Conjoint-Analyse am Beispiel erklärt — und warum sie bei echten Kaufentscheidungen danebenliegt

Die Conjoint-Analyse ist die stärkste Befragungsmethode der Marktforschung. Hier ist, wie sie funktioniert — und der Moment, in dem sie kippt, weil niemand in einer Umfrage wirklich kauft.

Was die Conjoint-Analyse wirklich misst

Die meisten Preis- und Produktstudien fragen Menschen direkt: „Wie wichtig ist Ihnen Funktion X?" oder „Was würden Sie dafür zahlen?" Die Antworten sind höflich, plausibel — und weitgehend wertlos. Niemand wägt Merkmale isoliert ab. Wir entscheiden im Vergleich.

Genau hier setzt die Conjoint-Analyse an. Statt nach einzelnen Merkmalen zu fragen, legt sie den Befragten ganze Produktprofile vor: Kombinationen aus mehreren Merkmalen — Marke, Funktionsumfang, Lieferzeit und immer auch dem Preis. Die Befragten wählen wiederholt zwischen mehreren solcher Profile. Aus diesen Trade-off-Entscheidungen rechnet das Verfahren statistisch zurück, wie viel jedes einzelne Merkmal zur Gesamtentscheidung beiträgt.

Das Ergebnis sind Teilnutzenwerte (Part-Worths): ein Zahlenwert je Merkmalsstufe, der zeigt, wie stark sie die Wahl treibt. Weil der Preis als Merkmal mitläuft, lässt sich daraus auch die implizite Zahlungsbereitschaft ableiten — also wie viel Mehrpreis ein bestimmtes Feature im Modell rechtfertigt.

In der Praxis dominiert heute die Choice-Based Conjoint (CBC): Der Befragte wählt aus mehreren Profilen das bevorzugte aus — so, wie er es im Regal oder im Konfigurator täte. Eine Weiterentwicklung ist die Adaptive CBC (ACBC), die den Fragenpfad an die bisherigen Antworten anpasst und so realistischere, individuell zugeschnittene Szenarien erzeugt.

Ein konkretes Beispiel

Nehmen wir einen SaaS-Anbieter, der einen neuen Tarif schnüren will. Vier Merkmale, jeweils mit mehreren Stufen — rein illustrativ:

Aus den aggregierten Entscheidungen entstehen Teilnutzenwerte. Das Ergebnis könnte — als Beispiel — so aussehen: Priority-24/7-Support treibt die Wahl stark (hoher Teilnutzen), unbegrenzte Integrationen nur schwach, und die Marke wiegt geringer als gedacht. Übersetzt in Zahlungsbereitschaft heißt das etwa: Kunden akzeptieren rund 30 € Aufpreis für Priority-Support, aber kaum mehr als 10 € für unbegrenzte Integrationen.

Mit diesen Teilnutzen lässt sich eine Share-of-Preference-Simulation rechnen: Man baut virtuelle Marktszenarien — den eigenen geplanten Tarif gegen die Wettbewerber — und schätzt, welcher Anteil der Befragten welches Profil wählen würde. Das stützt eine klare Entscheidung: Der SaaS-Anbieter packt Priority-Support in den mittleren Tarif, lässt unbegrenzte Integrationen als schwaches Verkaufsargument weg und setzt den Preis bei 79 € statt 119 €.

Wofür die Methode wirklich gut ist

Ich will der Conjoint-Analyse nicht unrecht tun. Für die richtige Frage ist sie das mit Abstand beste Befragungswerkzeug, das wir haben. Sie spielt ihre Stärke aus, wenn:

• Das Produkt mehrere Merkmale hat und Sie wissen wollen, welches davon die Entscheidung treibt.
• Sie Features priorisieren müssen — was kommt in welchen Tarif, was lassen wir weg.
• Der Preis eine von mehreren Variablen ist und es um relative Trade-offs geht, nicht um die absolute Schmerzgrenze.

Für die relative Wichtigkeit von Merkmalen ist sie verlässlich. Das Problem beginnt, wenn man sie für etwas anderes benutzt — und genau das passiert ständig.

Die Grenzen, die kein Tool-Anbieter nennt

Hier ist der Moment, in dem die Methode kippt. Die Conjoint-Analyse ist und bleibt Stated Preference — geäußerte, nicht reale Präferenz. Im Befragungsraster gibt es kein echtes Budget. Keinen echten Wettbewerb. Keine Konsequenz. Niemand muss das Geld wirklich auf den Tisch legen.

Das ist nicht akademische Haarspalterei. Es ist die Say-Do-Gap: die systematische Lücke zwischen dem, was Menschen in einer Umfrage anklicken, und dem, was sie an der Kasse tun. In einer Conjoint-Aufgabe wählt der Befragte rationaler, preissensibler und nüchterner, als er es je in einem echten Kaufmoment täte.

Besonders brutal trifft das Premium- und Emotionsprodukte. Wer im Befragungsraster zwischen 49 € und 119 € abwägt, optimiert wie ein Einkäufer. Im realen Kaufmoment entscheiden Status, Markenliebe, Bequemlichkeit, der Moment. Die geäußerte Zahlungsbereitschaft liegt dann fast immer unter der echten — die Methode unterschätzt systematisch, was der Markt zu zahlen bereit ist. Ich habe das so oft gesehen, dass ich es als Regel formulieren würde: Je emotionaler die Kategorie, desto stärker führt die Conjoint-Analyse in die Irre.

Dazu kommt die kognitive Überlastung. Schon bei mehr als sechs Merkmalen vereinfachen Befragte: Sie achten nur noch auf Preis und ein, zwei Features, der Rest verschwimmt. Es entstehen Ermüdungseffekte, und das Modell schätzt auf Basis von Antworten, die immer schlechter werden. Mehr Merkmale wirken gründlicher — und machen das Ergebnis schlechter.

Was stattdessen funktioniert

Die Lösung ist nicht, die Conjoint-Analyse wegzuwerfen — sondern sie zu validieren, statt ihr blind zu glauben. Zwei Bausteine machen den Unterschied.

Erstens: verhaltensbasierte, implizite Messung. Statt zu fragen, was jemand zu zahlen bereit ist, misst man die unbewusste Preis-Wert-Assoziation — die Bauch-Akzeptanz, die der echten Kaufentscheidung näher liegt als jede bewusste Abwägung. Gerade dort, wo Conjoint die Premium-Bereitschaft unterschätzt, deckt die implizite Messung sie auf.

Zweitens: Causal AI. Eine Conjoint-Simulation sagt Ihnen, was Befragte heute im Modell wählen würden. Sie sagt Ihnen nicht, wie sich die Nachfrage verschiebt, wenn Sie den Preis real ändern. Genau das modelliert Causal AI: die kausalen Treiber der Preisakzeptanz und die Frage, was passiert, wenn Sie an der Preisschraube drehen.

Bei SUPRA kombinieren wir beides — die Deep-Implicit-Messung für die echte, unbewusste Zahlungsbereitschaft und Causal AI für die Wirkung realer Preisänderungen. Die Conjoint-Analyse darf dabei der Ausgangspunkt sein. Sie sollte nie das letzte Wort haben.

Wann Conjoint reicht — und wann nicht

Häufige Fragen