MaxDiff分析セキュリティステートメント

MaxDiff分析とは？

定義

MaxDiff分析は、回答者が項目のリストに配置する好みと重要性を測定するための市場調査手法です。これは、人々が行うトレードオフを理解する上で重要な役割を担い、最終的にはリストの順位付けを行います。製品、メッセージング、クレーム、属性、特性などの機能の一覧で使用できます。ベストワーストスケーリングや最大差異スケーリングと呼ばれることもあり、J.Jが開発したものである。Louviere

どのように行われていますか。

MaxDiff分析は、リストの項目の参加者サブセットを表示し、回答者がリストから最適オプション、最低オプション、最も好ましくないオプション、および最も好ましくないオプションを特定することによって実行されます。このアプローチを採用するのは、回答者がアンケートの操作性で7つ以上の項目をランク付けするのは難しいためです。MaxDiffが活用しているのは、リストからポーラー（ベストとワースト）を識別し、より分かりやすい数の項目で一度にタスクを簡素化する能力です。

通常、回答者には約 5 ～ 15 の質問が表示され、3 ～ 5 項目が表示され、リストから最高と最低を示すように求められます。これにより、非常に正確なデータが得られます。これは、リスト全体を表示するよりも、アンケート回答者にとって理解しやすいタスクであるためです。

MaxDiff分析を実行する手順は、次のとおりです。

1. MaxDiff分析でテストする属性を決定します。
2. 実験デザインを生成します。
3. MaxDiffタスクをホストするアンケートをプログラムします。
4. 回答を回収
5. MaxDiffの結果を分析します。
6. 発見事項をレポートします。

これらはそれぞれ、回答者の選好を理解するという最終目標に向けて、以前のアクションに基づいています。

QualtricsはMaxDiffXMソリューションを開発しました。これにより、研究者は、大規模な調査目標の一環としてトレードオフ演習を通じて回答者を迅速かつ簡単に実行することができます。

MaxDiff 分析では、どのようなビジネス目標に対して回答が得られますか。

MaxDiffがもたらす主なビジネス目標があります。含まれる内容は以下のとおりです：

• 回答者はパッケージの機能にどのように優先順位を付けますか？
• 回答者は、購入を決定する際に焦点を当てているものは何ですか？
• さまざまなメッセージや製品の主張が、ターゲットオーディエンスにどのように共感するか。
• 有限リストから選択するよう求められた場合、市場はさまざまな製品やサービスをどのように認識し、評価しますか。
• 異なるブランドは互いにどのように比較されていますか？また、回答者はどのようにランク順にしますか？
• 回答者がさまざまな機能の組み合わせに直面した場合、どのようなトレードオフを行うか？

ご覧のように、MaxDiff分析では、必要不可欠で動的なビジネスクエスチョンに関するデータを提供できます。MaxDiffが答えられる非商品関連の問い合わせも多数あります。

MaxDiff は、柔軟性と出力が容易であるため、多くのユースケースで非常に効果的な調査方法です。これは、研究者がリストのランク順に関するインサイトを必要とする場合に選択する手段である必要があります。

MaxDiff属性

MaxDiff分析では、次のリストを探しています 属性 それらは、一緒にバンドルされる属性としてではなく、自身で提供する製品として機能します。したがって、これらの明細は相互に排他的であり、スタンドアロンである必要があります。項目には、製品の機能、製品に関するメッセージや要求、ユーザーや従業員に提供される給付、およびその他の多くのユースケースがあります。

MaxDiff分析では、通常 8 ～ 25 個の項目を一覧表示します。含める項目が多いほど質問が必要になるので、アンケートの設計時には回答者の疲労を念頭に置いてみてください。

試験的デザイン

試験的デザインと MaxDiff 分析

MaxDiffの実験的なデザインにより、回答者に提示される質問に表示される項目が決まります。この設計により、正確で信頼性の高い結果を保護するという究極の結果に対して適切な表現が確保されます。正しく設計されている場合、アンケートは品目のランクオーダーに必要なデータを収集します。

一般的なルールでは、すべての回答者に各項目が3回表示されるようにします。このルールの副産物では、MaxDiff明細が多くなると質問が増えます。この規則に加えて、Qualtricsが実験的デザインの生成の一環として考慮するその他の条件として、［ランダム化］、［項目残高］、［ペアリングバランス］、［アイテムネットワーク］があります。

