「新商品 A は 4.2 点、新商品 B は 4.1 点。A を投入すべき」という結論で会議が終わった。実際に売れたのは B だった——マーケティングリサーチの現場で、誰もが一度は経験する誤判断です。原因は単純で、単問評価（モナディック評価）は人の選好を測れない。「A も B も悪くない」と評価した消費者が、店頭でどちらを選ぶかは、価格・パッケージ・機能の トレードオフ で決まります。
このトレードオフを統計的に測るのが コンジョイント分析（Conjoint Analysis）。本稿では、コンジョイント分析が解決する問題、主要 3 形式の使い分け、属性レベルの設計、サンプルサイズ、結果の解釈、編集部の落とし穴、そしてアンケートツールでの実装方法 を整理します。マーケリサーチの中核手法でありながら、日本語で実務向けの解説は意外と少ない領域です。
1. コンジョイント分析が解決する問題
単問評価では選好が測れない理由
「商品 A をどの程度買いたいですか？（5 段階）」のような モナディック評価 は、評価対象を単独で見たときの好感度を測ります。問題は、現実の購買は単独評価ではなくトレードオフで決まる こと。
例: ノートパソコンの選択
- A: 高性能・重い・高価格
- B: 中性能・軽い・中価格
- C: 低性能・軽い・低価格
単独評価では A が最高得点を取る確率が高い（誰でも「高性能」は好きだから）。しかし「価格が +5 万円なら」「重さが +500g なら」という条件が入ると、選好は劇的に変わります。
コンジョイントが標準手法である理由
Green & Srinivasan (1990) Conjoint Analysis in Marketing は、コンジョイントを 「複数属性のトレードオフを統計的に測る」 手法として体系化しました。マーケティング・経済学・公共政策で広く使われ、実際の購買行動との予測精度が単問評価より高い ことが繰り返し実証されています。
実務での主な用途:
- 新製品コンセプトテスト: どの属性組み合わせが選ばれるか
- 価格戦略: 価格弾力性と最適価格帯
- パッケージ最適化: パッケージ要素の重要度
- ポジショニング: 競合と比較した相対的魅力度
2. 主要 3 形式の使い分け
コンジョイントには大きく 3 形式あり、目的とサンプル規模で選びます。
形式 1: フルプロファイル法（Full-Profile Conjoint）
すべての属性を含むカード（プロファイル）を提示し、回答者がランキングまたは評定する古典的手法。
- 設計: 8〜16 枚のカード × 全属性
- 回答負荷: 中〜高
- N: 100〜300
- 強み: 直感的、各属性の効用を直接推定
- 弱み: 属性数が多いと認知負荷で精度が落ちる（5〜6 属性が上限）
形式 2: 選択型コンジョイント（CBC = Choice-Based Conjoint）
複数の選択肢から「どれを選ぶか」を繰り返し選ばせる、現代の主流手法。
- 設計: 8〜15 タスク × 各タスクで 2〜4 選択肢から選ぶ
- 回答負荷: 中
- N: 200〜500（部分効用値）、500〜1,000（HB モデル）
- 強み: 実購買シナリオに近い、選択シェア予測可能
- 弱み: 設計と分析が複雑（直交計画 + 階層ベイズ）
Louviere, Hensher, & Swait (2000) Stated Choice Methods でランダム効用理論に基づく分析体系が確立されました。
形式 3: MaxDiff（Maximum Difference Scaling）
「最も重要なものはどれか / 最も不要なものはどれか」を選ばせる、重要度測定に特化 した手法。
- 設計: 各タスクで 4〜5 項目から「最重要 / 最不要」をペア選択
- 回答負荷: 低
- N: 200〜500
- 強み: 順位スケールが明確、項目数が多くても扱える（10〜30 項目）
- 弱み: 価格や数値属性のシミュレーションには不向き
使い分け表
| 目的 | 推奨形式 | 典型 N |
|---|---|---|
| 価格感度・購入意向の予測 | CBC | 500 |
| 多数項目の重要度ランキング | MaxDiff | 300 |
| 少数属性での効用測定（4〜5 属性） | フルプロファイル or CBC | 200 |
| シェアシミュレーション | CBC + HB | 500〜1,000 |
実務では CBC が 7〜8 割、MaxDiff が 2〜3 割、フルプロファイルは少数 の比率です。
3. 属性とレベルの設計
コンジョイントの 品質は設計で決まる。属性とレベルの設計でつまずくと、N をいくら集めても結果は使えません。
属性数の目安
- CBC: 4〜7 属性が標準。8 属性を超えると認知負荷で精度が落ちる
- フルプロファイル: 4〜5 属性が上限
- MaxDiff: 「項目」を 10〜30 個まで扱える
レベル数の目安
各属性のレベルは 2〜5 段階。3〜4 が最頻出。
例: スマートウォッチのコンジョイント
| 属性 | レベル |
|---|---|
| 価格 | 19,800 / 29,800 / 49,800 / 79,800 円 |
| バッテリー | 1日 / 3日 / 7日 |
| 健康機能 | 心拍 / 心拍+睡眠 / 心拍+睡眠+ストレス |
| ブランド | A 社 / B 社 / C 社 / 自社 |
