"El producto A puntuó 4,2/5, el producto B puntuó 4,1/5. Lancemos el A." Termina la reunión. ¿El producto que de hecho se vendió? B. Quien haya trabajado en investigación de marketing ha vivido este error de juicio. La razón es simple: las evaluaciones monádicas de pregunta única no miden la preferencia. Los consumidores que califican A y B como "buenos" toman la decisión real de compra a partir de trade-offs entre precio, packaging y características.
El método estadístico que mide esos trade-offs es el análisis conjoint. Esta entrada recorre qué resuelve el conjoint, los tres formatos principales y cuándo usar cada uno, diseño de atributos y niveles, dimensionamiento de muestra, cómo interpretar resultados, los obstáculos editoriales y cómo implementar conjoint en una herramienta de encuestas. Es un método central de la investigación de marketing y, sin embargo, los contenidos prácticos rigurosos en español son sorprendentemente escasos.
1. Qué resuelve el análisis conjoint
Por qué la evaluación monádica no captura la preferencia
Una pregunta de 5 puntos como "¿Qué tan interesado estás en el producto A?" mide cuánto gusta cuando el ítem se muestra solo — evaluación monádica. El problema es que las compras reales no se hacen aisladas; se hacen a través de trade-offs.
Ejemplo: elección de portátil
- A: alto rendimiento, pesado, caro
- B: rendimiento medio, ligero, precio medio
- C: bajo rendimiento, ligero, barato
En evaluación monádica, A suele puntuar más alto (a todo el mundo le gusta el "alto rendimiento"). Pero añade las restricciones "+50.000 yenes" o "+500 g" y las preferencias cambian drásticamente.
Por qué el conjoint se volvió estándar de la industria
Green & Srinivasan (1990) Conjoint Analysis in Marketing sistematizó el conjoint como método para medir estadísticamente trade-offs entre múltiples atributos. Se usa ampliamente en marketing, economía y políticas públicas, y predice el comportamiento real de compra mejor que la evaluación monádica en comparaciones empíricas repetidas.
Aplicaciones prácticas comunes:
- Test de concepto de nuevo producto: qué combinaciones de atributos son elegidas
- Estrategia de pricing: elasticidad de precio y puntos de precio óptimos
- Optimización de packaging: qué elementos importan más
- Posicionamiento: atractivo relativo vs. competidores
2. Tres formatos principales — y cuándo usar cada uno
El conjoint viene en tres formatos principales. Eliges según propósito y tamaño de muestra.
Formato 1: Conjoint Full-Profile
Mostrar tarjetas (perfiles) que contienen todos los atributos; los respondentes los rankean o evalúan. El método clásico.
- Diseño: 8–16 tarjetas × todos los atributos
- Carga del respondente: media a alta
- N: 100–300
- Fortalezas: intuitivo, estimación directa de utilidad
- Debilidades: la carga cognitiva crece rápido al aumentar atributos (5–6 es el tope práctico)
Formato 2: Choice-Based Conjoint (CBC)
Múltiples tareas de elección donde los respondentes eligen "cuál escogerías" entre 2–4 alternativas. El enfoque moderno dominante.
- Diseño: 8–15 tareas × 2–4 alternativas por tarea
- Carga del respondente: media
- N: 200–500 (utilidades agregadas), 500–1.000 (modelos HB)
- Fortalezas: más cercano a la compra real, soporta simulación de share-of-preference
- Debilidades: diseño y análisis complejos (diseño ortogonal + bayes jerárquico)
Louviere, Hensher, & Swait (2000) Stated Choice Methods estableció la base teórica de utilidad aleatoria.
Formato 3: MaxDiff (Maximum Difference Scaling)
Elegir "el más importante / el menos importante" de 4–5 ítems por tarea. Especializado en medición de importancia.
- Diseño: cada tarea empareja "best/worst" de 4–5 ítems
- Carga del respondente: baja
- N: 200–500
- Fortalezas: escala de ranking limpia, maneja muchos ítems (10–30)
- Debilidades: no apto para simulación de precio o atributos numéricos
Cuándo usar cada uno
| Objetivo | Recomendado | N típico |
|---|---|---|
| Predecir sensibilidad al precio / intención de compra | CBC | 500 |
| Rankear importancia entre muchos ítems | MaxDiff | 300 |
| Medir utilidad en pocos atributos (4–5) | Full-Profile o CBC | 200 |
| Simulación de share | CBC + HB | 500–1.000 |
En la práctica CBC es 70–80%, MaxDiff 20–30%, full-profile es raro en uso moderno.
3. Diseñar atributos y niveles
La calidad del conjoint se determina por el diseño. Si fallas atributos y niveles, ningún N rescata los resultados.
Número de atributos
- CBC: 4–7 atributos es el estándar; 8+ degrada la calidad por carga cognitiva
- Full-Profile: 4–5 atributos es el tope
- MaxDiff: 10–30 "ítems" funciona
Niveles por atributo
2–5 niveles por atributo. 3–4 es lo más común.