• ランダム化：MaxDiff項目が表示される質問内の質問と位置がランダムに割り当てられます。
• 項目残高：回答者の質問セット（「バージョン」とも呼ばれます）内に各項目が表示される回数がバランスを取り、相対的に同じ回数表示されます。各明細が表示される回数も、すべてのバージョンで残高処理されます。
• ペアリングバランス：他のすべての項目とともに各項目が表示される回数は、すべての回答者で比較的バランスが取れています。
• アイテムネットワーク: これはコネクティビティとも呼ばれます。このルールにより、品目が 2 つの等しいグループに分割された場合、一方のグループ内の品目が、もう一方のグループ内のどの品目とも表示されないことがなくなります。

アンケートアンプ、サンプルサイズ(&A)

アンケートのプログラミング

MaxDiff分析はアンケートの回答に基づきます。MaxDiff調査を実施すると、通常はアンケートの焦点となるが、その全体である必要はない。どちらにしても、アンケート内の MaxDiff演習が簡潔でよく構成されていることが重要です。

MaxDiffアンケートには、通常、適切なタイプの回答者がアンケートへの回答、紹介と教育リソース、デモグラフィックの質問を行うようにするためのスクリーニングツールの質問が含まれます。MaxDiff調査にいくつ他の質問を追加できるか、アンケートフローでMaxDiffをどこに落とすかについては、難しいルールはありません。MaxDiff演習以外で回答者に尋ねた質問は、MaxDiff演習に与えられる時間的および焦点を当てる必要があることに注意してください。

調査は設計および構築中であるため、アンケートの長さを考慮する必要があります。回答者がアンケートで疲労すると、思慮深い回答を出す可能性が低くなるため、データの品質が低下します。所要時間が 10 分から 15 分を超えるアンケートは、疲労やデータ品質の問題の影響を受けやすくなります。

MaxDiff調査から得られたデータは、回答者が調査の前提を完全に理解している場合にのみ、相対的かつ正確です。  多くの研究は、一般大衆に知られ、関係のある試験概念である。ただし、そうでない場合、MaxDiff演習の前に時間を費やして、説明や動画を通じて回答者を適切に教育する必要があります。  製品が調査担当者にとって明確で想像力を持つほど、公益企業のスコアは真になります。

テキストや説明がシンプルでわかりやすいだけでなく、各質問のレイアウトも理解し分かりやすくなります。これにより、回答者は確実に比較して回答することができます。

サンプルサイズ

MaxDiff結果の成功と精度にとって重要なのは、収集すべき回答の数と、アンケートに回答する個人に対する主題の関連性です。一般的な経験則は、最小合計サンプルサイズ 300 を収集することです。  そのことを念頭に置いて、関心のあるセグメントを回収された回答の数に算入することも重要です。各セグメントに n > 150 を設定することをお奨めします。

MaxDiff運動を受ける個人が、最終的に買い手やターゲット市場であろう人を反映していることが重要である。多くの場合、研究者はアンケートの最初に人口統計に関する質問を追加して、無関係な母集団（対象年齢範囲や製品が入手できる地域外の母集団など）を除外するようにします。また、多くの場合、企業は調査を展開できる現在の顧客または見込み顧客のリストを持っています。

MaxDiff分析のモデリング

概要

MaxDiff回答を分析すると、回答者の選択が基本設定に変換されます。分析の結果は、テストされたさまざまな項目の優先設定のランク順序リストになります。

分析の中心となるのは、回答者が各項目に割り当てる効用を見積もる統計モデリングです。MaxDiff分析はその統計モデリングにより「複雑」という威圧的な評判を得るが、これもMaxDiffを世界クラスの研究手法にしたものである。回帰および多項論理回帰モデリングなど、これらのユーティリティ選好の計算に使用される統計的アプローチがいくつかあります。これらは通常、集約レベルで行われます。

