L’analyse conjointe est une méthode statistique utilisée pour déterminer comment les consommateurs évaluent les différentes caractéristiques d’un produit ou d’un service, et pour calculer l’importance relative de ces caractéristiques dans leur décision d’achat.
Elle repose sur un principe de décomposition. L’offre est décrite par des attributs, par exemple le prix, la durée d’engagement ou le niveau de service. Chaque attribut prend plusieurs niveaux. Les répondants n’évaluent pas les attributs un par un : ils examinent des profils complets qui combinent ces niveaux, puis les classent, les notent ou choisissent l’un d’eux. Un plan d’expérience détermine les combinaisons présentées, afin d’en limiter le nombre sans perdre l’information utile. Le modèle statistique déduit de ces réponses une utilité partielle pour chaque niveau d’attribut.
Plusieurs résultats en découlent. L’importance relative de chaque attribut mesure son poids dans le choix. Les utilités partielles indiquent quels niveaux sont préférés et dans quelle proportion. Un simulateur estime les parts de préférence d’offres qui n’existent pas encore, face à des offres concurrentes. Deux grandes variantes coexistent : l’approche par profils complets, notés ou classés, et l’analyse conjointe fondée sur les choix, dans laquelle le répondant choisit entre plusieurs offres comme il le ferait en situation d’achat.
L’analyse conjointe se distingue du questionnaire d’importance déclarée, où le répondant note directement chaque critère : elle infère l’importance à partir d’arbitrages. Elle constitue l’une des techniques de l’analyse des préférences et alimente souvent l’analyse des prix. Elle s’emploie dans les études quantitatives qui préparent la conception d’une offre, la composition d’une gamme ou la fixation d’un prix.
Interrogé directement, un client juge presque tout important et souhaite le meilleur niveau au prix le plus bas. Ces réponses ne disent rien de ce qu’il sacrifierait pour obtenir ce qui compte vraiment. L’analyse conjointe force ce choix. Elle sert donc à trancher une question de prix, de composition d’offre ou de niveau de service. La méthode n’est pas récente : Paul Green et V. Srinivasan notaient dès 1978, dans le Journal of Consumer Research, qu’elle était appliquée en recherche sur les consommateurs depuis 1971. À notre sens, son intérêt tient moins à la sophistication du calcul qu’à la discipline qu’elle impose : formuler la décision sous forme d’arbitrages explicites.
L’importance relative d’un attribut dépend des niveaux testés. Si l’écart de prix proposé est large, le prix paraît mécaniquement plus important. Comparer les importances de deux études construites différemment n’a donc pas de sens. De même, une part de préférence n’est pas une part de marché. Le simulateur suppose que tous les clients connaissent toutes les offres et y ont accès. Il ignore la distribution, la notoriété et les habitudes d’achat. Nous recommandons de présenter les simulations comme des écarts entre scénarios, et non comme des prévisions de ventes.
Advalians écoute vos clients et vos prospects perdus, analyse vos concurrents et vérifie vos preuves, pour savoir ce qui rend votre offre préférable et si le marché le perçoit.
Advalians, cabinet de conseil indépendant en marketing et communication, vous aide à clarifier vos choix et à décider.
La question d’importance déclarée demande au répondant de noter chaque critère ; l’analyse conjointe déduit l’importance de ses choix entre des offres complètes. La première produit souvent des notes élevées partout, car rien n’oblige à renoncer à un critère. La seconde révèle ce que le client sacrifie quand il doit choisir.
Critère pratique : si votre décision oppose deux options qui s’excluent, par exemple un prix plus bas ou un service plus complet, l’analyse conjointe est adaptée. Pour un simple inventaire des attentes, un questionnaire classique suffit.
Visez peu d’attributs et un effectif raisonné par segment. À titre indicatif, nous recommandons de rester sous sept attributs, avec deux à cinq niveaux chacun. Au-delà, l’exercice devient long et les réponses perdent en fiabilité.
Pour l’échantillon, raisonnez à partir des segments à comparer : chacun doit atteindre un effectif suffisant pour être analysé seul. Faites valider ce calcul par l’institut avant le terrain, en fonction du nombre de tâches par répondant et du plan d’expérience retenu.
Mesurez la qualité de prédiction sur des choix que le modèle n’a pas utilisés. Intégrez au questionnaire quelques tâches de contrôle, puis comparez les choix prédits aux choix réels des répondants. Un modèle qui prédit à peine mieux que le hasard ne doit pas guider une décision.
Quand c’est possible, confrontez aussi le simulateur à une situation connue. Reproduisez l’offre actuelle et ses concurrentes, puis vérifiez que les préférences estimées suivent l’ordre observé sur le marché. Un écart important signale souvent un attribut manquant.
Non, pas sans précautions. L’analyse conjointe mesure la sensibilité relative au prix dans un cadre simulé, où le répondant ne dépense rien. Les consentements à payer qu’on en tire servent à comparer des options entre elles, pas à fixer un tarif au centime près.
Utilisez-la pour réduire l’éventail des prix plausibles et repérer les seuils où la préférence chute. Validez ensuite le prix retenu en conditions réelles, par un test A/B ou un lancement limité, avant de le généraliser.
Renoncez-y quand l’offre ne se décompose pas en attributs clairs, par exemple un produit dont l’attrait tient surtout à son esthétique. Renoncez-y aussi lorsque le produit est trop nouveau pour que les répondants comprennent les niveaux proposés.
Elle se justifie mal sur un marché de quelques dizaines de clients, où des entretiens individuels apportent davantage. Si la décision ne porte que sur deux versions d’une même offre, un test en conditions réelles est plus simple. Elle reste pertinente dès que plusieurs critères s’arbitrent entre eux.
Un climat de défiance sur fond de tempête Le climat est lourd dans..