Ejemplo: conjoint de smartwatch
| Atributo | Niveles |
|---|---|
| Precio | 299 / 799 |
| Batería | 1 día / 3 días / 7 días |
| Salud | Frecuencia cardiaca / + sueño / + sueño + estrés |
| Marca | Marca A / Marca B / Marca C / Nuestra marca |
→ 4 × 3 × 3 × 4 = 144 perfiles teóricos. El diseño ortogonal comprime a 12–16 tareas.
Diseño ortogonal
Método estadístico para minimizar la correlación entre atributos. El paquete AlgDesign de R y Sawtooth Software son las herramientas estándar.
En la práctica: define atributos y niveles, la herramienta genera el set de tareas automáticamente. La teoría detallada de ortogonalidad no es necesaria para operar, pero prestar atención a las advertencias de la herramienta sobre integridad del diseño sí lo es.
Cuidados con el diseño de atributos
- Independencia: si "marca" y "rango de precio" están correlacionados en el mercado real, el supuesto del conjoint se rompe
- Rangos realistas: niveles de precio fuera de la realidad del mercado producen respuestas absurdas
- Punto óptimo: 5–6 atributos × 3–4 niveles equilibra carga cognitiva y poder analítico
4. Guía de tamaño de muestra
El contenido informativo del conjoint es tareas × N, así que requiere menos respondentes que los métodos monádicos.
Guía de tamaño de muestra para CBC
| Profundidad de análisis | N recomendado |
|---|---|
| Utilidades agregadas | 200–300 |
| Utilidades por segmento (atributo × edad, etc.) | 200/celda → 600–800 |
| Bayes jerárquico (HB) para utilidades individuales | 500–1.000 |
| Simulación de share (predicción de mercado) | 500–1.500 |
Orme (2010) Getting Started with Conjoint Analysis y la regla de la industria de Sawtooth Software: N=300 es el piso práctico para CBC.
Síntomas de N insuficiente
- Errores estándar de utilidades demasiado grandes para comparar atributos
- El modelo HB no converge
- Alta varianza en simulaciones de share por segmento
Para fundamentos de diseño de muestra ver cómo calcular el tamaño de muestra y agregación y prueba de significancia.
5. Interpretación — utilidades, importancia, simulación de share
Los outputs del conjoint se traducen a la práctica con tres números clave.
Utilidades parciales (part-worths)
Cuánto contribuye cada nivel de atributo a la preferencia, cuantificado.
Ejemplo (smartwatch):
| Nivel | Utilidad parcial |
|---|---|
| Precio $199 | +1,2 |
| Precio $299 | +0,4 |
| Precio $499 | −0,8 |
| Precio $799 | −0,8 |
| Batería 1 día | −0,5 |
| Batería 3 días | +0,0 |
| Batería 7 días | +0,5 |
Suma las utilidades parciales para calcular la fuerza de preferencia de cualquier perfil.
Importancia relativa
La cuota de cada atributo en la influencia sobre la preferencia. Calcula "utilidad máx − utilidad mín" por atributo, normaliza al 100%.
Ejemplo:
- Precio: 35%
- Batería: 25%
- Salud: 20%
- Marca: 20%
Un input de decisión directo: "el precio es lo más importante; salud y marca pesan igual."
Share of preference
La cuota de elección que cada perfil recibiría compitiendo contra otros.
Ejemplo: nuestro nuevo producto X vs. competidor A vs. competidor B
- Nuestro X ($499, 5 días de batería): 42% share
- Competidor A: 31%
- Competidor B: 27%
"Bajar nuestro X a $399 sube el share a 55%" — simulaciones precio-share como esta son el output más valorado del conjoint.
Bayes jerárquico (HB)
Estima utilidades parciales a nivel individual en vez de agregadas. Train (2009) Discrete Choice Methods with Simulation sistematizó la metodología.
- Fortalezas: mejor predicción individual de share, segmentación más precisa
- N requerido: 500–1.000
- Herramientas: Sawtooth Software CBC/HB, R
bayesm, PythonChoice-Models
6. Visión editorial — cinco obstáculos del conjoint
De la literatura y la práctica, las cinco cosas que defenderíamos con más fuerza.
1. "Mete más atributos sin más" es la mayor explosión. El número de atributos eleva la carga cognitiva del respondente exponencialmente, disparando satisficing — elegir la opción del medio en cada tarea. 4–6 atributos es el techo realista de CBC. Resistir el "metamos también..." es la disciplina más importante para mantener la credibilidad del resultado. El mismo mecanismo se documenta en nuestro pitfalls de redacción — alta carga cognitiva rompe la calidad de datos.
2. Niveles de precio fuera de la realidad de mercado rompen el resultado. Precios de 999 producen solo la respuesta obvia ("el precio es lo más importante"). Manténte dentro de ±20–30% del rango real y mira sensibilidad al precio por segmento.
