北京2026年5月6日 /美通社/ -- 全球領先的市場研究公司益普索近日發布合成數據增強技術解決方案，通過與斯坦福大學合作自主研發的表格擴散模型與SURE四維評估框架，幫助品牌在樣本量不足、細分群體數據稀缺的場景下，依然獲得可靠的數據洞察，驅動更明智的商業決策。
合成數據增強，簡單來說，就是通過學習原始數據的內在規律，生成新的"虛擬樣本"，從而擴大數據量、增強分析能力。這項技術正在成為益普索市場研究實踐的重要組成部分——尤其是在樣本量不足、細分群體數據稀缺的場景下。
一個形象的比喻：一個學生收到了一份來源不明的復習資料，他不知道這份資料內容是否準確（質量未經檢驗），不知道具體考試題目（具體應用場景），卻聲稱"這份資料能讓我成績提高10%"——這聽起來是不是很離譜？
更值得關注的是：如果將合成數據簡單等同于真實獨立樣本進行統計檢驗（業界稱之為"天真檢驗"），錯誤率可能高達75%-80%。這意味著品牌有極大的概率基于虛假的"顯著結論"做出錯誤決策，損失可能遠超節省的調研成本。
益普索三大核心能力構建技術壁壘
一、獨家表格擴散模型：站在學術前沿
傳統合成數據多采用生成對抗模型（GAN），但在處理復雜的表格型市場研究數據時存在明顯局限。
益普索攜手業界與學界伙伴——包括與斯坦福大學持續合作——已研發出更適用市場研究數據的新技術，即益普索表格擴散模型（Ipsos Tabular Diffusion）。同時，我們構建了用于評估數據質量的四維完整性框架SURE，并打造了益普索合成數據工作平臺，使這些方法得以應用于日常運營，實現數據增強能力的標準化與產品化。
益普索的測試結果表明，使用該模型生成的合成樣本更真實、可靠，代表性強，既保留了真實數據的整體趨勢，還可有效還原樣本的稀有分布特征。
二、SURE四維評估框架：讓每一步都有實證支撐
合成數據僅"看起來像"真實數據是不夠的，更需要在實際應用中體現價值。益普索自主研發的SURE四維評估框架，從以下四個核心維度進行系統性評估：
S — Statistical Similarity（統計相似性）
合成數據在統計意義上是否忠實于原始真實數據？我們采用Jensen-Shannon散度、主成分分析（PCA）、核密度估計（KDE）等系列技術，從全局和關鍵決策維度進行多層次比對驗證。高保真度意味著：如果原始真實數據存在某種規律，合成數據也會捕捉到這一規律。
U — Utility（效用性）
合成數據是否真正有用？基于統計學原理，用數學公式計算真實數據集本來有多少信息，再測算我們生成的合成數據含有多少真正新增的有用信息。并通過等效樣本量（ESS）評估確保統計推斷的正確性。這一步至關重要：它能識別出"看起來不錯"但實際上信息含量極低的合成數據，避免品牌基于虛假顯著性做出錯誤決策。
R — Rarity & Novelty（稀有性與新穎性）
合成數據的核心價值在于"生成真實中存在但樣本未覆蓋的新組合"，而非簡單復制已有樣本。通過樣本間距離分析、最近鄰冗余檢查、覆蓋率指標等方法，來量化合成數據的信息拓展范圍。通過分布熵與潛在空間彌散度來量化多樣性，確保模型生成的是對現實的拓展，而非簡單復刻。
E — Expert Validation（專家驗證）
即使所有統計指標都通過，合成數據仍需經過領域專家的"人工檢驗"。專家負責判斷：數據和由此得出的洞察，在現實中是否可信、合乎情理且具備可行性。這一步是機器無法替代的人類智慧，確保合成數據能通過真實世界的檢驗。
三、專業合成數據工作臺：標準化與產品化的完美結合
為保障數據合成的質量與穩定性，益普索自主研發了合成數據工作臺（The Ipsos Synthetic Data Workbench），將前沿技術與標準化流程深度整合。
核心功能包括：
- 針對規則化問卷結構設計的專屬生成方法
- 能夠融合多源關聯數據集的先進技術
- 適用于小樣本的輕量化快速學習模型
- 確保輸出自洽性的通用插補方案
同時，工作臺內置完整的數據清洗與優化工具包，包括變量格式標準化、邏輯矛盾修正、異常值處理、子群平衡加權、特征優化等，確保訓練模型的數據集具有最佳結構和最強代表性。
"我們不做空泛的效果承諾。合成數據不是萬能的，但用對了確實很強大。我們的職責是幫助客戶明確：何時合成數據真正產生價值，在何時并無助益。這是對客戶負責，也是對行業負責。"
合成數據增強：審慎，透明、以實證為基
益普索在長期實踐中總結出以下關鍵結論：
關于訓練數據量：
訓練數據集需至少包含300-500個樣本，才能得到可靠的增強數據。若低于這一閾值，建模誤差可能超過抽樣誤差本身，合成數據反而可能引入更多不確定性。在這種情況下，傳統的加權或插補方法反而更可靠。
關于有效樣本量：
1000個真實樣本加500個合成樣本，其有效樣本量并非1500個，而是介于1000與1500之間。這是因為合成數據違反了傳統統計檢驗中"獨立、等概率抽樣"的前提，每個合成樣本都源自基于原始數據訓練的模型，而非完全獨立的觀測。
益普索在實際合成數據操作中，采用以下四個結合了SURE框架的步驟：
01數據評估——該數據適用于合成嗎？在建模前，評估數據的適用性、質量與代表性；
02數據準備——清洗、對齊、優化。統一數據格式，解決不一致性，確保數據達到可直接建模的狀態；
03數據建模與生成。應用擴散模型合成與符合SURE標準的數據增強算法；
04數據驗證與完整性檢查。依據SURE框架的保真度、效用性與風險標準對合成數據輸出進行檢測，以確認其穩健性。
益普索倡導人類智能（HI）與人工智能（AI）的獨特融合，以此驅動創新，為客戶提供具有深遠影響力、以人為本的洞察。這一理念深深融入其所有的人工智能解決方案中，其中也包括合成數據增強技術。通過HI與AI的有機結合，益普索為客戶提供更安全、更快速并且扎根人類情境的深度洞察，創造相關性與價值。
