대학원생 예산과 논문 요구 수준을 함께 고려하면, 학교에 Sawtooth 라이선스가 있거나 Sawtooth 아카데믹 그랜트를 받을 수 있다면 Sawtooth를, 그렇지 않다면 R의 무료 패키지로 시작해 필요할 때 Qualtrics XM을 보완하는 흐름이 가장 현실적입니다. 마케팅 논문에서 컨조인트 분석은 소비자의 속성별 선호도(가격, 브랜드, 기능 등)를 추정할 때 쓰이는 대표적인 기법으로, 최근에는 신제품 개발, 가격 결정, 서비스 설계 연구에서 특히 자주 쓰입니다. 이 글은 대학원생이 실제로 접하는 세 가지 도구 — Sawtooth Software, Qualtrics XM, R(conjoint/support.CEs 등 패키지) — 를 가격, 학습곡선, 논문 결과표 산출 편의성 기준으로 비교합니다. 표본 크기, 협업 편의성, 실제 워크플로 예시까지 함께 다루며, 도구를 아예 바꿔야 하는 상황에 대비하는 법도 정리했습니다.
세 도구는 각각 무엇을 위한 도구인가요?
Sawtooth Software는 컨조인트 분석 전용으로 설계된 상용 소프트웨어로, 설문 설계부터 분석까지 한 플랫폼에서 처리합니다. Qualtrics XM은 원래 종합 설문조사 플랫폼이지만 컨조인트·MaxDiff 전용 프로젝트 유형을 제공하며, 이 기능이 소속 대학의 라이선스에 포함되어 있다면 별도 구매 없이 쓸 수 있습니다. R은 통계 프로그래밍 언어로, conjoint, support.CEs, cbcTools 같은 무료 패키지를 설치해 직접 코드를 짜서 분석합니다. 세 도구 모두 결과적으로 부분가치(part-worth utility)를 추정한다는 점은 같지만, 접근 방식과 필요한 기술 수준이 크게 다릅니다.
가격과 라이선스는 어떻게 다른가요?
Sawtooth는 상용 소프트웨어라 개인이 정식 라이선스를 구매하기에는 부담이 크지만, 소속 대학이나 연구실의 기관 라이선스 외에도 공식 아카데믹 그랜트 프로그램이 있습니다. Sawtooth 웹사이트에 따르면 인가된 기관의 석사과정생은 Discover를, 박사과정생은 Discover 또는 Lighthouse Studio를 학위 연구 목적으로 받을 수 있으며, 연구 요약을 제공하는 조건이 붙습니다. Qualtrics XM은 대학이 전교생/전교수용 라이선스를 보유한 경우가 많아, 이미 설문 배포용으로 쓰고 있다면 컨조인트 모듈만 활성화하면 되는 경우가 있습니다(단, 컨조인트 모듈이 라이선스 등급에 포함되어 있는지는 학교 계약에 따라 다르므로 확인이 필요합니다). R은 완전 무료 오픈소스이며, 개인 노트북에 설치해 별도 비용 없이 쓸 수 있습니다.
학습 곡선은 어느 정도인가요?
Sawtooth는 GUI(그래픽 인터페이스) 기반으로 설문 설계와 분석 메뉴가 비교적 직관적이어서, 통계 프로그래밍 경험이 없어도 매뉴얼을 따라가며 배울 수 있습니다. 다만 옵션이 매우 세분화되어 있어 처음에는 어떤 설정을 골라야 할지 막막할 수 있습니다. Qualtrics XM도 GUI 기반이며, 이미 Qualtrics로 일반 설문을 만들어본 경험이 있다면 컨조인트 모듈 학습 부담이 상대적으로 적습니다. R은 코드를 직접 작성해야 하므로 학습 곡선이 가장 가파르지만, 일단 익히면 분석 과정을 세밀하게 통제할 수 있고 재현성(같은 코드를 재실행하면 같은 결과)이 보장된다는 장점이 있습니다.
논문에 쓸 결과표·그래프는 어떻게 뽑나요?
