« Le produit A a noté 4,2/5, le produit B 4,1/5. Lançons A. » Fin de réunion. Le produit qui s'est réellement vendu ? B. Quiconque a travaillé en marketing research a vécu cette erreur de jugement. La raison est simple : les évaluations monadiques à question unique ne mesurent pas la préférence. Les consommateurs qui notent A et B comme « bons » prennent leur décision d'achat réelle via des trade-offs entre prix, packaging et fonctionnalités.
La méthode statistique qui mesure ces trade-offs est l'analyse conjoint. Cet article parcourt ce que résout le conjoint, les trois formats principaux et quand utiliser lequel, la conception attribut-niveau, le dimensionnement de l'échantillon, comment interpréter les résultats, les pièges éditoriaux et comment implémenter le conjoint dans un outil de sondage. C'est une méthode centrale en marketing research, pourtant les contenus pratiques rigoureux en français sont étonnamment rares.
1. Ce que résout l'analyse conjoint
Pourquoi l'évaluation monadique ne capture pas la préférence
Une question 5 points comme « À quel point êtes-vous intéressé par le produit A ? » mesure l'attrait quand l'item est vu seul — évaluation monadique. Le problème est que les achats réels ne se font pas isolés ; ils se font via des trade-offs.
Exemple : choix d'ordinateur portable
- A : haute performance, lourd, cher
- B : performance moyenne, léger, prix moyen
- C : faible performance, léger, peu cher
En évaluation monadique, A obtient typiquement la note la plus haute (tout le monde « aime » la haute performance). Mais ajoutez les contraintes « +50 000 yens » ou « +500 g » et les préférences changent dramatiquement.
Pourquoi le conjoint est devenu standard de l'industrie
Green & Srinivasan (1990) Conjoint Analysis in Marketing a systématisé le conjoint comme méthode pour mesurer statistiquement les trade-offs entre attributs multiples. Largement utilisée en marketing, économie et politiques publiques, elle prédit le comportement d'achat réel mieux que l'évaluation monadique dans des comparaisons empiriques répétées.
Applications pratiques courantes :
- Test de concept de nouveau produit : quelles combinaisons d'attributs sont choisies
- Stratégie de prix : élasticité-prix et points de prix optimaux
- Optimisation de packaging : quels éléments comptent le plus
- Positionnement : attractivité relative vs concurrents
2. Trois formats principaux — et quand utiliser lequel
Le conjoint vient en trois formats principaux. Choisissez selon objectif et taille d'échantillon.
Format 1 : Conjoint Full-Profile
Montrer des cartes (profils) contenant tous les attributs ; les répondants les classent ou les notent. La méthode classique.
- Conception : 8–16 cartes × tous les attributs
- Charge répondant : moyenne à élevée
- N : 100–300
- Forces : intuitif, estimation directe d'utilité
- Faiblesses : la charge cognitive grandit vite avec le nombre d'attributs (5–6 est le plafond pratique)
Format 2 : Choice-Based Conjoint (CBC)
Tâches de choix multiples où les répondants choisissent « lequel choisiriez-vous » parmi 2–4 alternatives. L'approche moderne dominante.
- Conception : 8–15 tâches × 2–4 alternatives par tâche
- Charge répondant : moyenne
- N : 200–500 (utilités agrégées), 500–1 000 (modèles HB)
- Forces : plus proche de l'achat réel, supporte la simulation de share-of-preference
- Faiblesses : conception et analyse complexes (design orthogonal + bayes hiérarchique)
Louviere, Hensher, & Swait (2000) Stated Choice Methods a établi la base théorique d'utilité aléatoire.
Format 3 : MaxDiff (Maximum Difference Scaling)
Choisir « le plus important / le moins important » parmi 4–5 items par tâche. Spécialisé en mesure d'importance.
- Conception : chaque tâche apparie « best/worst » parmi 4–5 items
- Charge répondant : faible
- N : 200–500
- Forces : échelle de classement claire, gère beaucoup d'items (10–30)
- Faiblesses : pas adapté à la simulation de prix ou d'attributs numériques
Quand utiliser lequel
| Objectif | Recommandé | N typique |
|---|---|---|
| Prédire la sensibilité au prix / l'intention d'achat | CBC | 500 |
| Classer l'importance entre nombreux items | MaxDiff | 300 |
| Mesure d'utilité sur peu d'attributs (4–5) | Full-Profile ou CBC | 200 |
| Simulation de share | CBC + HB | 500–1 000 |
En pratique CBC est 70–80 %, MaxDiff 20–30 %, full-profile est rare dans l'usage moderne.
3. Concevoir attributs et niveaux
La qualité du conjoint est déterminée par la conception. Ratez attributs et niveaux, et aucun N ne sauve les résultats.
Nombre d'attributs
- CBC : 4–7 attributs est standard ; 8+ dégrade la qualité par charge cognitive
- Full-Profile : 4–5 attributs est le plafond
- MaxDiff : 10–30 « items » fonctionne
Niveaux par attribut
2–5 niveaux par attribut. 3–4 est le plus courant.
