Conjoint-анализ: как узнать, за что клиенты реально готовы платить, до того как вы соберёте тариф

Вы сидите на встрече по ценообразованию. На столе — три варианта тарифной сетки. Продакт говорит: «давайте добавим в средний план аналитику, клиенты точно за это заплатят». Маркетинг возражает: «клиенты хотят интеграции, а не отчёты». CEO резюмирует: «давайте просто поднимем цену на 15% и посмотрим».

Через месяц конверсия в оплату падает. Никто не понимает, почему — потому что решение с самого начала было построено на ощущениях, а не на данных о том, как клиенты реально выбирают.

Именно для этого существует conjoint-анализ — метод, который показывает, какие характеристики продукта действительно влияют на решение о покупке и сколько за них готовы платить.

Что такое conjoint-анализ

Conjoint-анализ — это метод исследования, в котором респонденту показывают несколько вариантов одного продукта с разными комбинациями характеристик и цен. На каждом шаге человек выбирает один вариант, имитируя реальное поведение на рынке. По результатам выборов рассчитывается «полезность» каждого атрибута — то есть его вес в решении о покупке.

Метод пришёл из академической маркетинговой науки 1970-х, но по-настоящему заработал в продуктовых командах с появлением инструментов вроде Conjointly, Sawtooth и даже простых Google Forms + Python-скриптов. Классический кейс — Apple при разработке первых iPod: команда тестировала, какие комбинации объёма памяти, цены и дизайна максимизируют готовность купить.

Главная сила метода: вы перестаёте гадать, какие фичи «наверное важны», и получаете модель, которая показывает, сколько конкретно стоит каждый атрибут в глазах клиента. Это превращает разговор о ценообразовании из политического в аналитический.

Когда conjoint-анализ нужен

01 Вы строите или пересобираете тарифную сетку. У вас B2B SaaS, три-четыре плана, и вы не знаете, какие фичи класть в какой тариф. Conjoint покажет, какие атрибуты клиенты воспринимают как premium, а какие — как базовый минимум, за который не готовы доплачивать.

02 Вы запускаете новый продукт и хотите понять ценовой потолок. До первых продаж сложно угадать, сколько рынок готов платить. Conjoint позволяет смоделировать кривую спроса для разных конфигураций ещё до написания первой строчки кода.

Команды часто говорят: «Мы провели 20 интервью и спросили, сколько люди готовы платить». Проблема в том, что прямой вопрос о цене почти всегда даёт заниженный ответ — человек оптимизирует своё будущее, а не описывает реальное поведение. Conjoint обходит этот баг, потому что респондент выбирает, а не называет цену.

03 Вы конкурируете в зрелом рынке и хотите найти дифференциацию. Если все конкуренты предлагают похожие планы, conjoint помогает найти атрибуты, которые непропорционально влияют на выбор. Иногда это не фича, а условия: SLA, скорость онбординга, формат поддержки.

04 Вы готовите аргументы для повышения цены. Вместо интуитивного «рынок выдержит» conjoint даёт конкретную модель: при повышении цены на X% доля выбора падает на Y%. Это язык, который понимают и CFO, и борд.

Когда фаундер приходит к инвестору с фразой «мы подняли цену и удержали 92% клиентов», первый вопрос: «а вы моделировали это до изменения или просто повезло?» Conjoint — это как раз инструмент, который позволяет ответить «моделировали».

Как провести conjoint-анализ: 5 шагов

01 Выберите атрибуты и уровни

Определите 4–6 ключевых характеристик продукта, которые реально варьируются между вашими планами или между вами и конкурентами. Для каждого атрибута задайте 2–4 уровня. Например: «Поддержка» → email / чат / выделенный менеджер. «Цена» → $29 / $59 / $99.

Критерий успеха: атрибуты должны быть понятны респонденту за 3 секунды. Если нужно объяснять — переформулируйте или уберите.

Типичная ошибка — включить слишком много атрибутов. Больше шести — и респондент начинает выбирать по одному-двум параметрам, игнорируя остальные. Это не экономия, а шум в данных.