→ 4 × 3 × 3 × 4 = 144 通りのプロファイルが理論上存在。直交計画法 で 12〜16 タスクに圧縮します。
直交計画法（Orthogonal Design）
属性間の相関を最小化するように、タスクを統計的に組む手法。R の AlgDesign パッケージや Sawtooth Software が標準ツール。
実務的には: 属性とレベルを決めれば、ツールが自動でタスクセットを生成します。直交性の細かい理論は知らなくても運用できますが、設計が破綻していないかツールの警告を見る 習慣は必要。
属性設計の注意点
- 属性間の独立性: 「ブランド」と「価格帯」が現実で相関している場合、コンジョイントの想定と合わない
- 現実的な範囲: 価格レベルが市場価格を大きく外れると、回答が非現実的になる
- 属性数のスイートスポット: 5〜6 属性 × 3〜4 レベルが、認知負荷と分析力のバランスが良い
4. サンプルサイズの目安
コンジョイントは タスク数 × N で情報量が決まる ので、単問よりサンプルが少なくて済む特徴があります。
CBC のサンプルサイズ目安
| 分析の細かさ | 推奨 N |
|---|---|
| 全体の効用値（集計レベル） | 200〜300 |
| セグメント別効用値（属性 × 年代等） | 各セル 200 → 600〜800 |
| 階層ベイズ（HB）で個人別効用値 | 500〜1,000 |
| シェアシミュレーション（市場予測） | 500〜1,500 |
Orme (2010) Getting Started with Conjoint Analysis や Sawtooth Software の業界経験則として、N=300 が CBC の現実的な最低ライン とされます。
サンプル不足時の症状
- 部分効用値の標準誤差が大きく、属性間の比較が困難
- HB モデルで収束しない
- セグメント別シェアシミュレーションのブレが大きい
サンプル設計の詳細は サンプルサイズの決め方 と 集計と有意差判定 を参照。
5. 結果の解釈 — 部分効用値・相対重要度・シェアシミュレーション
コンジョイントの分析結果は、3 つの数字で実務に翻訳されます。
部分効用値（Part-worth Utilities）
各属性レベルが「どれだけ選好に貢献するか」を数値化したもの。
例（スマートウォッチ）:
| 属性レベル | 部分効用値 |
|---|---|
| 価格 19,800 円 | +1.2 |
| 価格 29,800 円 | +0.4 |
| 価格 49,800 円 | −0.8 |
| 価格 79,800 円 | −0.8 |
| バッテリー 1 日 | −0.5 |
| バッテリー 3 日 | +0.0 |
| バッテリー 7 日 | +0.5 |
この値を使って、任意のプロファイルの選好強度を計算できます。
相対重要度（Relative Importance）
各属性が選好に与える影響の比率。属性ごとに「最大効用 − 最小効用」を計算し、合計 100% に正規化。
例:
- 価格: 35%
- バッテリー: 25%
- 健康機能: 20%
- ブランド: 20%
「価格が最重要、健康機能とブランドは同程度」 という意思決定への直接インプットになります。
シェアシミュレーション（Share of Preference）
複数の競合プロファイルを並べたときの、各プロファイルの選択シェア予測。
例: 自社新製品 X vs 競合 A vs 競合 B
- 自社 X（49,800 円・5日バッテリー）: シェア 42%
- 競合 A: 31%
- 競合 B: 27%
価格を 39,800 円に下げたら自社 X のシェアは 55% に上がる といった price-share シミュレーションが、実務で最も重宝される出力です。
階層ベイズモデル（Hierarchical Bayes, HB）
集計レベルではなく 個人ごとに部分効用値を推定 する手法。Train (2009) Discrete Choice Methods with Simulation で体系化された方法論。
- 強み: 個人別シェア予測、セグメント検出が精緻
- 必要 N: 500〜1,000
- ツール: Sawtooth Software CBC/HB、R の
bayesmパッケージ、Python のChoice-Models
6. 編集部の視点 — 5 つの落とし穴
業界文献と現場運用を踏まえ、コンジョイント実施時に編集部が必ず警戒する 5 項目。
1. 「とりあえず多くの属性を入れる」が最大の事故。 属性数が増えると、回答者の認知負荷が急上昇して、全タスクで「真ん中の選択肢」を選ぶ satisficing が発生します。4〜6 属性が CBC の現実的な上限。「あれもこれも」の誘惑に勝つことが、結果の信頼性を守る最大の鍵です。設問の認知負荷については 設問wording の罠 も同じ構造で警告しています。
2. 価格レベルを「市場価格 ±α」で設計しないと、結果が非現実的になる。 価格を 1,000 円 / 100,000 円のように極端に振ると、コンジョイントは「価格が最重要」という当たり前の結果しか出しません。現実の価格幅 ±20〜30% に収め、セグメント別の価格感度 を見るのが実務的。
3. 属性間に相関がある場合は要注意。 「ブランド」と「価格帯」が現実で相関している市場（高級ブランド = 高価格）で、コンジョイントを直交計画で組むと、実在しない組み合わせ（高級ブランド × 低価格） がプロファイルに出てきて回答者を混乱させます。属性間の現実的な制約は、設計時に除外する か、HB で事後補正します。
