Conjoint-анализ: как измерять полезность атрибутов в опросе

Conjoint-анализ: как измерять полезность атрибутов в опросе

Conjoint-анализ — метод количественного исследования, который строит оценку полезности (value) разных уровней характеристик продукта/сервиса. Респондент выбирает между вариантами (профилями), а модель восстанавливает, насколько важны атрибуты и как меняется предпочтение при смене уровней: например, «доставка за 1 день» vs «за 3 дня», «тариф с оплатой за пользователя» vs «по объёму».

Чем отличается от MaxDiff (Maximum Difference Scaling)
MaxDiff измеряет относительную важность: что “самое важное”, из списка. Он отлично подходит, когда нужно ранжировать критерии (например, причины покупки). Conjoint идёт глубже: он оценивает компромиссы между атрибутами и рассчитывает “частичную заменяемость” (trade-off), то есть сколько ценности теряется при ухудшении одного параметра ради улучшения другого.

Типичные ошибки применения
— Путать атрибут с уровнем: атрибут — «скорость доставки», уровень — «1 день».
— Делать слишком много уровней без дробления (сильно растёт когнитивная нагрузка).
— Интерпретировать результаты как “про бренд в целом”, хотя измеряется реакция на заданные профили.
— Игнорировать контекст выбора: без сценария выбора ответы могут “улетать” в абстрактные предпочтения.

Пример
Вы тестируете B2B-платформу. Атрибуты: цена (три уровня), интеграции (есть/нет), SLA (низкий/высокий). В опросе респондент выбирает из пар вариантов. Итог: модель показывает, что SLA в данном сегменте компенсирует повышение цены, а “интеграции по API” влияют заметно меньше, чем ожидалось. Это помогает формировать упаковку предложения при переходе к RevOps-логике (общий эффект для выручки), а не к механическому “усреднению мнений”.

— @QuantResearchRu