Sawtooth는 부분가치 추정치, 상대적 중요도(attribute importance), 시장 시뮬레이션 결과를 논문에 바로 쓸 수 있는 표 형태로 자동 출력해주는 기능이 강점입니다. Qualtrics XM도 유틸리티 점수와 중요도 그래프를 자동 생성하지만, Sawtooth만큼 세부 옵션이 풍부하지는 않습니다. R은 자동 출력 기능이 없는 대신, ggplot2 같은 시각화 패키지와 연계해 논문 편집 양식에 맞춘 맞춤형 그래프를 만들 수 있다는 장점이 있습니다. 다만 이 맞춤화에는 별도의 코드 작성 시간이 필요합니다.
설계(속성·수준, 직교설계)는 어떻게 다른가요?
Sawtooth는 CBC(Choice-Based Conjoint) 설계를 위한 전용 설계 알고리즘을 내장하고 있어, 속성과 수준을 입력하면 균형 잡힌 프로파일 조합을 자동으로 생성해줍니다. Qualtrics XM도 유사한 자동 설계 기능을 제공합니다. R로 직접 하려면 직교설계(orthogonal design) 또는 효율적 설계(D-efficient design)를 별도 패키지(AlgDesign 등)로 생성해야 하며, 이 과정에서 통계적 개념(직교성, 균형성)을 이해하고 있어야 설계 품질을 스스로 점검할 수 있습니다.
표본 크기는 도구에 따라 달라지나요?
필요 표본 크기는 도구 자체보다 설계(속성 수, 수준 수, 과제 수)와 분석 방법(집계 로짓 vs 개인별 계층적 베이즈)에 따라 달라집니다. 계층적 베이즈 추정을 개인 수준까지 안정적으로 하려면 대체로 수백 명 규모의 표본이 필요하다고 보는 경우가 많으며(정확한 수는 설계에 따라 달라짐), Sawtooth와 R 모두 이 추정 방법을 지원합니다. 표본이 충분하지 않다면 개인별 추정 대신 집계 수준 분석으로 방법을 조정하고, 이 사실을 제한점에 명시하는 것이 안전합니다.
지도교수·선행연구가 어떤 도구를 썼는지가 왜 중요한가요?
같은 연구실 선배나 지도교수가 이미 특정 도구로 컨조인트 분석 논문을 여러 편 지도한 경험이 있다면, 그 도구를 따라가는 것이 현실적으로 가장 안전한 선택입니다. 심사위원도 익숙한 도구의 출력 형식을 더 빨리 이해하고, 막히는 부분에 대해 선배나 지도교수의 도움을 직접 받을 수 있기 때문입니다. 반대로 아무도 써본 적 없는 도구를 혼자 배워야 한다면, 분석 자체보다 도구 학습에 더 많은 시간을 쓰게 될 위험이 있습니다.
어떤 상황에서 어느 도구가 맞나요?
학교에 Sawtooth 기관 라이선스가 있거나 아카데믹 그랜트를 받았고 컨조인트가 주 분석 기법이라면 Sawtooth가 가장 효율적입니다. Qualtrics 라이선스는 있지만 Sawtooth는 없고, 설문 배포와 분석을 한 번에 끝내고 싶다면 Qualtrics XM의 컨조인트 모듈을 고려할 만합니다. 예산이 전혀 없고 통계 프로그래밍에 어느 정도 자신이 있거나 배울 의지가 있다면, R이 가장 유연하고 비용 부담이 없는 선택입니다. 세 도구를 병행하는 경우도 있는데, 예를 들어 설문 설계와 자료 수집은 Qualtrics로, 심화 분석은 R로 진행하는 방식입니다.
주의할 점: 도구가 바뀌어도 보고해야 할 것은 같습니다
어떤 도구를 쓰든 논문 방법 절에는 사용한 소프트웨어명과 버전, 설계 방식(CBC, 전통적 컨조인트 등), 속성과 수준의 수, 프로파일 수, 추정 방법(계층적 베이즈 등)을 명시해야 합니다. 도구 자체의 편의성과 무관하게, 이 정보가 빠지면 재현 가능성 측면에서 심사 지적을 받을 수 있습니다.
