Saltar al contenido
Artículo

Cuándo usar conjoint analysis: ¿es adecuado para tu estudio?

Por Andrzej Szymkowiak · junio 2026

Esta página es una traducción del original inglés revisado. Ver el original (EN)

cuándo usar conjoint analysis

Andrzej Szymkowiak · Última revisión: junio de 2026

Cuándo usar conjoint analysis: valorar un perfil de producto de precio, marca y entrega.

Estás eligiendo entre un estudio conjoint completo y unas pocas preguntas de valoración, y no estás seguro de cuál necesita realmente tu pregunta de investigación. El conjoint analysis es el método adecuado cuando tu pregunta de investigación trata específicamente sobre trade-offs entre atributos de producto — cuánto contribuyen el precio, la calidad o la marca a la preferencia. Cuando tu pregunta es sobre un solo atributo o sobre la satisfacción general, una escala de valoración más simple la responde más rápido y con menos carga para el respondiente. Esta guía te ayuda a decidir, y muestra las decisiones de diseño clave si el conjoint encaja.

El conjoint analysis es un método potente para medir trade-offs. Pero no siempre es la elección correcta. Antes de diseñar un estudio conjoint, necesitas responder una pregunta más básica: ¿tu problema de investigación requiere realmente datos de trade-off? Esta guía te ayuda a decidir — y si el conjoint encaja, te guía por las decisiones de diseño clave. Para el proceso de diseño de estudio más amplio que precede a esta decisión, consulta de la pregunta de investigación al cuestionario →.

Qué mide el conjoint — y qué no

El conjoint analysis pide a los respondientes que evalúen perfiles de producto que varían en varios atributos a la vez. Al ver cómo cambian las valoraciones (o las elecciones) a medida que cambian los atributos, estimas la importancia relativa de cada atributo y la part-worth utility de cada nivel dentro de ese atributo.

El conjoint responde:

  • ¿Qué atributos de producto importan más a los respondientes?
  • ¿Cuánto reduce la preferencia un aumento de precio, en comparación con una mejora de calidad?
  • ¿Qué combinación de atributos produce la mayor puntuación de preferencia general?

El conjoint no responde:

  • Si a los respondientes les gusta la categoría de producto en absoluto. Una simple valoración de actitud hace esto.
  • Con qué frecuencia compran los respondientes. Una pregunta de frecuencia hace esto.
  • Por qué los respondientes prefieren un atributo sobre otro. El conjoint revela que lo hacen, no la razón.

Si tu pregunta de investigación es "¿cómo se compara la marca con el precio y la velocidad de entrega a la hora de impulsar la preferencia?", el conjoint encaja bien. Si tu pregunta es "¿nuestro segmento objetivo encuentra atractivo este producto?", una escala de valoración simple o una encuesta de actitud es más rápida y fácil de analizar.

¿Cuándo basta una pregunta de valoración simple en lugar de conjoint?

Usa un ítem de valoración simple cuando:

  • Tienes un solo atributo o función que evaluar.
  • Quieres una puntuación general de satisfacción o calidad.
  • Estás en la fase exploratoria, antes de comprometerte con un diseño conjoint completo.
  • Tu muestra disponible es pequeña (el conjoint requiere más respondientes para producir estimaciones de part-worth estables).
  • Es probable que tus respondientes se cansen con facilidad — por ejemplo, poblaciones clínicas o personas mayores.

Reserva el conjoint para los casos en que la estructura de trade-off es la pregunta de investigación real. Para orientarte sobre cómo diseñar y redactar esos ítems de valoración más simples, consulta cómo escribir buenas preguntas de encuesta →.

¿Cómo eliges los atributos y niveles del conjoint?

La calidad de un estudio conjoint depende casi por completo de cómo definas los atributos y sus niveles.

Los atributos son las características del producto que varían entre perfiles. Ejemplos comunes en investigación de consumidores: precio, marca, nivel de calidad, tiempo de entrega, tipo de empaque.

Los niveles son los valores que cada atributo puede tomar. Para el precio: 10 €, 20 €, 30 €. Para el tiempo de entrega: al día siguiente, tres días, una semana.

Decisión de diseñoRecomendación
Número de atributosDe 3 a 6. Más de 6 crea fatiga del respondiente y estimaciones inestables.
Número de niveles por atributoDe 2 a 4. Un número igual de niveles entre atributos simplifica el diseño.
Realismo de los nivelesUsa niveles que los respondientes realmente encontrarán en el mercado. Los niveles extremos distorsionan las part-worths.
Perfiles dominadosEvita perfiles donde una opción es claramente la mejor en todos los atributos — los respondientes pueden no implicarse en serio.

