|
机器学习/深度学习 搜索推荐 算法
推荐系统离线评估方法和评估指标,以及在推荐服务器内部实现A/B测试和解决A/B测试资源紧张的方法。还介绍了如何在TensorFlow中进行模型离线评估实践。
推荐系统离线评估方法和评估指标,以及在推荐服务器内部实现A/B测试和解决A/B测试资源紧张的方法。还介绍了如何在TensorFlow中进行模型离线评估实践。
458 0
|
3天前
|
机器学习/深度学习 PyTorch 测试技术
LossVal:一种集成于损失函数的高效数据价值评估方法
LossVal是一种创新的机器学习方法,通过在损失函数中引入实例级权重,直接在训练过程中评估数据点的重要性,避免了传统方法中反复重训练模型的高计算成本。该方法适用于回归和分类任务,利用最优传输距离优化权重,确保模型更多地从高质量数据中学习。实验表明,LossVal在噪声样本检测和高价值数据点移除等任务上表现优异,具有更低的时间复杂度和更稳定的性能。论文及代码已开源,为数据价值评估提供了高效的新途径。
30 13
LossVal:一种集成于损失函数的高效数据价值评估方法
|
19天前
|
人工智能 测试技术
VideoPhy:UCLA 和谷歌联合推出评估视频生成模型物理模拟能力的评估工具,衡量模型生成的视频是否遵循现实世界的物理规则
VideoPhy 是 UCLA 和谷歌联合推出的首个评估视频生成模型物理常识能力的基准测试,旨在衡量模型生成的视频是否遵循现实世界的物理规则。
33 9
VideoPhy:UCLA 和谷歌联合推出评估视频生成模型物理模拟能力的评估工具,衡量模型生成的视频是否遵循现实世界的物理规则
构建一个分类模型,如何选择合适的损失函数和评估指标
构建一个分类模型,如何选择合适的损失函数和评估指标
|
4月前
|
机器学习/深度学习 存储 人工智能
让模型评估模型:构建双代理RAG评估系统的步骤解析
在当前大语言模型(LLM)应用开发中,评估模型输出的准确性成为关键问题。本文介绍了一个基于双代理的RAG(检索增强生成)评估系统,使用生成代理和反馈代理对输出进行评估。文中详细描述了系统的构建过程,并展示了基于四种提示工程技术(ReAct、思维链、自一致性和角色提示)的不同结果。实验结果显示,ReAct和思维链技术表现相似,自一致性技术则呈现相反结果,角色提示技术最为不稳定。研究强调了多角度评估的重要性,并提供了系统实现的详细代码。
76 10
让模型评估模型:构建双代理RAG评估系统的步骤解析
|
5月前
评估数据集CGoDial问题之构建一个新的OpenIE评测范式的问题如何解决
评估数据集CGoDial问题之构建一个新的OpenIE评测范式的问题如何解决
|
8月前
|
缓存 人工智能 数据可视化
LLM 大模型学习必知必会系列(十一):大模型自动评估理论和实战以及大模型评估框架详解
LLM 大模型学习必知必会系列(十一):大模型自动评估理论和实战以及大模型评估框架详解
LLM 大模型学习必知必会系列(十一):大模型自动评估理论和实战以及大模型评估框架详解
|
7月前
|
机器学习/深度学习 JSON 测试技术
CNN依旧能战:nnU-Net团队新研究揭示医学图像分割的验证误区,设定先进的验证标准与基线模型
在3D医学图像分割领域,尽管出现了多种新架构和方法,但大多未能超越2018年nnU-Net基准。研究发现,许多新方法的优越性未经严格验证,揭示了验证方法的不严谨性。作者通过系统基准测试评估了CNN、Transformer和Mamba等方法,强调了配置和硬件资源的重要性,并更新了nnU-Net基线以适应不同条件。论文呼吁加强科学验证,以确保真实性能提升。通过nnU-Net的变体和新方法的比较,显示经典CNN方法在某些情况下仍优于理论上的先进方法。研究提供了新的标准化基线模型,以促进更严谨的性能评估。
191 0
|
7月前
|
机器学习/深度学习 计算机视觉 人工智能
用基础模型指导特征传播,首个泛化型图像匹配器OmniGlue搞定未见过域
【6月更文挑战第3天】研究人员提出OmniGlue,首个以泛化为中心的图像匹配器,利用基础模型DINOv2的广泛知识和关键点位置引导的注意力机制,提升未见过图像域的匹配性能。在7个不同图像域的实验中,OmniGlue相对其他模型表现出20.9%的相对增益,优于LightGlue 9.5%。尽管有改进空间,OmniGlue标志着图像匹配技术泛化能力的重要进步。论文链接:https://arxiv.org/pdf/2405.12979
108 2