Quando Usare la Conjoint Analysis: È Adatta al Tuo Studio?

Andrzej Szymkowiak · Ultima revisione giugno 2026

Stai scegliendo tra uno studio conjoint completo e qualche domanda di rating, e non sei sicuro di quale serva davvero alla tua domanda di ricerca. La conjoint analysis è il metodo giusto quando la tua domanda di ricerca riguarda specificamente i trade-off tra attributi di prodotto — quanto prezzo, qualità o marca contribuiscono ciascuno alla preferenza. Quando la tua domanda riguarda un singolo attributo o la soddisfazione complessiva, una scala di rating più semplice vi risponde più velocemente e con minore carico per il respondente. Questa guida ti aiuta a decidere, e mostra le scelte di disegno chiave se la conjoint è adatta.

La conjoint analysis è un metodo potente per misurare i trade-off. Ma non è sempre la scelta giusta. Prima di disegnare uno studio conjoint, devi rispondere a una domanda più basilare: il tuo problema di ricerca richiede davvero dati sui trade-off? Questa guida ti aiuta a decidere — e se la conjoint è adatta, ti accompagna attraverso le decisioni di disegno chiave. Per il più ampio processo di disegno dello studio che precede questa decisione, vedi dalla domanda di ricerca al questionario →.

Cosa misura la conjoint — e cosa no

La conjoint analysis chiede ai respondenti di valutare profili di prodotto che variano su diversi attributi contemporaneamente. Osservando come i rating (o le scelte) cambiano al variare degli attributi, stimi l'importanza relativa di ogni attributo e la part-worth utility di ogni livello all'interno di quell'attributo.

La conjoint risponde a:

• Quali attributi di prodotto contano di più per i respondenti?
• Di quanto un aumento di prezzo riduce la preferenza, rispetto a un miglioramento della qualità?
• Quale combinazione di attributi produce il punteggio di preferenza complessivo più alto?

La conjoint non risponde a:

• Se ai respondenti piace affatto la categoria di prodotto. Lo fa un semplice rating dell'atteggiamento.
• Con quale frequenza i respondenti acquistano. Lo fa una domanda di frequenza.
• Perché i respondenti preferiscono un attributo a un altro. La conjoint rivela che lo fanno, non il motivo.

Se la tua domanda di ricerca è "come si confronta la marca con il prezzo e la velocità di consegna nel guidare la preferenza?", la conjoint è adatta. Se la tua domanda è "il nostro segmento target trova attraente questo prodotto?", una semplice scala di rating o un'indagine sull'atteggiamento è più veloce e facile da analizzare.

Quando basta una semplice domanda di rating invece della conjoint?

Usa un semplice item di rating quando:

• Hai un solo attributo o funzione da valutare.
• Vuoi un punteggio complessivo di soddisfazione o qualità.
• Sei nella fase esplorativa, prima di impegnarti in un disegno conjoint completo.
• Il tuo campione disponibile è piccolo (la conjoint richiede più respondenti per produrre stime part-worth stabili).
• I tuoi respondenti tendono a stancarsi facilmente — per esempio, popolazioni cliniche o persone anziane.

Riserva la conjoint ai casi in cui la struttura dei trade-off è la vera domanda di ricerca. Per indicazioni su come disegnare e formulare quegli item di rating più semplici, vedi come scrivere buone domande di indagine →.

Come scegli gli attributi e i livelli della conjoint?

La qualità di uno studio conjoint dipende quasi interamente da come definisci gli attributi e i loro livelli.

Gli attributi sono le caratteristiche del prodotto che variano tra i profili. Esempi comuni nella ricerca sui consumatori: prezzo, marca, livello di qualità, tempo di consegna, tipo di confezione.

I livelli sono i valori che ogni attributo può assumere. Per il prezzo: €10, €20, €30. Per il tempo di consegna: il giorno successivo, tre giorni, una settimana.

Un errore comune è includere troppi attributi perché tutto sembra importante. Esegui prima una semplice domanda di rating dell'importanza in un pilota per restringere la lista.

Conjoint ratings-based vs choice-based

Ci sono due varianti principali, e non sono intercambiabili.

La conjoint ratings-based chiede ai respondenti di valutare ogni profilo su una scala — per esempio, probabilità di acquisto da 0 a 100, o una scala di preferenza da 1 a 7. Produce dati continui, è semplice da analizzare e impone meno carico cognitivo ai respondenti rispetto a fare ripetute scelte binarie.

La conjoint choice-based (CBC) presenta ai respondenti un set di profili e chiede di sceglierne uno — o nessuno. La CBC è considerata più realistica perché rispecchia una decisione d'acquisto reale. La stima Hierarchical Bayes (HB) è il metodo di analisi standard per la CBC, poiché recupera le part-worth a livello individuale da un numero gestibile di task di scelta per respondente.

