Modello di articolo

Che cos’è l’analisi MaxDiff?

Definizione

L’analisi MaxDiff è una tecnica di ricerca di mercato per misurare la preferenza e l’importanza che gli intervistati attribuiscono a una lista di articoli. Può svolgere un ruolo fondamentale nel comprendere i compromessi che le persone farebbero e, in ultima analisi, fornisce un ordine di classificazione della lista. Può essere utilizzato per liste di funzioni di un prodotto, messaggi, affermazioni, attributi, caratteristiche e molto altro. A volte viene chiamato “best-worst scaling” o “maximum difference scaling” ed è stato sviluppato da J.J. Louviere.

Come si svolge?

L’analisi MaxDiff viene condotta mostrando ai partecipanti sottoinsiemi di voci di una lista e chiedendo loro di identificare le opzioni migliori e peggiori o le più e meno preferite di tale lista. Il motivo per cui adottiamo questo approccio è che può essere difficile per un rispondente ordinare 7 o più voci in un sondaggio. MaxDiff sfrutta quindi la nostra capacità di identificare i polari (migliori e peggiori) da una lista e semplifica l’attività in un numero più digeribile di elementi alla volta.

Un intervistato vede in genere da 5 a 15 domande in cui vengono mostrate da 3 a 5 voci e gli viene chiesto di indicare la migliore e la peggiore della lista. In questo modo si ottengono dati molto accurati, poiché per chi partecipa al sondaggio è un’attività più comprensibile rispetto alla presentazione dell’intera lista.

I passaggi per eseguire un’analisi MaxDiff sono i seguenti:

1. Determinare gli attributi da testare nell’analisi MaxDiff.
2. Generare il disegno sperimentale.
3. Programmare il sondaggio che ospita le attività di MaxDiff.
4. Raccogli risposte.
5. Analizzare i risultati di MaxDiff.
6. Rapporti sui risultati.

Ognuna di queste azioni si basa su quella precedente per raggiungere l’obiettivo finale di comprendere le preferenze degli intervistati.

Qualtrics ha sviluppato la Soluzione xm MaxDiff, che consente ai ricercatori di sottoporre gli intervistati a esercizi di trade-off in modo rapido e semplice, nell’ambito di un obiettivo di ricerca più ampio.

Per quali obiettivi aziendali l’analisi MaxDiff fornisce risposte?

Ci sono obiettivi aziendali chiave che MaxDiff può raggiungere. Sono inclusi:

• In che modo gli intervistati danno priorità alle funzioni o ai pacchetti?
• Su cosa si concentrano gli intervistati quando prendono una decisione d’acquisto?
• In che modo i vari messaggi e le affermazioni sui prodotti risuonano con il pubblico di destinazione?
• Quando viene chiesto di scegliere da una lista finita, come il mercato percepisce e valuta i diversi prodotti o servizi?
• Come si confrontano i diversi brand e come li ordinano gli intervistati?
• Quali compromessi faranno gli intervistati di fronte a diverse combinazioni di funzioni?

Come si può vedere, l’analisi MaxDiff può fornire dati per domande aziendali essenziali e dinamiche. MaxDiff è in grado di rispondere anche a molte richieste non legate ai prodotti.

MaxDiff può essere un metodo di ricerca molto efficace per molti casi d’uso, grazie alla sua flessibilità e alla facilità di produzione. Dovrebbe essere lo strumento di scelta ogni volta che i ricercatori hanno bisogno di approfondimenti sull’ordine di classificazione di una lista.

Attributi MaxDiff

Con l’analisi di MaxDiff, cerchiamo una lista di attributi che agiscono come offerte in sé e per sé, piuttosto che come attributi da raggruppare. Pertanto, le voci dovrebbero essere reciprocamente esclusive e indipendenti. Gli elementi possono essere funzioni di un prodotto, messaggi o affermazioni su un prodotto, benefici offerti agli utenti o ai dipendenti e molti altri casi d’uso.

Per un’analisi MaxDiff, in genere si desidera elencare da 8 a 25 voci. Più elementi si includono, più domande si dovranno porre, quindi cercate di tenere presente la stanchezza degli intervistati quando progettate la vostra ricerca.

Disegno sperimentale

Disegno sperimentale e analisi di MaxDiff

Il disegno sperimentale di MaxDiff determina quali elementi saranno mostrati nelle domande presentate agli intervistati. Il design garantisce una rappresentazione adeguata per ottenere risultati accurati e affidabili. Se progettato correttamente, il sondaggio raccoglierà i dati necessari per ordinare le voci.

La regola generale è che ogni intervistato deve vedere ogni voce tre volte. Il sottoprodotto di questa regola è che un maggior numero di elementi di MaxDiff si tradurrà in un maggior numero di domande. Oltre a questa regola, ci sono anche altre condizioni che Qualtrics rispetta come parte della generazione del disegno sperimentale, tra cui: Randomizzazione, Bilanciamento degli item, Bilanciamento a coppie e Raggruppamento degli item.