Exemple : conjoint smartwatch
| Attribut | Niveaux |
|---|---|
| Prix | 199 € / 299 € / 499 € / 799 € |
| Batterie | 1 jour / 3 jours / 7 jours |
| Santé | Cardio / + sommeil / + sommeil + stress |
| Marque | Marque A / Marque B / Marque C / Notre marque |
→ 4 × 3 × 3 × 4 = 144 profils théoriques. Le design orthogonal comprime à 12–16 tâches.
Design orthogonal
Méthode statistique pour minimiser la corrélation entre attributs. Le package AlgDesign de R et Sawtooth Software sont les outils standards.
En pratique : définissez attributs et niveaux, l'outil génère le set de tâches automatiquement. La théorie détaillée d'orthogonalité n'est pas requise pour opérer, mais prêter attention aux avertissements de l'outil sur l'intégrité du design l'est.
Précautions de conception d'attributs
- Indépendance : si « marque » et « gamme de prix » sont corrélés dans le marché réel, l'hypothèse du conjoint se brise
- Plages réalistes : niveaux de prix très éloignés de la réalité du marché produisent des réponses absurdes
- Sweet spot : 5–6 attributs × 3–4 niveaux équilibre charge cognitive et puissance analytique
4. Guide de taille d'échantillon
Le contenu informatif du conjoint est tâches × N, donc il demande moins de répondants que les méthodes monadiques.
Guide de taille d'échantillon CBC
| Profondeur d'analyse | N recommandé |
|---|---|
| Utilités agrégées | 200–300 |
| Utilités par segment (attribut × âge, etc.) | 200/cellule → 600–800 |
| Bayes hiérarchique (HB) pour utilités individuelles | 500–1 000 |
| Simulation de share (prédiction de marché) | 500–1 500 |
Orme (2010) Getting Started with Conjoint Analysis et la règle de l'industrie de Sawtooth Software : N=300 est le plancher pratique pour CBC.
Symptômes de N insuffisant
- Erreurs standards des utilités trop grandes pour comparer attributs
- Le modèle HB ne converge pas
- Forte variance dans les simulations de share par segment
Pour les fondamentaux du dimensionnement d'échantillon, voir comment calculer la taille d'échantillon et agrégation et test de significativité.
5. Interprétation — utilités, importance, simulation de share
Les outputs du conjoint se traduisent en pratique par trois nombres clés.
Utilités partielles (part-worths)
Combien chaque niveau d'attribut contribue à la préférence, quantifié.
Exemple (smartwatch) :
| Niveau | Utilité partielle |
|---|---|
| Prix 199 € | +1,2 |
| Prix 299 € | +0,4 |
| Prix 499 € | −0,8 |
| Prix 799 € | −0,8 |
| Batterie 1 jour | −0,5 |
| Batterie 3 jours | +0,0 |
| Batterie 7 jours | +0,5 |
Sommez les utilités partielles pour calculer la force de préférence d'un profil quelconque.
Importance relative
La part de chaque attribut dans l'influence sur la préférence. Calculez « utilité max − utilité min » par attribut, normalisez à 100 %.
Exemple :
- Prix : 35 %
- Batterie : 25 %
- Santé : 20 %
- Marque : 20 %
Un input de décision direct : « le prix est le plus important ; santé et marque pèsent autant. »
Share of preference
La part de choix que chaque profil recevrait en compétition.
Exemple : notre nouveau produit X vs concurrent A vs concurrent B
- Notre X (499 €, batterie 5 jours) : 42 % de share
- Concurrent A : 31 %
- Concurrent B : 27 %
« Baisser notre X à 399 € fait monter le share à 55 % » — les simulations prix-share comme celle-ci sont l'output le plus valorisé du conjoint.
Bayes hiérarchique (HB)
Estime des utilités partielles au niveau individuel plutôt qu'agrégées. Train (2009) Discrete Choice Methods with Simulation a systématisé la méthodologie.
- Forces : meilleure prédiction individuelle de share, segmentation plus précise
- N requis : 500–1 000
- Outils : Sawtooth Software CBC/HB, R
bayesm, PythonChoice-Models
6. Vue éditoriale — cinq pièges du conjoint
De la littérature et de la pratique, les cinq sur lesquels nous insisterions le plus.
1. « Mettre plus d'attributs au cas où » est la plus grosse explosion. Le nombre d'attributs fait monter la charge cognitive du répondant exponentiellement, déclenchant satisficing — choisir l'option du milieu à chaque tâche. 4–6 attributs est le plafond réaliste de CBC. Résister au « ajoutons aussi… » est la discipline la plus importante pour préserver la crédibilité du résultat. Le même mécanisme est documenté dans nos pièges de rédaction — charge cognitive élevée casse la qualité des données.
