記事テンプレート

Maxdiff分析とは？

定義

MaxDiff分析は、回答者がアイテムのリストに置く嗜好性と重要性を測定するための市場調査手法です。ITは、人々が行うであろうトレードオフを理解し、最終的にリストのランキングを提供する上で重要な役割を果たすことができる。製品の機能/特徴リスト、メッセージング、クレーム、属性、特性など、さまざまな用途に使用できます。これはベスト・ワースト・スケーリングや最大差分スケーリングと呼ばれることもあり、J.J.によって育成された。ルーヴィエール

ITはどのように行われているのですか？

MaxDiff分析は、リストからの項目のサブセットを参加者に示し、回答者に当該リストからの最も良い選択肢と最も悪い選択肢、または最も好ましい選択肢と最も好ましくない選択肢を識別させることによって実施される。このようなアプローチを取る理由は、回答者がアンケート調査で7つ以上の項目をランキングするのは難しい場合があるからです。MaxDiffが活用するのは、リストから極（ベストとワースト）を特定する能力であり、一度に消化しやすいアイテム数でタスクを簡素化する。

回答者は通常、3～5項目が表示される5～15問程度の質問を目にし、リストの中からベストとワーストを回答するよう求められる。これは、リスト全体を提示するよりも、アンケート調査対象者にとってより理解しやすいタスクであるため、非常に正確なデータが得られる。

MaxDiff分析を実行する手順は以下の通りである：

1. MaxDiff分析でテストされる属性を決定する。
2. 実験計画を作成する。
3. MaxDiffタスクをホストするアンケートを調査する。
4. 回答を回収
5. MaxDiffの結果を分析する。
6. 調査結果をレポートする。

これらはそれぞれ、回答者の嗜好を理解するという最終目標に向かって、前の行動を土台にしている。

クアルトリクスはMaxDiff XMソリューションを育成し、研究者はより大きな研究目的の一環として、迅速かつ簡単に回答者にトレードオフ演習を実施することができます。

MaxDiff分析は、どのようなビジネス目標に対して答えを提供するのでしょうか？

Maxdiffが実現できる主なビジネス目標があります。これには以下が該当します。

• 回答者はパッケージの機能や特徴にどのような優先順位をつけていますか？
• 回答者は何を重視して購入を決めるのか？
• 様々なメッセージングや製品の謳い文句は、どのようにターゲットに響くのか。
• 限られたリストの中から選ぶよう求められたとき、市場はさまざまな製品やサービスをどのように認識し、評価しているのだろうか。
• また、回答者はどのようにブランドをランキングしているのでしょうか？
• 異なる機能の組み合わせに直面したとき、回答者はどのようなトレードオフをするでしょうか？

お分かりのように、MaxDiff分析は、本質的かつダイナミックなビジネス上の疑問に対するデータを提供することができます。また、Maxdiffがお答えできる製品に関連しないお問い合わせも多くあります。

MaxDiffは、その柔軟性と簡単な出力により、多くのユースケースにおいて非常に効果的な研究手法となり得ます。研究者がリストのランキングのインサイトを必要とするときは、いつでもITが選択肢となるはずである。

MaxDiff属性

MaxDiff分析では、以下のリストを探している。 属性 それ自体が供物として機能するものであり、むしろ束ねられるべき属性である。従って、各項目は相互に排他的で、独立したものでなければならない。項目は、製品の機能/特徴、製品に関するメッセージングや主張、従業員やユーザーに提供される利益、その他多くのユースケースである。

MaxDiff分析では、一般的に8～25項目をリストアップしたい。調査項目が増えれば増えるほど、質問も増えるので、回答者の疲労を念頭に置いて調査計画を立てるようにしましょう。

実験デザイン

実験デザインとMaxDiff解析

Maxdiffの実験デザインは、回答者に提示される質問にどの項目が表示されるかを決定します。この設計は、正確で信頼できる結果を確保するという最終的な結果のために、適切な表現を保証するものである。アンケート調査が正しく設計されていれば、項目のランキングに必要なデータを収集することができる。

一般的なルールとして、すべての回答者に各項目を3回見てもらいたい。このルールの副産物として、MaxDiffの項目が増えると質問数が増えることになる。このルール以外にも、クアルトリクスが実験計画を作成する際に尊重する条件があります：ランダム化機能、項目バランス、ペアバランス、項目ネットワーキング。

