Badanie conjoint polega na tym, że respondent wybiera między całościowymi wariantami produktu, a nie ocenia pojedynczych cech; dopiero analiza rozkłada te wybory na użyteczności przypisane atrybutom i poziomom. Dzięki temu metoda omija największą słabość pytań wprost: deklaracji „cena jest dla mnie ważna” nie da się porównać z zachowaniem, natomiast serię wyborów już tak. Jakość wyniku rozstrzyga się jednak w całości na etapie projektu, zanim zbierze się pierwszą odpowiedź.
Poniższy przewodnik porządkuje decyzje projektowe w kolejności, w jakiej trzeba je podjąć. Jest pisany z perspektywy badacza, który chce, aby wynik obronił się zarówno w recenzji, jak i w praktycznym zastosowaniu.
Od czego zacząć: atrybuty i poziomy
Pierwsza decyzja brzmi: które cechy produktu wchodzą do badania i w ilu wariantach. Praktyczna reguła jest ostrożna: zwykle 4 do 6 atrybutów, każdy z 2 do 4 poziomami. Powyżej tej granicy zadanie wyboru staje się dla respondenta zbyt złożone, a odpowiedzi zaczynają odzwierciedlać uproszczone strategie (na przykład wybór wyłącznie po cenie), a nie rzeczywiste preferencje.
Równie istotny jest dobór poziomów: muszą być realistyczne i rozróżnialne. Cena spoza zakresu rynkowego albo poziom, którego nie da się wdrożyć, obniża trafność całego modelu, bo respondent odpowiada na scenariusz, który nigdy nie wystąpi. Dobrą praktyką jest oparcie listy atrybutów na badaniu jakościowym lub przeglądzie kategorii, a nie wyłącznie na intuicji zespołu.
Jaki plan eksperymentalny wybrać?
Pełny plan czynnikowy, czyli wszystkie kombinacje poziomów, jest wykonalny tylko przy bardzo małych układach; już 5 atrybutów po 3 poziomy daje 243 profile. W praktyce stosuje się plany frakcyjne: algorytm dobiera podzbiór profili tak, aby efekty atrybutów pozostały rozróżnialne przy znośnym obciążeniu respondenta. Jakość takiego planu opisuje się miarą efektywności statystycznej; koncepcyjnie chodzi o to, by każdy poziom pojawiał się odpowiednio często i w zrównoważonych zestawieniach. Metodyczne kompendium conjoint, z krokami raportowania pod recenzję, prowadzi też Explonia, narzędziowy projekt naszego zespołu.
W wariancie wyboru dyskretnego (DCE) respondent widzi zestawy 2 lub 3 profili i wskazuje jeden, zwykle z opcją „żaden z powyższych”. Ta opcja bywa pomijana, a jest metodologicznie istotna: bez niej wymuszamy wybór, którego konsument na rynku nie musi dokonać, i zawyżamy gotowość do zakupu.
Conjoint nie pyta konsumenta, co jest ważne. Sprawdza, z czego rezygnuje, gdy nie może mieć wszystkiego.
Ilu respondentów potrzeba?
Uczciwa odpowiedź: to zależy od liczby parametrów modelu, liczby zadań wyboru na osobę i planowanych porównań między segmentami. W literaturze stosowanej funkcjonują reguły kciuka wiążące minimalną liczebność z liczbą zadań, liczbą alternatyw w zadaniu i liczbą poziomów najbardziej rozbudowanego atrybutu; dla typowych układów prowadzą one do prób rzędu kilkuset osób, a analiza na poziomie segmentów zwiększa te wymagania proporcjonalnie. Kluczowa jest zasada: liczebność planuje się przed badaniem, z zapisem uzasadnienia, a nie uzupełnia po fakcie.
Drugim warunkiem jest jakość próby. Reprezentatywność wobec populacji docelowej i kontrola nad tym, kto faktycznie wypełnia zadania, ważą więcej niż sama liczebność; zagadnienia rekrutacji omawiamy osobno przy okazji panelu respondentów do badań naukowych.
Pilotaż i typowe błędy projektu
Pilotaż na 20 do 30 osobach wychwytuje większość problemów: niezrozumiałe opisy poziomów, zadania rozwiązywane po kilka sekund (sygnał strategii upraszczających), atrybut ignorowany przez wszystkich. Poprawienie projektu po pilotażu kosztuje dni; odkrycie tych samych problemów po zebraniu pełnej próby kosztuje całe badanie.
Najczęstsze błędy projektowe powtarzają się niezależnie od dziedziny: przeciążenie liczby atrybutów, poziomy nierealistyczne lub nierozróżnialne, brak opcji rezygnacji z wyboru, brak zadań kontrolnych oraz raportowanie samych średnich użyteczności bez miar niepewności i bez opisu planu eksperymentalnego. W tekście metodycznym pod recenzję opis planu, procedury i liczebności musi pozwalać na replikację; wsparcie na tym etapie, od projektu po estymację modelu, opisujemy na stronach badań conjoint oraz analizy danych.
Zastosowanie biznesowe różni się od akademickiego celem, ale nie rygorem: symulator scenariuszy cenowych zbudowany na źle zaprojektowanym conjoint daje precyzyjnie wyglądające, błędne odpowiedzi. Przykład rozkładu preferencji na atrybuty w praktyce pokazujemy w tekście o tym, co czyni produkt bardziej zrównoważonym w oczach konsumenta.
Źródła
- Romanowski, R., Szymkowiak, A., Knežević, B., Romanowski, B. (2025). What makes whisky more sustainable? The importance of raw materials, production process and packaging. Food Quality and Preference, 133, 105619. https://doi.org/10.1016/j.foodqual.2025.105619
- Green, P. E., Srinivasan, V. (1978). Conjoint analysis in consumer research: issues and outlook. Journal of Consumer Research, 5(2), 103–123. https://doi.org/10.1086/208721
- Orme, B. K. (2010). Getting Started with Conjoint Analysis: Strategies for Product Design and Pricing Research. Research Publishers.