가상 사례: 특정 속성의 부분가치가 전부 비슷하게 나올 때
가상의 예로, R로 계층적 베이즈 추정을 마쳤는데 네 가지 속성(가격, 브랜드, 화질, 광고 유무) 중 유독 “브랜드” 속성의 부분가치가 응답자 대부분에서 거의 0에 가깝게, 즉 브랜드 간 선호 차이가 거의 없는 것처럼 나온 상황이 있다고 하겠습니다. 이런 결과가 나오면 먼저 설계 단계로 돌아가 해당 속성의 수준(예: 브랜드 A/B/C)이 응답자에게 실제로 구분 가능한 차이로 제시되었는지 점검하는 것이 우선입니다. 브랜드명이 익숙하지 않거나 가상의 이름으로 제시되었다면 응답자가 그 속성에 큰 의미를 두지 않았을 가능성이 있습니다. 다음으로 설문 자체의 문제가 아니라 추정 방법의 문제일 수도 있으므로, 같은 자료를 집계 수준 로짓으로 재추정해 같은 패턴이 나오는지 대조해보는 것이 안전합니다. 두 방법에서 모두 같은 결과가 나온다면 “브랜드는 이 제품 카테고리에서 소비자 선택에 유의한 영향을 미치지 않았다”는 결과 자체를 논의에서 정직하게 다루고, 왜 그런 결과가 나왔을지 선행연구나 카테고리 특성과 연결해 해석하는 것이 안전합니다. 결과가 기대와 다르다고 해서 속성을 결과에서 조용히 빼는 것은 데이터 선택적 보고에 해당하므로 피해야 합니다.
세 도구를 함께 쓸 때 데이터 형식은 어떻게 맞추나요?
Qualtrics로 자료를 수집한 뒤 R로 심화 분석을 진행하는 경우, Qualtrics에서 내보낸 응답 데이터(CSV)를 R이 인식할 수 있는 “긴 형식(long format)”으로 재구성하는 전처리 단계가 필요합니다. 이 단계에서 응답자 ID, 과제(task) 번호, 선택한 프로파일, 속성 수준이 각각 하나의 열로 정리되어야 선택형 자료를 추정하는 패키지(예: support.CEs, mlogit)가 정상적으로 작동합니다. 참고로 conjoint 패키지는 평정형(전통적) 컨조인트용이므로 선택형 자료에는 맞지 않습니다. Sawtooth에서 수집한 자료를 R로 옮겨 추가 분석하고 싶을 때도 마찬가지로, Sawtooth의 내보내기 형식을 R이 읽을 수 있는 형태로 변환하는 절차를 미리 확인해두는 것이 좋습니다.
시장 시뮬레이션 기능은 어떻게 다른가요?
컨조인트 분석의 실무적 활용 중 하나는 “특정 속성 조합을 가진 신제품이 시장에서 어느 정도 선택될지”를 시뮬레이션하는 것입니다. Sawtooth는 이런 시장 시뮬레이터가 내장되어 있어, 여러 가상 제품 시나리오를 입력하면 예상 시장점유율을 바로 계산해줍니다. Qualtrics XM도 기본적인 시뮬레이션 기능을 제공하지만 Sawtooth만큼 시나리오를 세밀하게 조정하기는 어렵습니다. R에서는 추정된 부분가치를 바탕으로 직접 시뮬레이션 함수를 작성해야 하며, 이는 R 활용의 장점(완전한 커스터마이징)이자 단점(추가 작업 필요)이기도 합니다. 논문에서 시장 시뮬레이션 결과까지 제시하고 싶다면, 이 기능의 구현 난이도도 도구 선택 시 고려할 요소입니다.
공동 연구나 여러 명이 함께 분석할 때는 어떤 도구가 유리한가요?
여러 연구자가 함께 분석을 나눠 진행하는 경우, R은 코드 자체를 공유하고 버전 관리(Git 등)를 통해 협업하기가 용이하다는 장점이 있습니다. Sawtooth와 Qualtrics XM은 라이선스가 개인 또는 소수 계정에 묶여 있는 경우가 많아, 여러 명이 동시에 같은 프로젝트 파일에 접근하려면 별도의 계정 관리나 파일 공유 절차가 필요합니다. 공동연구실 단위로 컨조인트 분석을 자주 수행한다면, 이런 협업 편의성도 장기적으로 도구를 선택하는 기준이 될 수 있습니다.