02 Сформируйте карточки

Каждая карточка — это один вариант продукта с конкретной комбинацией атрибутов. Полный перебор всех комбинаций обычно невозможен, поэтому используют ортогональный или D-оптимальный дизайн. Инструменты вроде Conjointly или пакет choiceDes в R генерируют набор автоматически.

На выходе: 8–16 карточек, сгруппированных в 4–8 «заданий», где респондент каждый раз выбирает из 2–3 вариантов.

03 Соберите ответы

Минимальная выборка — 50–100 респондентов из вашего целевого сегмента. Для B2B SaaS часто хватает 80–120 ответов, если сегмент однородный. Важно: респонденты должны быть реальными потенциальными покупателями, а не «все, кто согласился пройти опрос». Рекрутируйте через существующую базу, LinkedIn-аутрич или платные панели.

Одна из частых ошибок — отправить conjoint-опрос всей рассылке. Результат: половина ответов от людей, которые никогда не купят ваш продукт, и модель показывает «всем нужно дешевле». Это не инсайт, это артефакт плохой выборки.

04 Рассчитайте полезности

По ответам строится статистическая модель (чаще всего — hierarchical Bayes или multinomial logit), которая присваивает каждому уровню каждого атрибута числовое значение «полезности». Чем выше полезность — тем сильнее этот уровень влияет на выбор.

Бенчмарк: если разница в полезности между уровнями атрибута статистически незначима — этот атрибут не влияет на выбор. Уберите его из тарифной сетки или не тратьте ресурсы на его улучшение.

05 Смоделируйте сценарии

Самая ценная часть. Подставляйте разные конфигурации продукта и цены — модель покажет прогнозную долю выбора и ожидаемую выручку для каждого варианта. Это позволяет сравнить: «что будет, если убрать фичу X из premium-плана и снизить цену на $20» vs. «что будет, если добавить фичу Y и поднять цену на $10».

Критерий успеха: у вас есть 2–3 конфигурации, которые объяснимо лучше остальных по выручке или по доле рынка. Если все конфигурации дают похожий результат — вернитесь к шагу 1 и пересмотрите атрибуты.

Три типа conjoint-анализа: какой подходит вам

01 Choice-Based Conjoint (CBC) — самый распространённый. Респондент выбирает один вариант из нескольких. Подходит для большинства задач ценообразования в SaaS и e-commerce. Хорошо масштабируется и интуитивно понятен респондентам.

02 Adaptive Conjoint (ACBC) — алгоритм адаптирует следующие вопросы под предыдущие ответы. Подходит, когда атрибутов много (8+) и нужно сократить нагрузку на респондента. Требует специализированных инструментов (Sawtooth, Lighthouse Studio).

03 MaxDiff как дополнение — строго говоря, не conjoint, но часто используется в связке. Респондент из списка атрибутов выбирает «самый важный» и «наименее важный». Помогает быстро отранжировать фичи до того, как вы вкладываетесь в полноценный CBC.

Что вы получаете на выходе

Первое и главное: ценообразование перестаёт быть дискуссией мнений. У вас появляется модель, которая показывает, за какие атрибуты клиент платит, а какие он игнорирует при выборе. Это сразу снижает количество итераций по тарифной сетке и убирает споры в формате «я думаю, что клиенты хотят X».

Второе: вы видите, где находится ценовой потолок. Не абстрактно — «рынок, наверное, готов платить больше» — а конкретно: при цене $79 доля выбора вашего плана падает с 38% до 21%, и суммарная выручка снижается. Или не снижается — и тогда у вас есть аргумент для повышения.

Третье: conjoint работает как инструмент приоритизации фич. Если атрибут «автоматические отчёты» имеет полезность 0.8, а «кастомные дашборды» — 0.2, вы знаете, куда вкладывать инженерное время. Это не замена discovery-интервью, но мощное дополнение, которое превращает качественные гипотезы в количественные сигналы.

Что дальше

Попробуйте задать себе вопрос: вы знаете, какие три атрибута вашего продукта сильнее всего влияют на решение о покупке — и можете подтвердить это данными, а не интуицией?

Если нет — conjoint-анализ можно запустить за неделю. Первый шаг: выпишите 5–6 атрибутов, которые отличают ваши тарифы друг от друга, и проверьте — совпадает ли этот список с тем, что клиенты реально упоминают в разговорах о выборе.