• Randomizzatore: La domanda e la posizione all’interno della domanda in cui compare un elemento di MaxDiff sono assegnate in modo casuale.
• Bilanciamento degli item: Il numero di volte in cui ogni voce viene visualizzata all’interno del set di domande di un rispondente (noto anche come “versione”) è bilanciato e viene visualizzato relativamente lo stesso numero di volte. Anche il numero di volte in cui ogni elemento viene mostrato è bilanciato tra tutte le versioni.
• Equilibrio a coppie: Il numero di volte in cui ogni elemento viene mostrato con tutti gli altri elementi è relativamente bilanciato tra tutti gli intervistati.
• Voce Networking: È nota anche come connettività. Questa regola garantisce che, se gli elementi fossero divisi in due gruppi uguali, non ci sarebbe mai un elemento all’interno di un gruppo che non viene mostrato con nessuno degli elementi dell’altro gruppo.

Sondaggio & Campione; Dimensione del campione

Programmazione del sondaggio

L’analisi di MaxDiff si basa sulle risposte ai sondaggi. Quando viene condotto uno studio MaxDiff, di solito è il fulcro del sondaggio, ma non deve essere la sua totalità. In ogni caso, è fondamentale che l’esercizio MaxDiff all’interno del sondaggio sia conciso e ben strutturato.

I sondaggi MaxDiff includono comunemente domande di selezione per assicurarsi che il tipo giusto di intervistati completi il sondaggio, introduzione e risorse educative e domande demografiche. Non ci sono regole ferree su quante altre domande possano essere aggiunte a uno studio MaxDiff o su quale punto del flusso del sondaggio debba trovarsi il Maxdiff. Va notato che qualsiasi domanda posta agli intervistati al di fuori dell’esercizio di MaxDiff richiede tempo e attenzione che altrimenti potrebbero essere dedicati all’esercizio di MaxDiff.

La lunghezza del sondaggio deve essere presa in considerazione durante la progettazione e la realizzazione dello studio. Quando un rispondente è affaticato dal sondaggio, è meno probabile che dia risposte ponderate, abbassando così la qualità dei dati. I sondaggi che durano più di 10-15 minuti sono più suscettibili di affaticamento e di problemi di qualità dei dati.

I dati ricavati da uno studio MaxDiff sono relativi e accurati solo se l’intervistato comprende appieno le premesse dello studio. Molti studi testano concetti ben noti e assimilabili dal grande pubblico. Tuttavia, se questo non è il caso, è necessario dedicare del tempo prima dell’esercizio di MaxDiff per educare adeguatamente il rispondente attraverso descrizioni e/o video. Quanto più un prodotto è chiaro e immaginabile per chi fa il sondaggio, tanto più veritieri saranno i punteggi di utilità ottenuti.

Oltre al testo e alle descrizioni semplici e dirette, anche il layout di ogni domanda deve favorire la comprensione e la chiarezza. Ciò consente all’intervistato di fare confronti e di rispondere in modo definitivo.

Dimensioni del campione

Per il successo e l’accuratezza dei risultati di MaxDiff è fondamentale il numero di risposte da raccogliere e la rilevanza del soggetto per le persone che partecipano al sondaggio. Una regola generale è quella di raccogliere un campione totale minimo di 300 persone. A questo proposito, è importante considerare anche i segmenti di interesse nel numero di risposte raccolte. Si consiglia di assegnare a ciascun segmento un valore di n > 150.

È importante che le persone che partecipano all’esercizio di MaxDiff riflettano coloro che alla fine saranno gli acquirenti o il mercato di destinazione. Spesso i ricercatori aggiungono domande demografiche all’inizio del sondaggio per garantire l’esclusione di popolazioni non pertinenti (ad esempio, quelle che non rientrano nella fascia d’età o nella regione in cui il prodotto sarà disponibile). In alternativa, le aziende dispongono spesso di liste di clienti attuali o potenziali a cui distribuire il sondaggio.

Modellazione dell’analisi MaxDiff

Panoramica

Quando si analizzano le risposte di MaxDiff, le selezioni dei rispondenti vengono tradotte in preferenze. Il risultato dell’analisi sarà una lista in ordine di classificazione delle preferenze per i diversi articoli testati.

Il cuore dell’analisi è la modellazione statistica che stima l’utilità che gli intervistati assegnano a ciascun elemento. L’analisi di MaxDiff ha l’intimidatoria reputazione di essere “complessa” a causa della sua modellazione statistica, ma questo è anche ciò che ha reso MaxDiff una tecnica di ricerca di livello mondiale. Esistono diversi approcci statistici utilizzati per calcolare queste preferenze di utilità, tra cui la regressione e la modellazione di regressione logistica multinomiale, che sono tipicamente condotte a livello aggregato.

Indipendentemente dal modo in cui vengono modellate le selezioni del sondaggio, l’output è costituito da coefficienti di utilità che rappresentano il valore o la preferenza che la base dei rispondenti ha per il singolo elemento di MaxDiff. Per i disegni e i metodi di analisi che consentono di calcolare i punteggi di utilità a livello individuale, possiamo ricavare modelli di preferenza per ogni singolo intervistato. Questo può essere vantaggioso per una serie di motivi, tra cui la segmentazione di vari tagli di dati, l’analisi di classi latenti e le simulazioni di portata. L’approccio principale adottato per produrre modelli di utilità basati sull’individuo è la stima gerarchica di Bayes. Si tratta di una tecnica che utilizza metodi bayesiani per ricavare in modo probabilistico il valore relativo di ciascuna variabile oggetto del test.