세 도구를 실제로 병행한 가상의 워크플로 예시
가상의 예를 들면, “구독형 OTT 서비스의 가격·화질·광고 유무 조합에 대한 소비자 선호”를 연구하는 대학원생이 다음과 같은 흐름으로 세 도구를 병행할 수 있습니다. 1단계, Qualtrics XM으로 컨조인트 설문을 설계하고 온라인 패널을 통해 자료를 수집합니다. 2단계, 수집된 원자료를 R로 불러와 불성실 응답을 제거하고 분석에 필요한 형식으로 전처리합니다. 3단계, R의 계층적 베이즈 패키지로 개인별 부분가치를 추정하고, ggplot2로 논문 편집 양식에 맞춘 그래프를 만듭니다. 4단계, 필요하다면 추정된 부분가치를 바탕으로 R에서 직접 시장 시뮬레이션 함수를 작성해 신제품 시나리오별 예상 점유율을 계산합니다. 이 흐름은 어디까지나 하나의 예시이며, 실제로는 학교 라이선스 상황과 연구자의 기술 수준에 맞춰 조정해야 합니다.
비용을 아예 들이지 않고 시작하고 싶다면
Sawtooth나 Qualtrics 라이선스가 전혀 없고 당장 비용을 지출하기 어렵다면, R의 무료 패키지와 온라인 강의·튜토리얼을 조합해 독학으로 시작하는 방법도 있습니다. 이 경우 conjoint 패키지의 공식 문서와 예제 코드를 먼저 따라 해보고, 자신의 연구 설계에 맞춰 변수명과 속성 수를 하나씩 바꿔가며 익히는 방식이 효율적입니다. 처음부터 완벽한 코드를 짜려 하기보다, 예제 코드를 최대한 그대로 활용해 결과를 한 번 끝까지 내보는 경험을 먼저 쌓는 것이 학습 속도를 높이는 데 도움이 됩니다.
도구를 중간에 바꿔야 하는 상황이 생기면 어떻게 하나요?
예비조사까지는 Qualtrics로 진행했다가 본조사에서 Sawtooth로 옮기는 등, 연구 도중 도구를 바꿔야 하는 경우도 드물지 않습니다. 이런 경우에는 두 도구에서 산출한 설계와 결과가 동일한 속성·수준 체계를 쓰고 있는지 먼저 대조하고, 방법 절에도 “예비조사는 Qualtrics XM, 본조사는 Sawtooth Lighthouse Studio로 진행하였다”처럼 도구가 바뀐 지점과 이유를 명시하는 것이 안전합니다. 심사위원 입장에서는 도구가 왜, 어느 단계에서 바뀌었는지가 명확하지 않으면 연구 설계의 일관성을 의심할 수 있습니다.
졸업 후 실무에서도 같은 도구를 쓰게 될까요?
대학원에서 컨조인트 분석 도구를 배운 경험은 졸업 후 시장조사·마케팅 리서치 실무에서도 활용될 수 있습니다. 리서치 업계에서는 Sawtooth 같은 전용 도구를 쓰는 곳이 있어 사용 경험이 도움이 될 수 있습니다. 반대로 스타트업이나 데이터 분석 중심 조직에서는 R이나 Python 기반의 자체 분석 파이프라인을 쓰는 경우도 많아, 어떤 산업·직군을 목표로 하는지에 따라 대학원 시절 어느 도구에 더 시간을 투자할지 전략적으로 판단해볼 수 있습니다.
마케팅 논문의 다른 방법론은 어디서 확인하나요?
컨조인트 분석 결과를 가설 검증에 연결하는 절차가 궁금하다면 마케팅 논문 가설 설정 예시 20선을 참고할 수 있습니다. 설문 자료의 응답 품질을 어떻게 관리하는지는 불성실 응답 제거 기준에서 확인할 수 있고, 마케팅 세부전공의 표준 연구설계 전반은 경영학 논문 작성법에서 함께 볼 수 있습니다.
자주 묻는 질문
학부 수준에서도 컨조인트 분석을 쓸 수 있나요?
