联合分析法的核心逻辑
当企业需要回答”消费者最看重产品的哪些属性”时，直接问”您最重视什么”往往得不到准确答案——消费者会告诉你他们”应该”重视的属性（如安全、环保、品质），而不是他们实际做决策时真正权衡的因素。
联合分析Conjoint方法的核心突破，在于通过让受访者在不同的产品组合之间做选择，从他们的选择行为中反推出各个属性的真实权重，而非依赖直接的主观评价。
联合分析的基本原理
联合分析的设计逻辑是：把一个产品拆解为若干个属性（如价格、品牌、规格、材质），每个属性设置2-4个水平（如价格：99元/149元/199元），然后设计出一系列”产品概念组合”，要求受访者在多组产品之间进行选择或评分。
通过统计学方法分析受访者的选择行为，可以计算出每个属性、每个水平对最终选择的贡献值（称为”效用值”或”part-worth utility”）。效用值的大小和方向，直接反映了消费者对该属性水平的偏好强度。
联合分析Conjoint的结果通常以两种形式呈现：一是各属性的相对重要性（哪个属性最影响选择），二是同一属性内不同水平的效用差异（如价格在99元和149元之间效用下降多少）。
联合分析的主要类型
随着研究方法的发展，联合分析发展出多种变体，各有适用场景：
传统联合分析（Full Profile Conjoint）：每个选项包含所有属性的完整描述，受访者对各个完整概念进行评分或排序。适合属性数量较少（4-6个）的产品。
自适应联合分析（Adaptive Conjoint, ACA）：通过多轮迭代问卷，自适应地聚焦于每位受访者最相关的属性组合。适合属性较多（超过8个）的复杂产品。
选择式联合分析（Choice-Based Conjoint, CBC）：每次呈现多个完整产品概念，受访者从中选择最喜欢的选项（或选择”都不买”）。最接近真实购买场景，是目前使用最广泛的联合分析类型。
最大差异量表（MaxDiff）：虽然严格意义上不属于联合分析，但常被用于类似场景，特别适合属性重要性的排序和区分。
联合分析的典型应用场景
联合分析Conjoint在市场研究中的应用场景主要包括：
- 产品设计优化：在有限预算内，哪个功能改进对消费者价值提升最大？
- 价格弹性测量：价格提升对消费者偏好的影响有多大？
- 市场模拟器：基于联合分析结果构建市场模拟器，预测不同产品方案在市场中的份额。
- 细分群体偏好差异：不同细分群体对产品属性的权重是否存在显著差异？
执行联合分析的注意事项
联合分析的设计质量对结果的有效性影响极大。以下几点是执行过程中需要特别注意的：属性数量不宜过多（通常建议CBC不超过8个属性），属性水平应确保真实可行（不应包含市场上不存在的产品组合），以及样本量要求通常高于普通问卷。
对于希望深入理解消费者偏好结构的企业，联合分析提供了直接问卷无法达到的洞察深度，是产品决策和定价策略的有力工具。