支付意愿访谈怎么做？2026 实操指南
Qualitati 研究团队 · 2026-09-01 · 9 分钟阅读
简短回答：支付意愿（WTP）访谈是一种定性对话，用来揭示买家为什么会接受或拒绝某个价格——钱从哪条预算里出、它替代掉了什么、以及什么触发条件才会释放这笔支出。它无法给出一个可靠的价格点。人们口头陈述的价格系统性地偏高，因此访谈产出应当被当作待检验的定价假设，而不是可以直接上线的数字。
什么是支付意愿访谈？
支付意愿访谈是一种半结构化的定性访谈，目标是重建买家的定价推理过程，而不是抠出一个数字。它不问"你愿意为这个付多少钱？"，而是问对方上一次实际付了多少、这笔钱来自哪条预算、谁签的字、他们拿它跟什么做了比较，以及什么情况下他们会掉头就走。
这个区分很重要，因为数字恰恰是访谈能产出的最不可靠的东西。而它偏偏又是大多数团队最想要的东西。
核心要点
- 陈述的支付意愿高于真实的支付意愿。Murphy 等人（2005）对 28 项研究、83 个观测值所做的元分析发现，校准系数（calibration factor）中位数为 1.35、均值为 2.60——假设情境下的估值通常是真实值的 1.35 倍，有时高得多（Environmental and Resource Economics）。
- Van Westendorp 价格敏感度测试给出的是一个区间，而不是一个决策。正如 5 Circles Research 的从业者指出的，它不包含任何关于购买意愿的信息，因此也无法推出预期收入或利润率。
- 访谈真正擅长的，是数字背后的推理：预算归属方、被替代的替代方案、购买触发点、以及不可接受的底线。
- 给证据分级。下文我们公布 WTP 证据阶梯——一个五级评分框架，用于判断某条定价证据应当被赋予多大权重。
- AI 主持访谈改变的是样本量，而不是认识论。做 60 场定价对话而不是 12 场，能给你细分人群的覆盖度；但它修不好假设性偏差。
为什么"报出来的价格"是错误的产出物
这个核心问题在经济学里有个名字：假设性偏差（hypothetical bias）。当人们在没有真金白银的情境下报出一个估值时，他们系统性地会报得比真正掏钱时更高。这是陈述性偏好研究中重复验证程度较高的发现之一。
Murphy 等人（2005）重新分析了那些对假设估值和真实估值使用同一套诱导机制的研究——这比早期元分析的比较标准更严格——仍然发现校准系数的分布向上偏斜，中位数 1.35，均值 2.60。更早的 List 与 Gallet（2001）对 29 项研究的元分析报告的校准系数中位数约为 3.13。其量级随研究设计变化极大；但方向不变。
由此得出两条实践结论：
- 永远不要仅凭陈述数字就上线一个价格。访谈得出的价格是实验的输入，不是实验的输出。
- 把问题从"水平"转向"结构"。访谈在"多少钱"上不可靠，但在"从谁的预算里出、替代了什么、什么时候发生"上相当可靠。
各类问卷工具的定位
| 方法 | 最擅长回答 | 已知局限 | 适用时机 |
|---|
| WTP 访谈 | 价格为何被接受或拒绝；预算、替代方案、触发点 | 样本小；陈述数字偏高；存在主持人效应 | 早期定价、新品类、重新打包 |
| Van Westendorp PSM | 可接受的价格区间与感知质量下限 | 无购买意愿或收入信号；假定受访者了解品类 | 你需要一个起始区间去检验，且品类为受访者所熟悉 |
| 联合分析 / 离散选择 | 功能的相对价值与权衡取舍 | 昂贵、周期长，需要清晰界定的属性空间 | 成熟产品、打包方案众多 |
