コンジョイント分析とは？ コンジョイントの種類と使い方
適応型コンジョイント分析
適応型コンジョイント分析は、回答者の好みに基づいて提示する選択肢を変化させます。 この適応は、回答者が最も好む機能とレベルをターゲットとし、それによってコンジョイント演習をより効率的にし、ほとんどあるいは全くアピールしないレベルの質問を無駄にしないようにします。
適応型コンジョイント分析は、多くの場合、調査対象者にとってより魅力的であり、より適切なデータを生成することができます。 コンジョイント分析の測定基準やシミュレーションの力を弱めることなく、調査時間を短縮することができます。 コンジョイント・シナリオを回答者に適合させる方法は複数ある． 最も一般的には，最も重要な機能レベルに基づいて設計される． 各パッケージが評価のために提示されると，調査はその選択を考慮し，次の質問をより効率的にする． 完全プロファイルと特徴量評価の組み合わせは，ハイブリッド・コンジョイント分析と呼ばれる．
選択ベース・コンジョイント
選択ベース・コンジョイント分析（CBC）（離散選択コンジョイント分析としても知られている）は，コンジョイント分析で最も一般的な形式である． 選択ベース・コンジョイントは，回答者が最も好ましいフルプロファイルの概念を選択することを要求する． この選択は，3～5個の完全プロファイル概念のセットから繰り返し行われる．
この選択活動は，実際の購買状況をシミュレートし，それによって実際の購買行動を模倣すると考えられている． 属性の特徴やレベルに対する重要性や嗜好性は、利用可能な選択肢の中から1つ（または1つも）を選択する際に行われるトレードオフから数学的に推論することが可能である。 選択ベースのコンジョイント・デザインは，特徴とレベルの数に左右される． 多くの場合，その数は大きく，回答者の疲労を避けるために実験的デザインが実施される．
選択ベースコンジョイント分析の出力は、特に価格に関して、特徴の重要性の優れた推定を提供します。 結果は、各レベルの価値と最適な製品を構成する組み合わせを推定することができます。 シミュレータは，選択されたパッケージの嗜好と価値，および期待される選択シェア（市場シェアの代理）を報告する．
Self-Explicated Conjoint Analysis
Self-explicated conjoint analysis offers a simple but surprisingly robust approach that is easy to implement and no development of full-profile concept. 自己限定コンジョイント分析は、製品の様々な属性の評価に焦点を当てたハイブリッドなアプローチである。 このコンジョイント分析モデルは，特徴の束に対する好みではなく，各特徴レベルに対する好みについて明示的に質問する。
アプローチは異なるが，好み効用に関する高品質の推定値を生成するという点で結果はやはり同じである。
- まず、ACAと同様に、因子とレベルが回答者に提示され、どのような条件下でも製品に受け入れられない場合は排除される
- それぞれの特徴について、回答者は最も好むレベルと最も好まないレベルを選ぶ
- 次に、それぞれの特徴の残りのレベルが、最も好むレベルと最も好まないレベルに関連して評価される
- 最後に、全体の特徴が彼らの好みでどれくらい重要であるかを測定する。 各属性の最も好ましいレベルの相対的重要度は、定和尺度（各属性の最も好ましいレベル間に100点を割り当てる）を用いて測定する。
- そして、属性レベルの望ましさのスコアを属性重要度で重み付けして、各属性レベルの効用値を出す。
自己抽出コンジョイント分析は、他の多くのコンジョイント手法で必要となる統計解析や発見的論理が不要である。 このアプローチは，完全プロファイル・アプローチと同等かそれ以上の結果を提供することが示されており，回答者への要求もより少ない． 自己暗示コンジョイント分析には，価格と他の属性バンドルとのトレードオフができないなど，いくつかの限界がある．
Max-Diff Conjoint Analysis
Max-Diff conjoint analysisは，最高/最好および最悪/最少のシナリオで選択されるパッケージの品揃えを提示する． 回答者は、リストの中で最良と最悪の項目をすぐに示すことができますが、しばしば「中間点」に対する感情を読み解くのに苦労します。 Max-Diffは，消費者が比較判断を行う際によく訓練されているため，しばしば取り組みやすいタスクである。
Max-Diff conjoint analysisは，決定タスクが製品選択の評価である場合，理想的な方法論である． 実験計画は、アイテムのセットをバランスさせ、適切に表現するために採用される。 Max-Diffの分析には、以下のようないくつかのアプローチがあります。 階層ベイズ・コンジョイント・モデリングによる効用スコアの推定，ベスト/ワースト・カウンティング分析，TURF 分析などである． HBは、データ収集タスクが非常に大きく、回答者がすべての属性レベルの選好評価を合理的に提供できないような状況で特に有用である。 各個人の属性レベル効用を推定する手順の一部として、階層ベイズは、個々の回答者の測定を変動の大きい属性に集中させ、属性レベルの変動が小さい場合にはサンプルの属性レベル平均を使用する。 このアプローチでも、各回答者から収集したより少ないデータ量で、より多くの属性とレベルを推定することができます。
Conjoint is a Highly Effective Analysis Technique
Conjoint analysis methodology has withstood intense scrution from both academists and professional researchers for more than 30 years. 消費財、耐久消費財、医薬品、輸送、およびサービス産業で広く使用されており、研究ツールキットの定番となるべきものです。 コンジョイント分析についてもっと知りたい方は、eBookをご覧ください。