--- title: "Exécuter une analyse conjointe avec l'IA" description: "Configurez des attributs, exécutez des plans d'expérience D-optimaux générés sur serveur et simulez des parts de préférence produit avec le flux d'analyse conjointe dans Minds." canonical_url: "https://getminds.ai/use-cases/fr/conjoint-analysis-with-ai" last_updated: "2026-10-01T08:03:25.008Z" --- # Exécuter une analyse conjointe avec l'IA Minds propose un flux de travail d'analyse conjointe qui évalue les arbitrages de produits multi-attributs à l'aide de panneaux synthétiques orientatifs. Les équipes saisissent les attributs, les niveaux, les contraintes et les paramètres de tâches pour générer des plans de choix D-optimaux créés sur le serveur. Minds collecte les choix entre des configurations complètes, ajuste des modèles logit conditionnels et produit l'importance des attributs, les utilités partielles par niveau, des diagnostics de validation secondaires et des simulations de parts de préférence orientatives pour guider la stratégie produit avant la phase de terrain humain. ## La décision que l'analyse conjointe accompagne Les responsables produit et études font face à des décisions d'arbitrage difficiles lors de la conception de formules de logiciels, de biens de consommation, de gammes d'équipements ou d'offres de services. Lorsqu'une équipe produit doit déterminer si les acheteurs cibles valorisent une autonomie prolongée par rapport à un châssis plus fin, ou des prix de base plus bas par rapport à un support premium inclus, les échelles d'évaluation directe échouent souvent. Les répondants déclarent systématiquement que chaque fonctionnalité est critique et que chaque niveau de prix est trop élevé. L'analyse conjointe résout cela en collectant des choix entre des configurations complètes composées de différents niveaux d'attributs. La méthode quantifie la valeur attribuée par les acheteurs aux différents attributs et calcule l'utilité relative de chaque niveau. En observant les choix à travers des ensembles de tâches structurés, les équipes d'études estiment des utilités partielles par niveau qui révèlent ce que les répondants sacrifient pour obtenir leurs fonctionnalités préférées. L'analyse conjointe accompagne les décisions de portefeuille, les sélections de fonctionnalités, les limites de niveaux de prix et le positionnement concurrentiel. Des méthodes adjacentes comme MaxDiff mesurent l'importance relative de fonctionnalités individuelles de manière isolée, tandis que Gabor-Granger et Van Westendorp se concentrent strictly sur l'élasticité-prix d'un élément unique. L'analyse conjointe évalue simultanément les fonctionnalités et les prix au sein de configurations produit unifiées. Au lieu de demander aux répondants ce qu'ils veulent, la méthode évalue les choix entre des configurations complètes à travers des profils de produits réalistes. Dans Minds, l'analyse conjointe sert de moteur d'orientation pour les phases amont. Les chefs de produit testent des combinaisons d'attributs auprès d'audiences synthétiques afin d'identifier des paquets de fonctionnalités et des structures de prix avant de lancer des études terrain humaines ou des initiatives d'ingénierie. ## Configurer l'étude L'exécution d'une étude conjointe dans Minds nécessite de définir des paramètres de conception structurels avant de publier la session auprès d'une audience. Le système s'appuie sur des données spécifiques pour construire l'expérience de choix. Premièrement, spécifiez les attributs et les niveaux. Les attributs représentent les dimensions centrales du produit, telles que la taille de l'écran, le prix mensuel, l'autonomie de la batterie ou la durée de garantie. Les niveaux sont les valeurs distinctes que chaque attribut peut prendre. Deuxièmement, définissez les contraintes de faisabilité. Si certaines combinaisons de niveaux d'attributs sont logiquement impossibles ou commercialement non viables, comme une offre de base incluant des contrôles de sécurité d'entreprise ou un modèle haute performance proposé au prix le plus bas, saisissez des contraintes de faisabilité. Minds exclut les combinaisons interdites de l'espace de conception. Troisièmement, définissez le nombre de tâches. Spécifiez un nombre de tâches compris entre 4 et 40 pour déterminer combien d'ensembles de choix sont évalués pendant la session. Quatrièmement, définissez le nombre d'alternatives par tâche. Spécifiez entre 2 et 5 configurations produit complètes présentées dans chaque ensemble de choix. Cinquièmement, configurez