가능하지만 설계와 해석에 통계적 이해가 필요하므로, 학부 논문이라면 지도교수와 충분히 상의한 뒤 도구를 선택하는 것이 안전합니다.
세 도구의 분석 결과가 서로 다르게 나올 수 있나요?
같은 자료라도 추정 방법(계층적 베이즈 vs 로짓)이 다르면 수치가 약간 달라질 수 있습니다. 방법 절에 추정 방법을 명확히 밝히면 이런 차이를 설명할 수 있습니다.
Sawtooth 무료 체험판이 있나요?
평가판 외에도 석·박사과정생을 위한 아카데믹 그랜트 프로그램이 있으니, 공식 웹사이트에서 최신 조건을 확인하는 것이 안전합니다.
MaxDiff와 컨조인트 분석은 같은 건가요?
둘 다 속성 간 상대적 중요도를 파악하는 기법이지만, MaxDiff는 항목들 중 가장 좋아하는 것과 가장 싫어하는 것을 고르게 하는 방식이고, 컨조인트는 여러 속성이 조합된 가상의 제품/서비스 프로파일 중 하나를 선택하게 하는 방식이라는 점에서 설계와 해석이 다릅니다.
시장 시뮬레이션 결과를 논문에 꼭 넣어야 하나요?
필수는 아니지만, 실무적 시사점을 강조하고 싶은 연구라면 시뮬레이션 결과를 논의 절에 추가하는 것이 설득력을 높이는 데 도움이 됩니다.
R을 독학으로 배워도 논문에 쓸 수준까지 갈 수 있나요?
충분히 가능합니다. 다만 시간이 걸리므로, 논문 일정에 여유를 두고 예제 코드 실습부터 단계적으로 접근하는 것을 권장합니다.
컨조인트 분석을 처음 쓴다면 어느 도구부터 시도해보는 게 좋을까요?
학교 라이선스가 있는 도구부터 시작하는 것이 가장 빠릅니다. 라이선스가 없다면 R의 conjoint 패키지 예제를 그대로 따라 해보는 것이 비용 없이 감을 잡는 가장 현실적인 첫걸음입니다.
부분가치 추정치의 부호가 예상과 반대로 나오면 어떻게 하나요?
먼저 속성 수준의 코딩 순서(예: 낮은 가격이 기준 수준인지)가 의도한 대로 설정되었는지 확인하는 것이 첫 단계입니다. 코딩에 문제가 없는데도 예상과 반대라면, 이는 실제 발견이므로 삭제하지 말고 논의에서 선행연구와 비교하며 해석해야 합니다.
속성이나 수준의 개수를 정하는 일반적인 기준이 있나요?
정해진 규칙은 없지만, 응답자의 인지 부담을 고려해 속성은 4~6개, 수준은 속성당 2~4개 정도로 구성하는 경우가 흔합니다. 속성과 수준이 지나치게 많아지면 설문이 길어지고 응답 품질이 떨어질 수 있으므로, 연구질문에 꼭 필요한 속성만 남기는 것이 안전합니다.
정리
마케팅 논문의 컨조인트 분석 도구는 Sawtooth(전용 상용), Qualtrics XM(설문 겸용), R(무료 오픈소스) 세 갈래로 나뉘며, 학교 라이선스 보유 여부와 본인의 프로그래밍 숙련도가 선택의 가장 큰 변수입니다. 어떤 도구를 쓰든 소프트웨어명·버전·설계 방식·추정 방법을 방법 절에 빠짐없이 명시해야 재현 가능성을 인정받을 수 있으며, 시장 시뮬레이션과 협업 편의성, 도구 전환 시 일관성, 졸업 후 실무 활용 가능성까지 고려하면 도구 선택의 기준이 더 명확해집니다. Tesify의 AI 학술 에디터는 방법 절에 필요한 도구명·버전·설계 방식 등의 보고 항목을 놓치지 않도록 초안을 잡는 데 도움을 줄 수 있으며, 최종 분석 결과와 해석은 반드시 지도교수와 함께 검증해야 합니다.
Tesify로 분석 방법 절 초안 잡기를 시작하면, 어떤 도구를 쓰든 방법 절에 필요한 보고 항목을 빠짐없이 채울 수 있습니다.