サーベイ選択のモデル化方法に関係なく、出力は、回答者の基準が固有の MaxDiff項目に設定する値または設定を表す効用係数です。ユーティリティスコアの個別レベル計算を可能にするデザインおよび分析手法では、回答者ごとにプリファレンスモデルを導き出すことができます。これは、さまざまなデータカットや潜伏クラス分析、リーチシミュレーションのセグメンテーションなど、さまざまな理由で有利です。個別ベースのユーティリティモデルを生成するために採用される主なアプローチは、階層的なベイズ推定です。これはベイズ法を用いてテスト中の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、反復プロセスです。このモデルには、テストされた属性について個々の相対ユーティリティを推定する下位レベルモデルと、母集団の好みを予測する上位レベルのモデルが含まれます。これらの2つは解析が収束するまで共に働き、各個体のそれぞれの属性の値を表す係数が収束する。

ある意味、HB推定では、他の回答から借用情報を得て、さらに良く、より安定した個人レベルの結果を得ることができる。これは非常に堅牢であり、回答者に表示されるタスクが少なくなっていても、回答者の優先設定について優れた洞察を得ることができます。

この手法は、上位モデルと下位レベルモデルのために “階層” とみなされます。  このアプローチでは、平均的な好み（上位レベル）を推定し、回答者がその分布とどの程度異なるかを測定して、特定のユーティリティー（下位レベル）を導き出します。  このプロセスは、最終的に、その効用 (多項論理回帰モデル) に基づいて選択される特定のコンセプトの確率について注入できるように、反復を繰り返し繰り返します。

クアルトリクスのMaxDiff分析プロジェクトでは、STANで作成された階層ベイズ推定を使用して個々のプリファレンスユーティリティを計算します。

個別レベル効用係数

ベイズモデルの結果は、個人が各変数で認識する効用を表す好ましさスコアである。これらのスコアはしばしばパートワースユーティリティと呼ばれ、MaxDiff研究から生成されるすべての要約測定基準の基礎となる。

ユーティリティファイルには、MaxDiff分析に含まれる回答者ごとに1行、調査内でテストされた一意のレベルごとに列があります。各回答者の選好のモデリングにおいて、公益事業は、回答者が異なるラインアップに直面した場合にどのような選択を行うかを予測するのに役立ちます。

ユーティリティは性質上序数であり、変数のリストのランク順序を教えてくれる。

MaxDiffサマリ指標

MaxDiffサマリ指標

分析によって効用係数が決定された後、調査結果を紹介するためのアウトプットおよび成果物を準備することができます。ユーティリティは、すべてのサマリメトリックのビルディングブロックです。

MaxDiff分析に通常付属するコアサマリ指標を以下に詳述する。

• 好ましさの割合：好ましさの割合は、回答者がすべての選択肢から最適なものを選択するよう求められた場合に、項目が別の選択肢に選ばれる確率を測定したものです。これは、多項論理回帰モデルを使用して計算されるユーティリティの製品であり、アイテムユーティリティを指数化し、それを指数化されたアイテムのすべてのユーティリティの合計で除算することによって導出されます。
• 平均効用：すべての回答者における各項目の平均効用スコア。これらは本質的に序数であり、項目間の相対的な優先度を示します。平均的なユーティリティは、いくつかの方向性を理解できますが、MaxDiff分析を要約するスタンドアロンのメトリクスであってはなりません。
• カウント分析: カウント分析は、各アイテムの表示時の最も高い/最も低い選択時間の割合を単に伝えるメトリックです。

アンカー付きの最大差異

Anchored MaxDiffとは何ですか？

Anchored MaxDiffは、MaxDiffタスクごとにフォローアップの質問を行う補足方法論です。これは、質問の仕方、およびモデリング方法の両方で、二重選択コンジョイント分析に若干の類似点があります。

このアプローチでは、MaxDiffの各タスクの直後に質問します。項目のリストが表示されると、回答者には以下が尋ねられます。

1. 上記に表示されている品目はすべて重要/優先品目です。
2. 上記に表示される一部の品目は重要/優先品目であり、重要でない/好ましくない品目もあります。
3. 上記のすべての項目は重要でない/好ましくない。

このデータは統計モデルに組み込まれます。これにより、明細が実際に重要または優先とみなされる行の上下の供給出力のアンカーポイントを理解することができます。

アンカー付き Maxdiff の解釈

maxdiff がアンカーされている場合、プリファレンスシェアチャートには、重要な機能が青色で表示され、重要でない機能は赤色で表示されます。すべての機能が青の場合、モデルではすべての機能がアンカーポイントの上にあることが評価されています。チャートの下部にある凡例には、含まれる機能の色と重要性が示されます。

FAQ