| 线上真实价格测试 | 在某价格下的实际行为 | 需要流量；只能测你敢于展示的价格 | 你已经有一个站得住脚的假设待检验 |
行之有效的顺序是：先用访谈建立假设 → 用 PSM 或联合分析圈定范围 → 用真实测试拍板。跳过第一步，你会得到对错误问题的精确测量。
WTP 证据阶梯
这是 Qualitati 用于给定价证据加权的框架。撰写研究汇报时，为每一条结论标注它所处的层级。任何处于第 1 或第 2 层的内容，都应当在文档中明确标记为假设。
| 层级 | 证据 | 权重 | 示例 |
|---|
| 5 | 在某价格下观察到的真实购买 | 决定性 | 49 美元与 79 美元的结账转化率对比 |
| 4 | 有据可查的、对同类产品的过往支出 | 强 | "我们每月为现有供应商付 1,100 美元——这是发票明细" |
| 3 | 明确指出的预算科目与审批人 | 扎实 | "从研究工具预算里出；5 千美元以下我总监就能签" |
| 2 | 关于替代方案被置换的推理 | 方向性 | "我们就不用再为探索性冲刺付代理商的钱了" |
| 1 | 针对一个被描述的产品所报出的价格 | 弱 | "我猜我大概会付 60 美元左右吧" |
大多数定价汇报几乎完全建立在第 1 层证据之上，却以第 4 层的笃定语气呈现。这个阶梯的存在，就是为了让这件事在决策之前而不是之后暴露出来。
如何执行访谈：一套追问序列
以下是一套可以直接搬进访谈提纲的追问结构。它刻意把任何价格问题推迟到最后三分之一，因为过早抛出的价格锚点会污染其后的一切。
1. 重建上一次真实购买（第 3–4 层）
- "带我走一遍：你们团队上一次为这个问题采购是什么时候？最先发生了什么？"
- "花了多少钱？你是怎么知道这个价格的？"
- "钱从谁的预算里出？谁必须审批？"
- "审批门槛是多少——超过哪个数字，这件事就会变成另一场对话？"
2. 确定被置换掉的替代方案（第 2 层）
- "如果什么都不买，会怎么样？今天这些活儿是谁在干？"
- "如果有了这个东西，你们会停掉什么、或者不再为什么付钱？"
3. 找到触发点
- "在有人愿意为此掏钱之前，必须先发生什么？"
- "一年当中，这笔预算在什么时候可用、什么时候消失？"
4. 此刻才谈价格反应（第 1 层——请如实标注）
- "每月 X 美元，你的第一反应是什么？"（然后保持沉默）
- "要包含些什么，才能让这个价格显得明显值得？"
- "什么价格会让你连这个会都不愿意开？"
5. 检验这个拒绝
- "你说 X 美元太贵了。如果你们 CFO 明天就批了，你还是会说不吗？为什么？"
最后这个追问是整套问题中产出最高的一个。它把真正的预算约束和价值层面的异议区分开来——这是两个解法完全不同的问题。
访谈前检查清单
- 招募真正的预算持有者或有据可查的影响者，而不是品类爱好者。
- 把产品描述用文字固定下来，确保每位受访者面对的是同一个对象。
- 在开始实地访谈前就定好价格点；绝不在访谈中即兴抛出锚点。
- 如果测试不止一个价格，随机化受访者最先听到的那个。
- 预先声明什么结果会改变决策。如果没有任何结果会改变决策，就别做这项研究。
- 在定性研究开始之前，就规划好后续的量化或真实测试。
Qualitati 的定位
Qualitati 是面向产品、UX 与客户洞察团队的 AI 用户研究平台。对定价研究而言，平台中有三个部分是相关的。
AI 主持访谈可以用文字或语音执行上述追问序列，在回答过于单薄时自动生成适应性追问——而这恰恰是定价访谈最常失手的地方，因为受访者给出一个数字，人类主持人就照单全收了。用同一份提纲跑 40–60 位买家，你才能看出预算科目是否因细分人群而异，这是 10 场访谈的研究无法分辨的。