Un error común es incluir demasiados atributos porque todo parece importante. Ejecuta primero una pregunta simple de valoración de importancia en un piloto para acotar la lista.

Conjoint basado en valoraciones vs basado en elección

Hay dos variantes principales, y no son intercambiables.

El conjoint basado en valoraciones (ratings-based) pide a los respondientes que valoren cada perfil en una escala — por ejemplo, de 0 a 100 de probabilidad de compra, o una escala de preferencia de 1 a 7. Produce datos continuos, es sencillo de analizar, y pone menos demanda cognitiva sobre los respondientes que hacer elecciones binarias repetidas.

El conjoint basado en elección (CBC) presenta a los respondientes un conjunto de perfiles y les pide que elijan uno — o ninguno. El CBC se considera más realista porque refleja una decisión de compra real. La estimación Hierarchical Bayes (HB) es el método de análisis estándar para CBC, ya que recupera part-worths a nivel individual a partir de un número manejable de tareas de elección por respondiente.

Lo que admite Explonia: ambos. Puedes diseñar la estructura de atributos, generar un conjunto balanceado y D-efficient de perfiles o tareas de elección, recoger respuestas, y estimar part-worths e importancia de atributos dentro de la misma plataforma — conjoint basado en valoraciones (utilities de regresión) y conjoint basado en elección (CBC) con hierarchical Bayes (HB) para part-worths a nivel individual, además de un simulador de mercado y segmentación post-hoc.

Para la mayoría de los estudios académicos de consumidores, el conjoint basado en valoraciones es más simple de administrar y responde bien a la pregunta de trade-off. Elige CBC/HB cuando necesites choice shares, un simulador de mercado o part-worths a nivel individual para segmentación.

Carga del respondiente y número de perfiles

Un estudio conjoint basado en valoraciones suele presentar de 12 a 25 perfiles por respondiente. Con 3 atributos y 3 niveles cada uno, tienes 27 perfiles posibles (3³). Un diseño factorial fraccionado reduce esto a un subconjunto manejable — normalmente de 9 a 18 — sin dejar de permitir la estimación de todos los efectos principales.

La mayoría de los respondientes pueden valorar de forma fiable hasta 15 a 20 perfiles antes de que aparezca la fatiga. Si tu diseño produce más que eso, considera un diseño between-subjects: distintos respondientes ven distintos subconjuntos de perfiles, y las estimaciones se agrupan entre subconjuntos. Para la planificación del tamaño de muestra específica de los estudios conjoint, consulta cuántos participantes necesito →. Para reclutar tu muestra objetivo desde un panel en línea, consulta cómo reclutar participantes en Prolific →.

Qué puedes concluir

Las estimaciones de part-worth de un estudio conjoint te informan sobre la preferencia relativa dentro de los niveles de atributo que incluiste. No:

  • Predicen la cuota de mercado real sin un modelo de simulación aparte.
  • Se generalizan a atributos o niveles que no incluiste en el diseño.
  • Te dicen cómo se comportarán realmente las personas. El conjoint es un experimento diseñado, así que las part-worths sí reflejan el efecto causal de los niveles de atributo sobre la preferencia declarada dentro de la tarea — pero la preferencia declarada en una encuesta no es lo mismo que la compra real, y las estimaciones no dicen nada sobre impulsores fuera de los atributos que variaste.

Indica estos límites con claridad en tu método y discusión. Una frase como "Las part-worth utilities reflejan la preferencia relativa dentro del espacio de atributos evaluado y no constituyen una simulación de mercado" es honesta y fácil de defender.

Diseña tu estudio con el conjoint designer

El conjoint designer de Explonia (/tools/conjoint-designer/) te guía para introducir atributos y niveles, y construye un diseño balanceado y D-efficient para conjoint basado en valoraciones, en elección (CBC) o de ranking, y luego previsualiza la encuesta tal como la verá un respondiente. Puedes explorar ejemplos de conjoint en vivo →. Una vez recogidos los datos, el análisis de part-worth, la importancia de atributos y — para CBC/HB — el simulador de mercado y la segmentación se ejecutan en la misma plataforma, consulta cómo funciona el conjoint analysis →. Para ver la lista completa de funciones y una comparación con otras herramientas, consulta software de análisis conjoint en Explonia.