3. Atención a las correlaciones de atributos en el mercado real. En un mercado donde "marca" y "rango de precio" correlacionan (lujo = alto precio), un diseño ortogonal genera perfiles que no existen en la realidad (lujo × bajo precio), confundiendo respondentes. Excluye combinaciones irreales en el momento del diseño o corrige vía HB post-hoc.
4. No leas las simulaciones de share como absolutos. La simulación de share destaca en comparación relativa, no en predicción absoluta. "42% share en conjoint = 42% de ventas reales" es una mala lectura. Las compras reales involucran frecuencia, distribución y conocimiento publicitario también. Lee shares como "cuánto se mueve respecto al estado actual", no como pronósticos independientes.
5. No uses MaxDiff para sensibilidad al precio. MaxDiff es la herramienta correcta para ranking de importancia pero incorrecta para utilidad sobre precio o atributos numéricos. "¿Qué función importa más?" → MaxDiff. "¿Cuál es la sensibilidad al precio?" → CBC. Mezclarlos — usar MaxDiff para medir precio — rompe la simulación de share.
7. Implementar conjoint en la herramienta de encuestas Kicue
Encuadre honesto: Kicue no es una herramienta dedicada al conjoint. El análisis conjoint a nivel productivo se corre mejor en Sawtooth Software / Conjointly / Qualtrics CoreXM.
Dicho eso, una implementación simplificada de conjoint es factible en Kicue.
CBC simplificado en Kicue
- Usa preguntas SCREEN para implementar tarea por tarea "elige entre 2–4 alternativas"
- Usa skip logic y parámetros de URL para randomización de tareas
- Exporta vía exportación de datos crudos y analiza con
mlogit(R) oxlogit(Python)
Lo que Kicue no hace nativamente
- Generación de diseño ortogonal: pre-genera sets de tareas en Sawtooth o R
support.CEs, luego importa en Kicue - Estimación bayes jerárquico: corre vía
bayesmen R / Python tras export - Simuladores de share: dashboards construidos en Tableau / Power BI
Guía de herramientas por caso de uso
| Caso de uso | Herramienta recomendada |
|---|---|
| Investigación académica / marketing research productivo | Sawtooth Software CBC/HB |
| Investigación empresarial mediana | Conjointly / Qualtrics CoreXM |
| Ligero / con presupuesto limitado | Kicue + post-procesamiento R/Python |
Kicue funciona bien para "pruebas de prototipo de conjoint", "screening de atributos previo al conjoint" y "alternativas de ranking de importancia tipo MaxDiff". Para producción completa, apunta a herramientas especializadas.
Elegir la herramienta correcta — Los límites del plan gratuito, soporte de ramificación, capacidades IA y exportación CSV varían mucho entre herramientas. Consulta nuestra comparativa de herramientas de encuestas gratuitas para encontrar la adecuada para este enfoque.
Resumen
Checklist de análisis conjoint:
- La evaluación monádica no captura la preferencia — el conjoint analiza estadísticamente trade-offs.
- Tres formatos: CBC (mainstream) / MaxDiff (ranking de importancia) / Full-Profile (clásico).
- 4–6 atributos × 2–5 niveles es el sweet spot carga cognitiva / poder analítico.
- Tamaños de muestra CBC: 200–300 (agregado) / 500–1.000 (HB) / 500–1.500 (predicción de share).
- Tres números a leer: utilidades parciales / importancia relativa / simulación de share.
- Cinco obstáculos: demasiados atributos / precios irreales / correlación de atributos / lectura absoluta de share / mal uso de MaxDiff.
- Kicue sirve para prototipos simplificados; producción se corre en Sawtooth / Conjointly / Qualtrics.
El conjoint es un método "80% diseño, 20% análisis". Invierte tiempo en diseño de atributos-niveles y plan de muestreo, e incluso N=300 produce números a nivel decisión. Como skill central de marketing research, es de alto apalancamiento en CX / EX / desarrollo de producto.
Referencias
Académicas y metodológicas
- Green, P. E., & Srinivasan, V. (1990). Análisis conjoint en marketing: nuevos desarrollos con implicaciones para investigación y práctica. Journal of Marketing, 54(4), 3–19.
- Louviere, J. J., Hensher, D. A., & Swait, J. D. (2000). Stated Choice Methods: Analysis and Applications. Cambridge University Press.
- Train, K. E. (2009). Discrete Choice Methods with Simulation (2ª ed.). Cambridge University Press.
- Orme, B. (2010). Getting Started with Conjoint Analysis: Strategies for Product Design and Pricing Research. Research Publishers LLC.
- Rao, V. R. (2014). Applied Conjoint Analysis. Springer.
Organismos de estándares y centros metodológicos
- Sawtooth Software: Methodology Papers and Conferences.
- AAPOR (American Association for Public Opinion Research): Standard Definitions.
Guías del sector (a título de observación)
¿Quieres prototipar conjoint? Prueba Kicue — una herramienta de encuestas online gratuita. Preguntas SCREEN, skip logic, parámetros de URL y exportación de datos crudos vienen de fábrica, así que la conexión con herramientas externas (R / Python / Sawtooth) es fluida.