对话式问卷适合定价研究中更广、更浅的那一半：一个固定的价格反应题，配上 AI 驱动的、针对推理过程的追问，并可放大到问卷规模。
ThemeLens 一次可在最多 100 份访谈记录上把编码映射到研究问题，并综合出带有受访者原话锚定的主题，从而让"预算归属方"和"被替代的替代方案"变得可计数，而不只是轶事。在 QDA Workspace 里，你可以对照阶梯的五个层级做演绎式编码，直接看到自己手上证据的分布。
Qualitati 公开按积分计费的使用费率，注册即赠 30 积分免费开始，无需信用卡。详见透明定价。
局限，以及什么时候不该用这套方法
有四件事必须说清楚。
访谈无法定价。上文所有内容的目的，是产出一个站得住脚的假设和一个有边界的区间。决策属于真实测试。
小样本不会因为换成 AI 主持就变成大样本。规模化提升的是细分覆盖度、降低的是主持人差异。它并不能把陈述性偏好变成显示性偏好。
主持人效应与工具效应对 AI 同样存在。锚定效应、顺序效应和社会赞许性偏差并不会因为访谈者是个模型就消失——参见我们关于 AI 主持访谈中的问题顺序效应的文章。
不要使用 WTP 访谈的情形包括：你已经有真实流量、可以直接做价格测试；品类是受访者确实不了解的（他们的回答不会有太大意义）；或者你需要的是收入与利润率预测——那需要访谈并不收集的购买意愿数据。
人工复核提示：从定性数据得出的定价结论，在进入任何计划之前，应当由对收入负责的人复核。
常见问题
我需要做多少场支付意愿访谈？
足以分别覆盖每一类买家人群和每一种预算结构即可，而不是足以算出一个均值。如果你有三个细分人群，就把它当成三项研究。我们关于 AI 主持访谈中的饱和的指南讲了如何判断样本是否充分。
我是不是应该改用 Van Westendorp？
是并用，而不是替代。它产出一个待检验的区间；访谈产出的是能告诉你这个区间是否稳定的推理。截至 2026 年 9 月，公开可查的批评指出它不提供任何购买意愿信号。
AI 主持人能把定价访谈做好吗？
它们擅长人类不擅长的机械纪律：把价格问题按住到最后、每次都问同样的追问、以及不接受一个没有理由支撑的数字。但它们不是假设性偏差的解药。
什么是校准系数？
在同一套诱导设计下，假设性陈述估值与真实估值之比。Murphy 等人（2005）在 83 个观测值上报告的中位数为 1.35、均值为 2.60。
我可以用合成受访者做定价研究吗？
用于生成假设和试跑访谈提纲，可以。用于估计本身，不行——模拟受访者既没有预算也没有审批人，而这两样恰恰是让一个定价回答有价值的东西。
怎样呈现发现才不会过度宣称？
为每一条结论标注它在 WTP 证据阶梯上的层级，并写明每个假设打算如何检验。一份写着"第 2 层，待在 49/79 美元上检验"的汇报，比一份写着"买家会付 65 美元"的汇报经得起时间考验得多。
结论
当你不再向支付意愿访谈索要一个数字时，它才在定价研究中赢得自己的位置。用它来梳理预算归属、被替代的替代方案，以及释放支出的触发条件；用 WTP 证据阶梯把弱证据老老实实地标成弱证据；然后用真实测试来给价格拍板。这个顺序写进 PPT 里更慢，但要在它上面犯错也难得多。
注册即赠 30 积分免费开始，无需信用卡，运行一项 AI 主持访谈研究、一份对话式问卷或一个主题分析项目。也可以把 Qualitati 与 Outset.ai、Strella 和 Listen Labs 做个对比。
最后更新：2026 年 9 月 1 日。本文为独立编辑性综述；涉及竞品的说法均基于该日期时公开可得的信息。