Cosa supporta Explonia: entrambe. Puoi disegnare la struttura degli attributi, generare un set bilanciato e D-efficient di profili o task di scelta, raccogliere risposte e stimare part-worth e importanza degli attributi all'interno della stessa piattaforma — conjoint ratings-based (utility da regressione) e conjoint choice-based (CBC) con hierarchical Bayes (HB) per part-worth a livello individuale, oltre a un simulatore di mercato e segmentazione post-hoc.

Per la maggior parte degli studi accademici sui consumatori, la conjoint ratings-based è più semplice da somministrare e risponde bene alla domanda sui trade-off. Scegli la CBC/HB quando ti servono choice share, un simulatore di mercato o part-worth a livello individuale per la segmentazione.

Carico per il respondente e numero di profili

Uno studio conjoint ratings-based presenta tipicamente da 12 a 25 profili per respondente. Con 3 attributi e 3 livelli ciascuno, hai 27 profili possibili (3³). Un disegno fattoriale frazionario lo riduce a un sottoinsieme gestibile — di solito da 9 a 18 — pur consentendo la stima di tutti gli effetti principali.

La maggior parte dei respondenti può valutare in modo affidabile fino a 15-20 profili prima che subentri l'affaticamento. Se il tuo disegno ne produce più di così, considera un disegno between-subjects: respondenti diversi vedono sottoinsiemi diversi di profili, e le stime vengono aggregate tra i sottoinsiemi. Per la pianificazione della dimensione del campione specifica per gli studi conjoint, vedi di quanti partecipanti ho bisogno →. Per reclutare il tuo campione target da un panel online, vedi come reclutare partecipanti su Prolific →.

Cosa puoi concludere

Le stime part-worth di uno studio conjoint ti dicono qualcosa sulla preferenza relativa all'interno dei livelli degli attributi che hai incluso. Non:

• Predicono la quota di mercato reale senza un modello di simulazione separato.
• Si generalizzano ad attributi o livelli che non hai incluso nel disegno.
• Ti dicono come le persone si comporteranno davvero. La conjoint è un esperimento disegnato, quindi le part-worth riflettono l'effetto causale dei livelli degli attributi sulla preferenza dichiarata all'interno del task — ma la preferenza dichiarata in un'indagine non è la stessa cosa dell'acquisto reale, e le stime non dicono nulla sui driver al di fuori degli attributi che hai fatto variare.

Dichiara chiaramente questi limiti nei tuoi metodi e nella discussione. Una frase come "Le part-worth utility riflettono la preferenza relativa all'interno dello spazio degli attributi valutati e non costituiscono una simulazione di mercato" è onesta e facile da difendere.

Disegna il tuo studio con il conjoint designer

Il conjoint designer di Explonia (/tools/conjoint-designer/) ti guida nell'inserimento di attributi e livelli e costruisce un disegno bilanciato e D-efficient per conjoint ratings-based, choice-based (CBC) o a ranking, poi mostra l'anteprima dell'indagine come la vedrà un respondente. Puoi sfogliare gli esempi conjoint dal vivo →. Una volta raccolti i dati, l'analisi part-worth, l'importanza degli attributi e — per la CBC/HB — il simulatore di mercato e la segmentazione girano nella stessa piattaforma — vedi come funziona la conjoint analysis →.

Errori comuni da evitare

• Includere più di 6 attributi, il che crea affaticamento e rende le stime meno stabili.
• Usare livelli estremi o irrealistici — un prezzo di €0 o €5.000 per un articolo di drogheria distorce le part-worth.
• Scegliere la conjoint per uno studio in cui una semplice domanda di rating dell'importanza risponderebbe alla domanda di ricerca.
• Trattare la conjoint ratings-based e choice-based come equivalenti — la struttura dei dati, il metodo di analisi e gli output differiscono.
• Rivendicare previsioni di quota di mercato dalle part-worth utility senza un modello di simulazione adeguato.

Domande frequenti

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.

Come Explonia fa questo per te

Explonia supporta la conjoint ratings-based, choice-based (CBC/HB) e a ranking dal disegno alla stima delle part-worth: definisci attributi e livelli, genera un set di profili bilanciato e D-efficient, raccogli risposte e leggi part-worth e importanza degli attributi senza lasciare la piattaforma. La CBC/HB aggiunge un simulatore di mercato e la segmentazione post-hoc. Il conjoint designer è in /tools/conjoint-designer/. Rigor, made runnable.

Stai pianificando uno studio conjoint? Disegna la tua struttura di attributi e analizza le part-worth nello stesso strumento dove esegui le tue altre analisi. Inizia gratis →