• ランダム化機能：MaxDiff項目が出題される問題および問題内の位置はランダム化されます。
• 項目のバランス：回答者の質問セット（「バージョン」とも呼ばれる）内で各項目が表示される回数はバランスよく、比較的同じ回数表示されます。各アイテムの表示回数も、すべてのバージョンでバランスが取れている。
• ペアバランス：各項目が他のすべての項目と一緒に表示される回数は、すべての回答者に比較的バランスが取れている。
• アイテムのネットワーキング：これは接続性とも呼ばれる。このルールによって、もし項目が2つの等しいグループに区切られたとしても、一方のグループの項目がもう一方のグループのどの項目とも一緒に表示されることがないことが保証される。

アンケート調査；サンプルサイズ

アンケート調査プログラミング

MaxDiff分析は、アンケート調査回答によって行われます。MaxDiff調査が実施される場合、通常はそれがアンケート調査の焦点となるが、それが全てである必要はない。いずれにせよ、アンケート調査におけるMaxDiffは、簡潔で構成がしっかりしていることが重要である。

MaxDiffアンケート調査には、一般的に、適切なタイプの回答者がアンケートに回答するためのスクリーニング質問、導入と教育リソース、および人口統計学的質問が含まれています。MaxDiff調査に他の質問を何問追加できるか、またはMaxDiffがアンケート調査の流れのどの位置にあるべきかについて、明確なルールはありません。MaxDiffの練習以外で回答者に尋ねられる質問は、MaxDiffの練習に割くことのできる時間と集中力を奪うことに留意すべきである。

アンケート調査の長さについては、調査の設計や構築の段階で検討する必要がある。回答者がアンケート調査で疲労していると、気の利いた回答をする可能性が低くなり、データの質が低下します。10～15分以上かかるアンケートは、疲労やデータ品質の問題の影響を受けやすい。

MaxDiff調査からフィールドされるデータは、回答者が調査の前提を十分に理解している場合にのみ、相対的で正確なものとなる。 多くの研究は、一般によく知られ、親しみやすい概念を検証している。しかしながら、そうでない場合には、Maxdiffの練習の前に、説明やビデオを通して被申請人を適切に教育する時間を割くべきである。 アンケート調査対象者にとって、商品がより明確でイメージしやすいものであればあるほど、結果として得られる効用スコアはより正しいものになる。

質問文や説明がシンプルでわかりやすいことに加え、各設問のレイアウトも理解しやすくわかりやすいものでなければならない。これにより、回答者は比較を行い、明確に答えることができる。

サンプルサイズ

MaxDiffの結果を成功させ、正確なものにするために重要なのは、収集する回答数と、アンケートを受ける個人と被評価者との関連性です。一般的な経験則では、最低でも合計300のサンプルサイズを集めることである。 この点を考慮すると、収集した回答数に関心のある細分化を織り込むことも重要である。各細分化にはn >150を推奨する。

Maxdiffのエクササイズを受ける人々が、最終的に買い手となる人々やターゲット市場を反映していることが重要である。アンケート調査の冒頭で人口統計学的な質問を追加して、無関係な集団（例えば、ターゲットとする年齢層や製品が利用される地域以外の人々）が除外されるようにすることがよくあります。あるいは、企業がアンケート調査を実施できる現在または将来の顧客のリストを持っている場合も多い。

Maxdiff解析のモデリング

概要

MaxDiffの回答を分析する際、回答者の選択はプリファレンスに変換されます。分析の結果は、テストされたさまざまな項目に対する嗜好のランキングリストとなる。

分析の核となるのは、回答者が各項目に割り当てる効用を推定する統計モデリングである。MaxDiff分析は、その統計的モデリングのために「複雑」という威圧的な評価を受けるが、これはMaxDiffを世界トップクラスの研究手法にしたものでもある。こうした効用選好の算出には、回帰分析や多項ロジスティック回帰モデリングなど、いくつかの統計的アプローチが用いられるが、これらは通常、集計レベルで実施される。

アンケート調査の選択項目がどのようにモデル化されるかに関わらず、出力は、回答者ベースが個別のMaxdiff項目に対して持つ価値または選好を表す効用係数となります。個人レベルでの効用スコアの計算が可能なデザインや分析方法の場合、回答者一人ひとりの選好モデルを導き出すことができる。これは、様々なデータの細分化、潜在クラス分析、リーチシミュレーションなど、多くの点で有利である。個人ベースの効用モデルを得るために取られる主なアプローチは、階層的ベイズ推定である。これはベイズ法を用いて、テストされる各変数の相対値を確率的に導き出す手法である。