Stima gerarchica di Bayes

La stima di Hierarchical Bayes (HB) è un processo iterativo. Comprende un modello di livello inferiore che stima il benessere relativo dell’individuo per gli attributi testati e un modello di livello superiore che predice le preferenze della popolazione. Questi due elementi lavorano insieme finché l’analisi non converge sui coefficienti che rappresentano il valore di ciascun attributo per ogni individuo.

In un certo senso, la stima HB permette di prendere in prestito informazioni da altre risposte per ottenere risultati a livello individuale ancora migliori e più stabili. È molto robusto e ci permette di ottenere una grande comprensione delle preferenze degli intervistati, anche presentando loro meno attività.

La tecnica è considerata “gerarchica” a causa dei modelli di livello superiore e inferiore. Questo approccio stima le preferenze medie (livello più alto) e poi misura quanto ogni intervistato si discosta da questa distribuzione per ricavare le sue utilità specifiche (livello più basso). Il processo si ripete per un certo numero di iterazioni per aiutarci a definire la probabilità che un concetto specifico venga selezionato in base alla sua utilità (quindi un modello di regressione logistica multinomiale).

Il progetto di analisi MaxDiff di Qualtrics utilizza la stima di Bayes gerarchica scritta in STAN per calcolare le utilità delle preferenze individuali.

Coefficienti di utilità a livello individuale

I risultati del modello bayesiano sono punteggi di preferenza che rappresentano l’utilità che gli individui percepiscono con ogni variabile. Questi punteggi sono spesso chiamati utilità partworth e sono la base di tutti i riepiloghi dei punteggi prodotti dallo studio MaxDiff.

Il file di utilità conterrà una riga per ogni rispondente incluso nell’analisi MaxDiff e una colonna per ogni livello unico testato nello studio. Nel modellare le preferenze di ciascun intervistato, le utilità ci aiutano a prevedere quali selezioni farebbero gli intervistati di fronte a diverse formazioni.

Le utilità sono di tipo ordinale e indicano l’ordine di classificazione di una lista di variabili.

Metriche di sintesi di MaxDiff

Metriche di sintesi di MaxDiff

Dopo che l’analisi ha determinato i coefficienti di utilità, si possono preparare output e deliverable per presentare i risultati dello studio. Le utilità sono il blocco di tutte le metriche di sintesi.

Le metriche di riepilogo principali che di solito accompagnano l’analisi di MaxDiff sono descritte di seguito:

• Quota di preferenza: La quota di preferenza è la misura della probabilità che un elemento venga scelto rispetto a un altro se all’intervistato viene chiesto di selezionare il migliore tra tutte le opzioni. È il prodotto delle utilità calcolate con un modello di regressione logistica multinomiale e si ottiene esponenziando l’utilità dell’articolo e divisore per la somma delle utilità di tutti gli articoli esponenziati.
• Utilità media: Il punteggio medio di utilità di ciascun elemento tra tutti gli intervistati. Questi sono di natura ordinale e mostrano la preferenza relativa tra gli elementi. La media delle utilità può fornire una comprensione direzionale, ma non dovrebbe essere una metrica indipendente per riassumere l’analisi MaxDiff.
• Analisi dei conteggi: L’analisi dei conteggi è una metrica che indica semplicemente la percentuale di volte in cui ciascun elemento è stato selezionato maggiormente/meno quando è stato mostrato.

Maxdiff ancorato

Che cos’è il MaxDiff ancorato?

L’Anchored MaxDiff è una metodologia supplementare in cui viene posta una domanda di follow-up dopo ogni attività di MaxDiff. Presenta alcune somiglianze con l’Analisi congiunta a doppia scelta, sia per il modo in cui viene posta la domanda sia per il modo in cui viene modellata.

L’approccio prevede di porre una domanda subito dopo ogni attività di MaxDiff. Dopo aver presentato la lista di articoli, all’intervistato viene chiesto se:

1. Tutti gli elementi che vedono sopra sono importanti/preferiti.
2. Alcuni degli elementi che vedono sopra sono importanti/preferiti e altri non importanti/non preferiti.
3. Tutti gli elementi che vedono sopra non sono importanti/non sono preferiti.

Questi dati vengono inseriti nel modello statistico. Questo permette di comprendere il punto di ancoraggio in cui l’output di utilità si trova al di sopra e al di sotto di una linea in cui gli elementi sono effettivamente considerati importanti o preferiti.

Interpretare il Maxdiff ancorato

Con il Maxdiff ancorato, il grafico delle preferenze visualizzerà le funzioni importanti in blu e quelle non importanti in rosso. Se tutte le funzioni sono blu, il modello ha valutato che tutte le funzioni sono al di sopra del punto di ancoraggio. La legenda in fondo al grafico indica il colore e l’importanza delle funzioni incluse.

FAQ