2. Niveaux de prix hors réalité de marché cassent le résultat. Prix à 19 € vs 999 € produisent seulement la réponse évidente (« le prix est le plus important »). Restez dans ±20–30 % de la fourchette réelle et regardez la sensibilité au prix par segment.
3. Attention aux corrélations d'attributs dans le marché réel. Dans un marché où « marque » et « gamme de prix » sont corrélés (luxe = haut prix), un design orthogonal génère des profils qui n'existent pas dans la réalité (luxe × bas prix), confondant les répondants. Excluez les combinaisons irréalistes au moment du design ou corrigez via HB post-hoc.
4. Ne lisez pas les simulations de share comme des absolus. La simulation de share excelle en comparaison relative, pas en prédiction absolue. « 42 % de share conjoint = 42 % de ventes réelles » est une mauvaise lecture. Les achats réels impliquent fréquence d'achat, distribution et notoriété publicitaire aussi. Lisez les shares comme « combien ça bouge par rapport à l'état actuel », pas comme des prévisions autonomes.
5. N'utilisez pas MaxDiff pour la sensibilité au prix. MaxDiff est le bon outil pour le classement d'importance mais mauvais pour l'utilité sur prix ou attributs numériques. « Quelle fonction compte le plus ? » → MaxDiff. « Quelle est la sensibilité au prix ? » → CBC. Les mélanger — utiliser MaxDiff pour mesurer le prix — casse la simulation de share.
7. Implémenter le conjoint dans l'outil de sondage Kicue
Cadrage honnête : Kicue n'est pas un outil dédié au conjoint. L'analyse conjoint en production se fait mieux dans Sawtooth Software / Conjointly / Qualtrics CoreXM.
Cela dit, une implémentation simplifiée de conjoint est faisable dans Kicue.
CBC simplifié dans Kicue
- Utilisez les questions SCREEN pour implémenter tâche par tâche « choisissez parmi 2–4 alternatives »
- Utilisez skip logic et paramètres d'URL pour la randomisation des tâches
- Exportez via export de données brutes et analysez avec
mlogit(R) ouxlogit(Python)
Ce que Kicue ne fait pas nativement
- Génération de design orthogonal : pré-générez les sets de tâches dans Sawtooth ou R
support.CEs, puis importez dans Kicue - Estimation bayes hiérarchique : exécutez via
bayesmen R / Python après export - Simulateurs de share : dashboards construits dans Tableau / Power BI
Guide d'outils par cas d'usage
| Cas d'usage | Outil recommandé |
|---|---|
| Recherche académique / marketing research production | Sawtooth Software CBC/HB |
| Recherche entreprise de taille moyenne | Conjointly / Qualtrics CoreXM |
| Léger / contraint budgétairement | Kicue + post-traitement R/Python |
Kicue marche bien pour « prototypes d'essai conjoint », « screening d'attributs pré-conjoint » et « alternatives de classement d'importance type MaxDiff ». Pour la production complète, pointez vers les outils spécialisés.
Choisir le bon outil — Les limites du plan gratuit, le support du branchement, les capacités IA et l'export CSV varient beaucoup entre outils. Consultez notre comparatif des outils de sondage gratuits pour trouver le bon pour cette approche.
Récapitulatif
Checklist d'analyse conjoint :
- L'évaluation monadique ne capture pas la préférence — le conjoint analyse statistiquement les trade-offs.
- Trois formats : CBC (mainstream) / MaxDiff (classement d'importance) / Full-Profile (classique).
- 4–6 attributs × 2–5 niveaux est le sweet spot charge cognitive / puissance analytique.
- Tailles d'échantillon CBC : 200–300 (agrégé) / 500–1 000 (HB) / 500–1 500 (prédiction de share).
- Trois nombres à lire : utilités partielles / importance relative / simulation de share.
- Cinq pièges : trop d'attributs / prix irréalistes / corrélation d'attributs / lecture absolue de share / mauvais usage de MaxDiff.
- Kicue convient aux prototypes simplifiés ; la production tourne sur Sawtooth / Conjointly / Qualtrics.
Le conjoint est une méthode « 80 % design, 20 % analyse ». Investissez du temps dans la conception attribut-niveau et le plan d'échantillonnage, et même N=300 produit des nombres au niveau décision. Comme skill central de marketing research, c'est à fort levier sur CX / EX / développement produit.
Références
Académiques et méthodologiques
- Green, P. E., & Srinivasan, V. (1990). Analyse conjoint en marketing : nouveaux développements avec implications pour la recherche et la pratique. 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 (2e éd.). 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.
Organismes de standards et centres méthodologiques
- Sawtooth Software: Methodology Papers and Conferences.
- AAPOR (American Association for Public Opinion Research): Standard Definitions.
Guides du secteur (à titre d'observation)
Vous voulez prototyper du conjoint ? Essayez Kicue — un outil de sondage en ligne gratuit. Questions SCREEN, skip logic, paramètres d'URL et export de données brutes en standard, donc la connexion vers les outils externes (R / Python / Sawtooth) est fluide.