des tâches de validation secondaires optionnelles. Définissez entre 0 et 10 tâches de validation secondaires optionnelles. Ces tâches sont des ensembles de choix mis de côté lors de la configuration et exclus de l'entraînement du modèle logit conditionnel. Minds utilise ces éléments uniquement pour produire des diagnostics de validation après l'ajustement des paramètres du modèle. Sixièmement, sélectionnez l'identifiant de l'estimateur, qui est configuré sous la forme multinomial-logit-v1. Une fois les attributs, niveaux, contraintes de faisabilité, nombre de tâches, alternatives par tâche, tâches de validation optionnelles et l'identifiant de l'estimateur soumis, Minds construit le socle de l'étude. ## Comment Minds exécute la méthode L'exécution suit un processus structuré. Une fois les paramètres finalisés, le serveur construit un plan de choix D-optimal. Cette procédure génère un plan d'expérience qui respecte toutes les contraintes de faisabilité et limites de tâches définies. La matrice résultante équilibre la présentation des niveaux et optimise les estimations statistiques. Minds déploie ensuite le plan de choix auprès du panneau d'audience synthétique défini. Les profils synthétiques effectuent des choix entre des configurations complètes à travers les ensembles de tâches générés. Dans chaque tâche, le répondant synthétique évalue les concepts de produits côte à côte et sélectionne une seule option préférée. Les choix forcés reflètent les arbitrages auxquels les acheteurs sont confrontés dans des contextes d'achat réels. Une fois la collecte terminée, Minds lance l'estimation de l'utilité partielle en utilisant l'estimateur logit conditionnel. Le modèle logit conditionnel traite les choix entre des configurations complètes pour quantifier la contribution relative de chaque niveau d'attribut à la préférence globale du profil. Les utilités partielles par niveau sont calculées pour tous les attributs, transformant des sélections catégorielles en métriques précises de log-odds continues. Le processus exécute ensuite l'étape de validation secondaire. L'étape de validation secondaire enregistrée produit des diagnostics en testant le modèle sur les tâches mises de côté lors de la configuration. Minds enregistre les taux de réussite et les diagnostics pour établir l'ajustement de référence. Enfin, la plateforme exécute la simulation de parts de préférence uniquement lorsque des configurations sont fournies. Le système modélise des scénarios concurrentiels en présentant les configurations de produits cibles aux côtés de concepts alternatifs, en utilisant les utilités partielles estimées pour projeter des parts de préférence orientatives. Ces résultats fournissent des parts de préférence orientatives et ne sont jamais qualifiés de prévisions de parts de marché. ## Interpréter les résultats Les résultats générés par une session conjointe Minds fournissent des analyses numériques structurées, adaptées à la synthèse d'études. Le tableau du plan de choix documente la matrice complète des tâches présentées au cours de l'étude, confirmant l'équilibre de la conception et le respect des contraintes. L'ensemble de données des choix bruts contient les sélections enregistrées à travers tous les ensembles de tâches présentés, offrant une piste d'audit pour les vérifications ultérieures. Les estimations d'utilité partielle par niveau résument l'utilité de chaque niveau d'attribut, organisées par identifiants de niveaux distincts. Des valeurs d'utilité partielle positives indiquent une préférence accrue par rapport au niveau de référence, tandis que des valeurs négatives reflètent une désutilité relative. Les équipes d'études évaluent ces chiffres pour déterminer la baisse de préférence calculée lors du passage d'un niveau de prix à un autre ou de la modification de fonctionnalités incluses. Les scores d'importance des attributs expriment la contribution relative de chaque attribut à la variation totale des choix. Cela permet d'identifier quelles dimensions orientent principalement les décisions. Une importance d'attribut de quarante pour cent pour le prix indique que la tarification exerce deux fois plus d'influence sur l'issue de la décision qu'un attribut de garantie obtenant vingt pour cent. Les paramètres d'ajustement comprennent la log vraisemblance, la log vraisemblance nulle, le R-deux de McFadden, le taux de réussite, les observations, les paramètres, le statut de convergence et les identifiants de niveaux distincts. Les diagnostics