4. シェアシミュレーションを「絶対値」で読まない。 シェアシミュレーションは 相対比較 には強いが、絶対値の予測精度には限界 があります。「コンジョイントで 42% シェア → 実購買で 42% 売れる」という単純解釈は禁物。実購買は購入頻度・配荷率・広告認知などの外部要因も絡むため、「現状からどれだけシェアが動くか」の差分 で見るのが正解です。
5. MaxDiff を「価格感度測定」に使わない。 MaxDiff は項目の 重要度ランキング に最適ですが、価格や数値属性の効用測定には不向き。「どの機能が重要か」は MaxDiff、「いくらなら買うか」は CBC、と明確に使い分ける。両者を混同して MaxDiff で価格を測ろうとすると、シェアシミュレーションが破綻します。
7. アンケートツール Kicue でのコンジョイント実装
正直に書きます。Kicue は コンジョイント専用ツールではありません。本格的なコンジョイント分析には Sawtooth Software / Conjointly / Qualtrics CoreXM などの専用プラットフォームが推奨されます。
ただし、簡易的なコンジョイント実装 は Kicue でも可能です。
Kicue でできる簡易 CBC
- SCREEN 設問 を使ってタスクごとに「2〜4 選択肢から選ぶ」を実装
- スキップロジック と URL パラメータ でタスクのランダム化を制御
- ローデータエクスポート で R / Python に渡し、
mlogit（R）やxlogit（Python）で分析
Kicue でできない / 不向きな部分
- 直交計画の自動生成: タスクセットは外部ツール（Sawtooth、R
support.CEs）で事前生成し、Kicue にインポート - 階層ベイズ（HB）の自動推定: ローデータを R / Python に渡して
bayesm等で実行 - シェアシミュレーター: ダッシュボードでの可視化は Kicue では未提供。Tableau / Power BI で実装
用途別の推奨ツール
| 用途 | 推奨ツール |
|---|---|
| 学術研究・本格マーケリサーチ | Sawtooth Software CBC/HB |
| ビジネス課題向け中規模調査 | Conjointly / Qualtrics CoreXM |
| 簡易調査・予算制約あり | Kicue + R/Python による外部処理 |
Kicue は「簡易プロトタイプとしてコンジョイントの試行」「コンジョイント前段の属性スクリーニング」「MaxDiff の代替的な重要度ランキング」のような用途では十分機能します。
なお、コンジョイント前段のスクリーニング・属性確認・予備調査を 一般のアンケートツールで実施する場合、ツールごとに分岐ロジック・割付管理・CSV エクスポートの対応有無が異なります。各ツールの対応状況は 無料アンケートツール 8 選比較 で整理しています。
まとめ
コンジョイント分析の実務チェックリスト:
- 単問評価では選好を測れない — トレードオフを統計的に分析するのがコンジョイントの本質
- 3 形式の使い分け: CBC（主流）/ MaxDiff（重要度ランキング）/ フルプロファイル（古典）
- 属性数は 4〜6、レベルは 2〜5 が認知負荷と分析力のスイートスポット
- CBC のサンプル目安: 200〜300（集計）/ 500〜1,000（HB）/ 500〜1,500（シェア予測）
- 3 つの数字で読む: 部分効用値 / 相対重要度 / シェアシミュレーション
- 5 つの落とし穴: 属性過多 / 非現実的価格 / 属性相関 / 絶対値解釈 / MaxDiff 誤用
- Kicue は簡易実装向き、本格運用は Sawtooth 等の専用ツールが推奨
コンジョイント分析は 「設計が 8 割、分析が 2 割」 と言われる手法です。属性レベル設計とサンプル計画に時間を投資すれば、N=300 でも意思決定に直結する数字が得られます。マーケティングリサーチの中核手法として、CX / EX / 製品開発のすべての領域で投資価値の高いスキルです。
参考文献 (9件)
学術・方法論
- Green, P. E., & Srinivasan, V. (1990). マーケティングにおけるコンジョイント分析 — 研究と実務への新展開. 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 (2nd 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.
標準化団体・方法論センター
- Sawtooth Software: Methodology Papers and Conferences.
- AAPOR (American Association for Public Opinion Research): Standard Definitions.
業界ガイド（業界観察として参照）
簡易コンジョイントから設計してみたい方は、無料のアンケートツール Kicue を試してみませんか。SCREEN 設問・スキップロジック・URL パラメータ・ローデータエクスポートが標準搭載で、外部ツール（R / Python / Sawtooth）との接続もスムーズです。