Errores comunes que conviene evitar

  • Incluir más de 6 atributos, lo que crea fatiga y hace las estimaciones menos estables.
  • Usar niveles extremos o irreales — un precio de 0 € o 5.000 € para un artículo de supermercado distorsiona las part-worths.
  • Elegir conjoint para un estudio donde una simple pregunta de valoración de importancia respondería la pregunta de investigación.
  • Tratar el conjoint basado en valoraciones y el basado en elección como equivalentes — la estructura de datos, el método de análisis y los outputs difieren.
  • Afirmar predicciones de cuota de mercado a partir de las part-worth utilities sin un modelo de simulación adecuado.

Preguntas frecuentes

¿En qué se diferencia el conjoint de una simple pregunta de ranking?

Una pregunta de ranking pide a los respondientes que ordenen los atributos de más a menos importante. El conjoint revela la magnitud de la preferencia — la part-worth utility para cada nivel de cada atributo — que captura los trade-offs. Aprendes no solo que el precio importa más que la marca, sino cuánto y en qué niveles de precio cambia la preferencia. El ranking solo te da un orden; el conjoint te da el tamaño de cada diferencia.

¿Cuántos atributos y niveles debería usar?

De tres a seis atributos es el rango estándar para un estudio conjoint bien diseñado. Más de seis crea fatiga y hace las estimaciones de part-worth menos estables. Para los niveles, de dos a cuatro por atributo es lo común. Usar un número igual de niveles entre atributos simplifica el diseño y reduce el posible sesgo en la importancia estimada de los atributos. Si tienes una lista larga de atributos, ejecuta primero una simple pregunta de valoración de importancia en un estudio piloto para acotar la lista.

¿Cuál es la diferencia entre el conjoint basado en valoraciones y el basado en elección?

El conjoint basado en valoraciones pide a los respondientes que valoren cada perfil en una escala; el conjoint basado en elección (CBC) les pide que elijan un perfil de un conjunto. El CBC se considera más realista porque refleja una decisión de compra real y usa la estimación Hierarchical Bayes (HB) para recuperar part-worths a nivel individual. El conjoint basado en valoraciones es más simple de administrar y funciona bien para la mayoría de la investigación académica de consumidores. Explonia admite ambos.

¿Cuántos respondientes necesito para un estudio conjoint?

El mínimo depende del número de atributos, niveles y del enfoque de análisis. Un punto de referencia común para el conjoint basado en valoraciones con estimación agregada es al menos de 50 a 100 respondientes para un diseño simple (3 a 4 atributos). Para estimaciones estables y fiables, de 150 a 300 respondientes es un rango más seguro. Usa la calculadora de tamaño de muestra → para planificar tu N objetivo antes de abrir el estudio.

¿Puede Explonia ejecutar conjoint analysis?

Sí — Explonia admite el conjoint basado en valoraciones, en elección (CBC) y de ranking, desde el diseño de la estructura de atributos y niveles, pasando por la generación de un conjunto de perfiles balanceado y D-efficient, hasta la estimación de part-worths e importancia de atributos. El conjoint basado en elección añade la estimación hierarchical Bayes (HB), un simulador de mercado y segmentación post-hoc — todo en la misma plataforma.

References

Green, P. E., & Srinivasan, V. (1978). Conjoint analysis in consumer research: Issues and outlook. Journal of Consumer Research, 5(2), 103–123.

Louviere, J. J., Hensher, D. A., & Swait, J. D. (2000). Stated choice methods: Analysis and applications. Cambridge University Press.

Orme, B. K. (2010). Getting started with conjoint analysis (2nd ed.). Research Publishers.


Cómo Explonia hace esto por ti

Explonia admite el conjoint basado en valoraciones, en elección (CBC/HB) y de ranking desde el diseño hasta la estimación de part-worth: define atributos y niveles, genera un conjunto de perfiles balanceado y D-efficient, recoge respuestas, y lee las part-worths y la importancia de atributos sin salir de la plataforma. CBC/HB añade un simulador de mercado y segmentación post-hoc. El conjoint designer está en /tools/conjoint-designer/. Rigor, made runnable.


¿Planeando un estudio conjoint? Diseña tu estructura de atributos y analiza las part-worths en la misma herramienta donde ejecutas tus otros análisis. Empieza gratis →

Cómo citar este artículo

Si este artículo te ayudó en tu investigación, puedes citarlo (APA 7):

Szymkowiak, A. (2026). Cuándo usar conjoint analysis: ¿es adecuado para tu estudio?. Explonia. https://explonia.com/es/blog/is-conjoint-right-for-your-study/

Last updated: junio 2026

Realiza todo tu estudio en un solo lugar

Diséñalo, recoge los datos y ejecuta CFA y SEM reales sobre tus propios datos — con un borrador de párrafo APA que puedes editar. Empieza gratis.

Empezar gratis