コンジョイント分析｜属性×水準で“選ばれる理由”を数値化

コンジョイント分析｜属性 × 水準で“選ばれる理由”を可視化（実務設計ガイド）

ユーザーが製品を選ぶとき、複数の要素（属性）を同時に評価しています。コンジョイント分析は、それぞれの属性水準が選好に与える寄与（部分効用）を推定する手法です。

まずはここだけ（やさしい導入）

何をする？: 属性（価格・デザイン…）の“効き目”を数値化し、どれを上げ下げすると選ばれるかを把握
いつ使う？: 新商品の仕様決定、価格改定、プラン設計、競合比較
どう読む？: 部分効用の符号と大きさ、属性重要度、WTP（支払意思額）

用語ミニ辞典（1 行で）

属性/水準: 比較する軸と、その具体的な値（例: 価格=¥9,800/12,800/15,800）
部分効用（Part-worth）: その水準が選好に与える寄与の量
重要度: 属性ごとの寄与割合（max−min の差を合計で割るのが一般的）
CBC（Choice-Based Conjoint）: 選択型の設計（最も実務で一般的）
WTP: 部分効用を価格軸で割って換算した“価格に置き換えた価値”

設計の基本

属性例: 価格、デザイン、配送速度、保証
水準例: 価格（¥9,800 / ¥12,800 / ¥15,800）など
直交/最適設計で組合せ数を圧縮

推定と読み方

推定: OLS/Logit、個人差を捉えるなら HB（階層ベイズ）
部分効用と重要度（各属性の寄与割合）を算出
価格の換算: 部分効用の差分を価格に換算し、WTP を推定

ミニコード（超簡略・疑似）

# 擬似的な OLS 推定例（実務は専用パッケージ推奨）
import pandas as pd
import statsmodels.api as sm

df = pd.DataFrame({
  'choice':[1,0,0, 0,1,0, 0,0,1],  # 各タスクで選ばれたプロファイルに1
  'price':[9800,12800,15800, 9800,12800,15800, 9800,12800,15800],
  'design_modern':[1,0,0, 0,1,0, 0,0,1],
})

X = sm.add_constant(df[['price','design_modern']])
model = sm.OLS(df['choice'], X).fit()
print(model.params)

実務ケーススタディ（CBC→ 部分効用 → シェアシミュレーション）

目的: 価格 × デザイン × 配送で新商品の仕様を決めたい。

設計

CBC で 8–12 課題、各課題 3–4 選択肢＋「選ばない」
非現実な組合せに制約。価格は現実的レンジで水準設定

推定

ロジット（個人差は HB で）。部分効用と属性重要度を算出

シミュレーション

各候補の効用合計をロジットで確率化し、シェアを予測
価格変更や水準入替で“何割伸びるか”を比較

最小コード（多項ロジットで簡易シェア）

import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression

# 各課題で 3 商品 + 無回答（0）
df = pd.DataFrame({
  'choice':[1,0,0, 0,1,0, 0,0,1],  # 選ばれた=1
  'price':[9800,12800,15800, 9800,12800,15800, 9800,12800,15800],
  'design_modern':[1,0,0, 0,1,0, 0,0,1]
})

X = df[['price','design_modern']]
y = df['choice']
logit = LogisticRegression(max_iter=1000).fit(X, y)
coef = np.r_[logit.intercept_, logit.coef_.ravel()]
print('coef=', coef)

# 簡易シミュレーション（3 候補の効用→確率化）
cand = pd.DataFrame({
  'price':[10800,12800,14800],
  'design_modern':[1,0,1]
})
u = logit.decision_function(cand)
prob = 1/(1+np.exp(-u))  # 二項の簡略。実務は多項ロジット
print('prob ~ share:', prob/prob.sum())

練習問題（理解を定着）

属性が 6、各 4 水準。課題数はどの程度が目安？

ヒント: 1 人あたり 8–12 課題、選択肢 3–4 + 選ばない

価格の係数が大きく負。何が言える？

ヒント: 価格感度が高い。WTP で換算して意思決定

シミュレーションで“どれも選ばない”確率が高い。どう解釈？

ヒント: 競合/実現性/水準設定が現実と乖離。設計の見直し

注意点

課題数・回答負荷の設計、理解しやすい刺激の提示
非現実的な組合せを避ける制約設計
推定後は現実のシェア/収益に落とす検証が必要

判断の土台として押さえておくこと

部分効用・重要度・WTPを押さえる：属性水準の選好への寄与（部分効用）、属性ごとの寄与割合（重要度）、価格軸で換算した支払意思額（WTP）。競合・コストと併せて判断する。
設計で負荷を抑える：属性が多すぎる場合は最適設計で候補を圧縮し、パイロットで課題数を調整。CBC（選択型）が実務で一般的。
目的→設計→推定→解釈の順：何を判断するか（価格・仕様・プラン）を決めてから、属性・水準と設計を決める。

次の一手：回帰分析／クラスター分析／統計の判断ハブ