Nel 1985 Green e Srinivasan, pionieri della conjoint analysis moderna, pubblicarono un caso che ha cambiato il modo di decidere i prodotti nelle aziende di beni di consumo. Procter & Gamble aveva investito milioni in un detersivo con formula antimacchia avanzata. I focus group interni lo giudicavano ottimo, ma il test di mercato fu un fallimento. Il motivo? I consumatori dichiaravano di voler pagare di più per la nuova formula, e poi al supermercato sceglievano il prodotto più economico.
La conjoint analysis affronta proprio questo paradosso. Invece di chiedere ai consumatori cosa vogliono, li mette davanti a scelte realistiche con compromessi espliciti. Le decisioni che prendono rivelano le preferenze reali, non quelle dichiarate.
Lo usano aziende come Apple, Airbnb e Spotify per mettere a punto prodotti e prezzi. E non serve un budget enorme: con un foglio di calcolo e Python si conduce uno studio serio spendendo poco. Vediamo come funziona e come applicarlo a decisioni concrete.
Problema reale
Le domande di mercato classiche chiedono quanto sia importante ogni caratteristica, ma senza obbligare a scegliere tra alternative. Così tutti gli attributi finiscono “molto importanti”, e le risposte non servono a decidere niente.
Nella realtà ogni acquisto è un compromesso: paghi di più per una feature migliore oppure risparmi accettando di meno. La conjoint analysis simula questo processo, mostra opzioni con combinazioni diverse e chiede di scegliere. Le scelte aggregate dicono quanto pesa davvero ogni attributo.
Modello concettuale
Immagina di dover scegliere uno smartphone tra tre opzioni con marche, batterie, fotocamere e prezzi diversi. La scelta che fai comunica quali caratteristiche valorizzi di più, senza che tu debba spiegarlo a parole.
Formalizzazione rigorosa
Esistono vari tipi di conjoint analysis:
-
Choice-Based Conjoint (CBC): il più diffuso, mostra da 2 a 4 profili per task e chiede di scegliere il preferito. Simula la decisione reale e permette modelli statistici come il Multinomial Logit.
-
MaxDiff (Best-Worst Scaling): adatto a molti attributi, chiede di indicare il più e il meno importante tra pochi item per task.
-
Adaptive Conjoint (ACA): personalizza le domande sulla base delle risposte precedenti e stima le preferenze individuali.
-
Rating-Based Conjoint: valuta ogni profilo singolarmente, meno realistico ma più semplice.
Esempio o caso studio
Per un servizio SaaS di project management si scelgono 5 attributi con 3 livelli ciascuno (prezzo, utenti, integrazioni, supporto, storage). Il design sperimentale prende un sottoinsieme ortogonale di profili da testare, così si evitano correlazioni tra attributi.
Un modello logit stima le part-worth utilities, cioè quanto ogni livello contribuisce all’utilità percepita. Il prezzo basso, per esempio, ha un’utilità alta, il prezzo alto un’utilità bassa.
L’importanza relativa di un attributo si calcola come range delle utilities diviso la somma totale. In questo caso il prezzo pesa il 68%, lo storage il 15%, il supporto solo il 3%.
Lab / esercizio
Livello base: Definisci 4-5 attributi per un prodotto a tua scelta, con 2-3 livelli credibili ciascuno.
Livello intermedio: Progetta un design ortogonale ridotto per uno studio CBC con almeno 12 profili.
Livello research-grade: Simula dati CBC per 300 rispondenti, stima un modello logit e interpreta le part-worth utilities.
Dataset e materiali consigliati: Dataset simulati in Python disponibili su GitHub GinnyTech, librerie pyDOE2 per il design sperimentale, scikit-learn per i modelli logit.
Errore tipico da evitare
- Troppi attributi nel CBC: sovraccaricano chi risponde e producono scelte casuali.
- Livelli poco credibili: distorcono le risposte.
- Campioni non rappresentativi: invalidano i risultati.
- Segmentazione ignorata: nasconde preferenze diverse tra gruppi.
- Design non ortogonali: confondono l’analisi.
Quiz o checkpoint
- Perché la conjoint analysis è più affidabile delle domande dirette sulle preferenze?
- Qual è il vantaggio principale del Choice-Based Conjoint rispetto al Rating-Based?
- Come si calcola l’importanza relativa di un attributo?
- Quali errori comuni possono compromettere uno studio conjoint?
Il punto
La conjoint analysis insegna che quello che le persone dichiarano spesso non coincide con quello che fanno quando devono scegliere davvero. Mette il consumatore davanti a una scelta realistica e ne ricava dati quantitativi che servono a decidere prodotto e pricing sui fatti, non sulle intuizioni. Senza questo metodo finisci per chiedere “cosa vuoi?” e fidarti di risposte che non descrivono il comportamento reale. È uno strumento utile e pratico per chi deve decidere sotto incertezza.