階層ベイズ推定

階層ベイズ（HB）推定は反復プロセスである。これは、テストされた属性に対する個人の相対効用を推定する下位モデルと、集団の選好を予測する上位モデルを包含する。この2つは、分析が各個人の各属性の値を表す係数に収束するまで一緒に働く。

ある意味で、HB推定は、他の回答から情報を借用することで、より優れた、より安定した個人レベルの結果を得ることができる。ITは非常に堅牢で、回答者に提示するタスクが少なくても、回答者の嗜好に関する優れたインサイトを得ることができます。

この手法は、上位モデルと下位モデルから「階層的」とみなされる。 このアプローチでは、平均的な選好（高いレベル）を推定し、次に各回答者がその配信からどの程度異なるかを測定し、具体的な効用（低いレベル）を導き出す。 このプロセスは何度も繰り返され、最終的に特定のコンセプトがその有用性に基づいて選択される確率に磨きをかけるのに役立ちます（したがって、多項ロジスティック回帰モデル）。

クアルトリクスMaxdiff分析プロジェクトでは、STANで記述された階層ベイズ推定を使用して、個人の選好効用を計算しています。

個人レベルの効用係数

ベイズ・モデルの結果は、各個人が各変数に対して感じる効用を表す選好スコアリングである。これらのスコアはパートワース・ユーティリティと呼ばれることが多く、MaxDiff研究から生み出される全ての概要メトリクスの基礎となっている。

ユーティリティファイルには、MaxDiff 分析に含まれる各回答者の行と、調査内でテストされた各ユニークレベルの列がある。各回答者の嗜好をモデル化する際、ユーティリティは、異なるラインナップに直面したときに回答者がどのような選択をするかを予測するのに役立つ。

効用は、本質的に順序的であり、変数のリストのランキング順を教えてくれる。

MaxDiffサマリー指標

MaxDiffサマリー指標

分析によって効用係数が決まったら、研究結果を示すためのアウトプットや成果物を準備することができる。ユーティリティは、すべてのサマリーメトリクスのブロックである。

一般的にMaxDiff分析に付随する中核的なサマリーメトリクスの詳細は以下の通りである：

• 選好度シェア：選好度シェアは、回答者がすべての選択肢から最も良いものを選ぶよう求められた場合に、ある項目が他の項目よりも選ばれる確率を測定したものである。これは、多項ロジスティック回帰モデルを使用して計算されたユーティリティの積であり、項目ユーティリティを指数化し、それを指数化されたすべての項目のユーティリティの合計で区切ることによって導き出される。
• 平均効用：全回答者の各項目の平均効用スコア。これらは順序的なもので、項目間の相対的な選好を示す。平均ユーティリティは、ある程度の方向性を理解することはできるが、Maxdiff分析を要約する単独の指標とすべきではない。
• カウント分析：カウント分析は、各アイテムが表示されたときに最も選択された／最も選択されなかった割合を示す指標である。

アンカリングMaxDiff

アンカリングMaxdiffとは？

アンカリングMaxDiffは、各MaxDiffタスクの後にフォローアップ質問を行う補助的な方法論である。質問の選択肢も、モデルの作り方も、コンジョイント分析と似ているところがある。

このアプローチには、各Maxdiffタスクの直後に質問をすることも含まれる。リストが提示された後、回答者は次のように尋ねられる：

1. 上記の項目はすべて重要であり、優先されるものである。
2. 上記の項目の中には、重要なもの／好まれるものと、重要でないもの／好まれないものがある。
3. 彼らが上に見た項目はすべて、重要でない／好ましくないものだ。

このデータは統計モデルに織り込まれる。このアンカリングによって、実際に重要または好ましいと思われる項目が、ユーティリティ・アウトプットのラインより上下にある場合のアンカポイントが理解できる。

アンカリングMaxdiffの解釈

アンカリングMaxdiffでは、プリファレンス・シェア・チャートは、重要な機能を青、重要でない機能を赤で表示する。すべての機能が青色の場合、モデルはすべての機能がアンカリングの上にあるとアセスメントしている。チャート下部の凡例は、含まれる機能の色と重要度を示している。

FAQ