Сколько атрибутов и уровней в conjoint?

Обычно 3-6 атрибутов по 2-4 уровня. Больше — быстро увеличивает требуемое число профилей.

Что делать с низким R² в conjoint?

Возможные причины: респонденты неправильно поняли задачу; отсутствует важный атрибут; взаимодействия между атрибутами; плохо сбалансированный дизайн.

Conjoint utility калькулятор — расчёт part-worth полезностей

Q: Что такое conjoint analysis?

Метод исследования предпочтений через оценку продуктовых профилей (комбинаций уровней атрибутов). Из оценок выводятся частные полезности (part-worths) уровней.

Q: Какие типы conjoint бывают?

Full-profile (рейтинг профилей), CBC (выбор из набора), ACA (адаптивный), MaxDiff. Этот калькулятор работает с full-profile.

Q: Сколько профилей показывать одному респонденту?

Обычно 8-16 профилей на респондента. Дизайн должен быть orthogonal или near-orthogonal.

Q: Effects coding или dummy coding?

Калькулятор использует effects coding: сумма part-worth уровней внутри атрибута равна нулю. Удобнее для интерпретации.

Q: Чем conjoint отличается от MaxDiff?

MaxDiff ранжирует атрибуты. Conjoint измеряет полезность каждого уровня внутри атрибута. Conjoint даёт больше деталей.

Q: Сколько респондентов нужно для conjoint?

Минимум 150 для общей оценки, 300+ для сегментных разрезов. Для CBC: 8-12 задач на респондента и 200-300 человек.

Q: Что такое part-worth и как его интерпретировать?

Part-worth — полезность каждого уровня атрибута в общей шкале. Сумма part-worths профиля = его привлекательность. Разница max-min внутри атрибута показывает его важность.

Q: Что делать с низким R²?

R² < 0.3 — модель плохо объясняет ответы. Причины: невнятные профили, усталость респондента, реальный выбор зависит от незаявленных факторов. Уменьшите число задач или замените тип атрибута.

Загрузите CSV с ответами full-profile conjoint и получите частные полезности (part-worths) для каждого уровня атрибутов плюс относительную важность атрибутов. OLS-регрессия с effects coding.

Формат данных — каждая строка = один профиль, оценённый респондентом. Колонки: respondent_id (опц.), уровень атрибута 1, уровень атрибута 2, …, рейтинг (последняя колонка, числовая).

1. Данные

CSV-файл (full-profile conjoint) Выбрать CSV… Последняя колонка — числовой рейтинг (1-10 или 1-100). Остальные — категориальные атрибуты.

Или вставьте CSV

Пример данных

Один клик — пример загружается в форму и считается:

Бренд,Цена,Гарантия,Rating Apple,Низкая,2_года,9 Apple,Высокая,1_год,7 Apple,Средняя,2_года,8 Samsung,Низкая,1_год,7 Samsung,Высокая,2_года,6 Samsung,Средняя,1_год,5 Xiaomi,Низкая,1_год,8 Xiaomi,Высокая,2_года,6 Xiaomi,Средняя,1_год,6 Apple,Низкая,1_год,8 Samsung,Низкая,2_года,7 Xiaomi,Средняя,2_года,7

Профилей

—

Атрибутов

—

R²

—

Part-worth полезности по атрибутам

Соберите conjoint-ответы в WebAsk и сразу импортируйте сюда

Создать опрос бесплатно

Как читать результаты conjoint

Part-worth

Полезность каждого уровня атрибута относительно среднего по этому атрибуту. Положительное значение — уровень повышает оценку, отрицательное — снижает.

Важность атрибута

Диапазон полезностей атрибута (max − min) делённый на сумму диапазонов всех атрибутов. Показывает, насколько атрибут влияет на выбор.

R²

Доля вариации рейтинга, объяснённая моделью. R² > 0.5 — хорошее качество, R² < 0.3 — модель плохо описывает данные.

Симуляция

Имея part-worth, можно симулировать предпочтение любого продукта (сумма полезностей его уровней) и сравнивать варианты.

Часто задаваемые вопросы

Что такое conjoint analysis?

Это метод исследования предпочтений через оценку продуктовых профилей (комбинаций уровней атрибутов). Из оценок выводятся частные полезности (part-worths) уровней и важность атрибутов.

Какие типы conjoint бывают?

Full-profile (рейтинг профилей), CBC (выбор из набора, choice-based), ACA (адаптивный), MaxDiff. Этот калькулятор работает с full-profile (рейтинг по шкале).

Сколько профилей показывать одному респонденту?

Обычно 8-16 профилей на респондента. Меньше — нестабильные оценки, больше — устают. Дизайн должен быть orthogonal или near-orthogonal.

Сколько атрибутов и уровней?

Обычно 3-6 атрибутов по 2-4 уровня. Больше атрибутов или уровней быстро увеличивает требуемое число профилей. Для 5 атрибутов × 3 уровня минимум 25 профилей в дизайне.

Effects coding или dummy coding?

Калькулятор использует effects coding: сумма part-worth уровней внутри атрибута равна нулю. Это удобнее для интерпретации, так как полезности уровней сразу видны относительно среднего.

Что делать с низким R²?

Возможные причины: респонденты неправильно поняли задачу; в наборе атрибутов отсутствует важный; есть взаимодействия между атрибутами; дизайн профилей плохо сбалансирован. Проверьте по этим пунктам.

Можно ли симулировать продукт?

Да. Сумма part-worth уровней + общий intercept даёт прогнозируемую оценку для любой комбинации. Это «what-if» симуляция — основа стоимости conjoint в маркетинге и продуктовых решениях.

Чем conjoint отличается от MaxDiff?

MaxDiff ранжирует атрибуты по важности (используйте также MaxDiff scoring для весов). Conjoint измеряет полезность каждого уровня внутри атрибута. Conjoint даёт больше деталей (что внутри атрибута лучше), MaxDiff проще для большого числа атрибутов. Для цены отдельно — Gabor-Granger или Van Westendorp PSM.

Сколько респондентов нужно для conjoint?

Минимум 150 респондентов для общей оценки полезностей, 300+ для уверенных сегментных разрезов. Чем больше атрибутов и уровней, тем больше нужно — растёт число параметров для оценки. Для CBC (choice-based) ориентир: 8-12 задач на респондента и 200-300 человек.

Что такое part-worth и как его интерпретировать?

Part-worth — полезность каждого уровня атрибута в одной шкале для всех атрибутов. Сумма part-worths уровней даёт прогноз привлекательности профиля. Разница между max и min part-worth внутри атрибута показывает важность атрибута — широкий разброс = чувствительный фактор.

Все инструменты

Соберите conjoint в WebAsk

Создайте серию вопросов с оценкой профилей по шкале 1-10 и анализируйте результаты в этом калькуляторе.

Создать опрос бесплатно