[论文解读] Form + Function: Optimizing Aesthetic Product Design via Adaptive, Geometrized Preference Elicitation

Namwoo Kang, Yi Ren+2 more|arXiv (Cornell University)|Dec 10, 2019

Color perception and design参考文献 68被引用 12

一句话总结

本文提出了一种新颖的、自适应的、以几何为导向的联合分析方法，将实时3D渲染产品配置与机器学习相结合，以优化视觉产品设计。通过使用双层查询任务来获取个体对视觉形态及与价格等功能属性之间权衡的偏好，该方法实现了更高的预测准确度，并能够估算对设计元素的支付意愿——从而提供传统联合分析无法实现的个性化与群体级最优设计。

ABSTRACT

Visual design is critical to product success, and the subject of intensive marketing research effort. Yet visual elements, due to their holistic and interactive nature, do not lend themselves well to optimization using extant decompositional methods for preference elicitation. Here we present a systematic methodology to incorporate interactive, 3D-rendered product configurations into a conjoint-like framework. The method relies on rapid, scalable machine learning algorithms to adaptively update product designs along with standard information-oriented product attributes. At its heart is a parametric account of a product's geometry, along with a novel, adaptive "bi-level" query task that can estimate individuals' visual design form preferences and their trade-offs against such traditional elements as price and product features. We illustrate the method's performance through extensive simulations and robustness checks, a formal proof of the bi-level query methodology's domain of superiority, and a field test for the design of a mid-priced sedan, using real-time 3D rendering for an online panel. Results indicate not only substantially enhanced predictive accuracy, but two quantities beyond the reach of standard conjoint methods: trade-offs between form and function overall, and willingness-to-pay for specific design elements. Moreover -- and most critically for applications -- the method provides "optimal" visual designs for both individuals and model-derived or analyst-supplied consumer groupings, as well as their sensitivities to form and functional elements.

研究动机与目标

• 为解决视觉产品设计的优化挑战，其具有整体性与交互性，因此难以通过标准的分解式偏好获取技术进行建模。
• 开发一个系统性框架，将参数化几何建模与自适应的、类似联合分析的偏好获取方法相结合，用于3D产品配置。
• 估计个体与群体层面对视觉形态与功能属性（如价格与性能）之间权衡的关系，以实现数据驱动的设计优化。
• 为个人与消费者群体提供可操作的最优视觉设计，并附带对形态与功能要素的敏感性分析。
• 通过模拟、形式化证明与针对中端轿车设计的真实世界田野测试，展示该方法的可扩展性与鲁棒性。

提出的方法

• 该方法采用参数化的产品几何表示，以生成实时、交互式的3D渲染产品配置。
• 使用一种新颖的双层自适应查询任务来获取偏好：首先，消费者在两个3D渲染设计之间进行选择，然后对形态与功能属性（如价格与功能）之间的权衡进行评分。
• 机器学习算法根据响应自适应地更新设计空间与属性值，确保高效收敛至个体偏好。
• 该方法将标准联合分析组件（如效用估计）与几何产品表示相结合，以建模整体视觉形态偏好。
• 通过实时基于网络的界面实现部署，支持在线样本群体，利用标准协议实现可扩展的数据收集。
• 该方法支持对视觉设计与功能属性之间权衡的后验分析，包括对特定设计元素的支付意愿估算。

实验结果

研究问题

• RQ1 如何有效建模并优化视觉产品形态？其具有整体性与交互性，应如何借助偏好获取技术实现？
• RQ2 与传统方法相比，自适应的、具备几何感知能力的查询在视觉设计偏好建模中的预测准确度提升程度如何？
• RQ3 该方法能否可靠地估计个体与群体层面对视觉形态与功能属性（如价格与性能）之间权衡的关系？
• RQ4 与替代偏好获取框架相比，所提出的双层查询方法在哪些方面具有优势？
• RQ5 该方法能否生成反映美学偏好与功能约束的最优个性化视觉设计？

主要发现

• 与标准联合分析方法相比，该方法在估计汽车设计消费者偏好方面实现了显著提升的预测准确度。
• 该方法能够估算对特定视觉设计元素的支付意愿，这是传统联合分析所不具备的能力。
• 该方法成功量化了形态与功能之间的整体权衡，为消费者如何平衡美学与性能提供了洞见。
• 该方法不仅为个体，也为分析师定义的消费者群体生成了最优视觉设计，并提供了对形态与功能属性的敏感性分析。
• 形式化证明确立了双层查询方法的优越性领域，证实了其理论上的稳健性。
• 在在线样本群体中通过实时3D渲染进行的田野测试，证明了该方法在真实世界产品设计情境中的可行性与可扩展性。