コンジョイント分析｜属性×水準で“選ばれる理由”を数値化

2026年10月8日にコンジョイント分析の方法論レビューと、属性を無作為に変える選択実験の本文を再確認した。評価・選択・自己申告・適応型の形式、属性と水準、刺激、選択肢、回答負荷、推定モデル、価格/WTPを先に固定し、回答で得た部分効用を実購買、粗利、市場シェアへ直訳しない。対象、属性の現実性、選択疲れ、サンプル、外部妥当性、実施後の行動を別に確認する。

コンジョイント分析は、価格、仕様、配送などを組み合わせた選択や評価から、各属性水準の寄与を推定する方法です。質問を増やせば精度が上がるわけではなく、決めたい選択、現実的な水準、回答負荷、推定範囲を先に固定します。

公式資料を読み直した日と範囲

2026年10月7日に、RaoのWiley解説と、Hainmueller・Hopkins・Yamamotoの研究を確認しました。Raoは、評価型、選択型、自己申告型、適応型の違いと、刺激作成・回答・部分効用推定・意思決定への利用という流れを整理します。Hainmuellerらは、属性を無作為に変えた選択実験から複数属性の因果効果を推定する条件を示します。どちらも、調査結果が実購買や利益を自動的に保証する資料ではありません。

30秒で要点

• まず「価格を変えるか」「仕様を選ぶか」「市場シェアを予測するか」を一つの意思決定にする
• 属性と水準を現実的に絞り、選択課題の設計と回答負荷をパイロットで確認する
• 部分効用、属性間の重要度、価格換算（WTP）は推定値であり、標本・モデル・範囲に依存する
• シミュレーションのシェアは、競合、選ばない選択肢、実購買、コストで検証してから使う

表が収まらない場合は、横にスクロールできます

属性と水準を「答えられる比較」にする

属性は顧客が比較し、事業側が変えられる軸にします。たとえば価格、配送日数、保証、サポートのように、選択肢の画面で一度に理解できる表現にします。水準は現実に提供できる範囲で置き、価格だけ極端に安くして他の水準と釣り合わせるような設計は避けます。

属性を増やすと、組み合わせの数は急増します。Raoの解説が示すように、全組み合わせを回答者へ見せるのではなく、実験計画でプロフィールを絞ります。選択肢の数、課題数、属性の順序、選ばない選択肢は、対象者が実際に判断できるかをパイロットで確かめます。固定の「何問が正解」という基準はありません。

選択データから何を推定するか

選択型（CBC）は、各課題でどのプロフィールを選んだかを使います。ランダム効用モデルでは、効用を観測できる部分と誤差に分け、ロジットなどで選択確率を推定します。個人差を扱う階層モデルを使う場合も、事前分布、サンプル、収束、予測の検証を残します。

部分効用は水準の相対的な寄与です。属性重要度は、属性内の効用の幅を全属性の幅と比べる要約で、標本・水準範囲・尺度に依存します。価格係数からWTPを換算しても、「その額を必ず払う」という個人の契約ではありません。

シミュレーションは反実仮想として読む

推定した効用で商品候補を並べると、価格や仕様を変えた場合の選択確率を比較できます。ここでのシェアはモデルと選択肢集合に条件づけた予測です。競合商品、在庫、認知、流通、実装コスト、選ばない選択肢が変われば結果も変わります。

Hainmuellerらの研究は、属性を無作為に変える設計が複数属性の因果効果を識別する条件を説明します。調査票の属性が実際に無作為化されていても、回答者の標本が市場全体を代表するとは限りません。外的妥当性と実購買の照合を別工程にします。

最小検証：目的から実購買までを一枚にする

1. 意思決定、対象顧客、比較する競合、成功指標を一文で定義する。
2. 属性・水準の出所、実現可能性、相関、除外する組み合わせを記録する。
3. パイロットで理解、回答時間、直線的な選択、離脱、選ばない率を確認する。
4. 推定モデル、個人差、事前分布、除外、欠測、感度分析を記録する。
5. シミュレーションを実購買、価格テスト、原価、粗利と照合し、外れた理由を更新する。

公式資料の範囲を外さない

Raoの解説とHainmuellerらの研究は、コンジョイントの設計・推定・因果解釈を説明する学術資料です。どの手法が最適か、特定商品のWTPや市場シェアがいくつかを決めるものではありません。回答者の選好を売上予測へ変換する前に、実現可能性、標本、価格、競合、行動データを確認してください。

次の一手：回帰分析／クラスター分析／統計の判断ハブ