de validation issus de l'étape de validation secondaire fournissent des métriques de performance diagnostiques, incluant le taux de réussite sur les tâches de validation. Lorsque des configurations sont fournies, les résultats de simulation renvoient des parts de préférence orientatives. Ceux-ci montrent comment les parts de préférence orientatives évoluent lors de modifications des configurations de fonctionnalités ou des niveaux de prix. Les équipes testent des lancements de produits hypothétiques par rapport à des références concurrentielles afin d'identifier les configurations qui maximisent les parts de préférence orientatives. Ces parts de préférence orientatives ne sont jamais présentées comme des prévisions de parts de marché. ## Flux de travail pour les équipes d'études de marché et produit professionnelles Les organisations professionnelles d'études et de produit intègrent les sessions conjointes Minds dans leurs processus d'exploration et de validation. Les équipes commencent par définir les attributs candidats et les niveaux de prix envisagés avec les parties prenantes internes. Les responsables d'études saisissent ces paramètres dans Minds pour exécuter des pré-tests synthétiques. Les panneaux synthétiques fournissent un retour orientatif sur la sensibilité aux arbitrages, permettant aux équipes d'itérer. Si les résultats initiaux d'utilité partielle montrent que certaines fonctionnalités apportent une utilité négligeable, les chefs de produit éliminent ces attributs ou ajustent les limites des niveaux. Si la sensibilité au prix domine toutes les autres dimensions, les équipes recalibrent l'écart entre les niveaux pour établir une différenciation plus claire. Une fois que la session conjointe synthétique fournit une importance claire des attributs, des identifiants de niveaux distincts et des diagnostics de validation secondaire, les équipes exportent les paramètres expérimentaux finalisés. Les attributs, niveaux et règles de contraintes sont ensuite déployés dans des sondages auprès de panneaux humains recrutés. En pré-testant la conception conjointe dans Minds, les chercheurs évaluent les paramètres de tâche, examinent les métriques d'ajustement telles que le R-deux de McFadden et la log vraisemblance, puis affinent la structure de l'enquête avant le terrain humain. Les résultats synthétiques orientatifs alimentent les synthèses de la direction et alignent les feuilles de route produit, tandis que le recrutement humain apporte une validation externe. Pour la gestion post-lancement, les équipes réexécutent des simulations dans Minds en fournissant de nouvelles configurations afin d'évaluer les parts de préférence orientatives sans relancer d'études sur le terrain. Si un concurrent baisse ses prix ou lance de nouvelles offres, les analystes ajustent les paramètres des profils dans Minds pour simuler les parts de préférence orientatives avant d'engager des ressources dans une étude terrain formelle. ## Limites et validation Les preuves issues d'audiences synthétiques dans Minds sont par nature orientatives. Les sessions conjointes exécutées sur des panneaux synthétiques reflètent le comportement modélisé de personas basés sur des données de référence sous-jacentes, et non une vérité statistique du marché. Minds ne revendique pas de représentativité statistique ni de précision universelle. Les études conjointes synthétiques ne remplacent pas les répondants humains recrutés, la vérification sur des panneaux réels ou les données comportementales d'achat effectives. Au contraire, Minds complète le travail de terrain réel en filtrant les hypothèses, en identifiant les plages d'attributs, en améliorant la structure des questionnaires et en concentrant les budgets de recrutement sur les questions de recherche. Certains cas d'usage commerciaux spécifiques nécessitent une validation auprès de répondants humains recrutés. Les modifications de prix à fort enjeu, les lancements de nouvelles catégories de produits sans précédent historique sur le marché et les analyses réglementaires doivent être vérifiés auprès de vrais panneaux humains. Les panneaux synthétiques offrent un filtrage orientatif, mais le terrain humain reste indispensable pour la réduction finale des risques. En exécutant l'analyse conjointe dans Minds comme un outil de conception itératif, les équipes d'études et de produit réduisent les délais de développement des sondages, évaluent les paramètres du modèle et abordent le terrain humain avec des instruments structurés.