Declaração de Segurança da Análise MaxDiff

O que é a análise MaxDiff?

Definição

A análise MaxDiff é uma técnica de pesquisa de mercado para medir a preferência e a importância que os entrevistados atribuem a uma lista de itens. Ele pode desempenhar um papel fundamental na compreensão das compensações que as pessoas fariam e, em última análise, fornece uma ordem de classificação da lista. Ele pode ser usado em listas de recursos/funcionalidades de um produto, mensagens, declarações, atributos, características e muito mais. Às vezes, ela é chamada de escala melhor-pior ou escala de diferença máxima, e foi desenvolvida por J.J. Louviere.

Como ele é conduzido?

A análise MaxDiff é conduzida mostrando aos participantes subconjuntos de itens de uma lista e fazendo com que o respondente identifique a melhor e a pior ou a mais e a menos preferida das opções dessa lista. O motivo pelo qual adotamos essa abordagem é que pode ser desafiador para um respondente ordem de classificação 7 ou mais itens em uma experiência pesquisa. Portanto, MaxDiff aproveita nossa capacidade de identificar os polares (melhores e piores) de uma lista e simplifica a tarefa em um número mais digerível de itens por vez.

Normalmente, um respondente vê cerca de 5 a 15 perguntas em que são mostrados de 3 a 5 itens, e é solicitado a indicar o melhor e o pior da lista. Isso produz dados muito precisos, pois é uma tarefa mais compreensível para os participantes pesquisa do que apresentar a lista completa.

As etapas para executar uma análise MaxDiff são:

1. Determine os atributos a serem testados na análise MaxDiff.
2. Gerar o projeto experimental.
3. Programe a pesquisa que hospeda as tarefas MaxDiff.
4. Coletar respostas.
5. Analise os resultados do MaxDiff.
6. Relate as descobertas.

Cada uma delas se baseia na ação anterior para atingir o objetivo final de entender as preferências dos entrevistados.

A Qualtrics desenvolveu uma solução XM MaxDiff XM que permite que os pesquisadores realizem exercícios de trade-off com rapidez e simplicidade, como parte de um objetivo de pesquisa maior.

Para quais objetivos comerciais a análise MaxDiff fornece respostas?

Há objetivos comerciais importantes que MaxDiff pode cumprir. Isso inclui:

• Como os entrevistados priorizam os recursos ou a funcionalidade do pacote?
• Em que os entrevistados se concentram ao tomar a decisão de compra?
• Como as várias mensagens e declarações de produtos repercutem em um destino?
• Quando solicitado a escolher em uma lista finita, como o mercado percebe e valoriza diferentes produtos ou serviços?
• Como as diferentes marcas se comparam umas às outras e como os entrevistados as classificam?
• Quais são as compensações que os entrevistados farão ao se depararem com diferentes combinações de recursos?

Como você pode ver, a análise MaxDiff pode fornecer dados para questões comerciais essenciais e dinâmicas. Há também muitas perguntas não relacionadas a produtos que MaxDiff pode responder.

MaxDiff pode ser um método de pesquisa muito eficaz para muitos casos de uso devido à sua flexibilidade e facilidade de saída. Ele deve ser o instrumento opção de resposta sempre que os pesquisadores precisarem de insights sobre a ordenação de uma lista.

Atributos MaxDiff

Com a análise MaxDiff, estamos procurando uma lista de atributos que atuam como ofertas em si mesmas, e não como atributos a serem agrupados. Assim, os itens devem ser mutuamente exclusivos e autônomos. Os itens podem ser recursos/funcionalidades de um produto, mensagens ou declarações sobre um produto, benefícios oferecidos a usuários ou funcionários e muitos outros casos de uso.

Para uma análise MaxDiff, você geralmente deseja lista de 8 a 25 itens. Quanto mais itens você incluir, mais perguntas precisará fazer, portanto, tente ter em mente o cansaço dos respondentes ao elaborar sua pesquisa.

Projeto experimental

Projeto experimental e análise MaxDiff

O design experimental do MaxDiff determina quais itens serão mostrados nas perguntas apresentadas aos entrevistados. O design garante a representação adequada para o resultado final de garantir resultados precisos e confiáveis. Se for elaborada corretamente, a pesquisa coletará os dados necessários para ordenar os itens.

A regra geral é que queremos que cada respondente veja cada item três vezes. O subproduto dessa regra é que mais itens MaxDiff resultarão em mais perguntas. Além dessa regra, há também outras condições que o Qualtrics respeita como parte da geração do desenho experimental, incluindo: Randomização, Equilíbrio do item, Equilíbrio pareado e Rede de itens.

• Randomização: A pergunta e a posição dentro de uma pergunta em que um item MaxDiff aparece são atribuídas aleatoriamente.
• Equilíbrio de itens: O número de vezes que cada item é mostrado no conjunto de perguntas de um respondente (também conhecido como “versão”) é equilibrado e é mostrado relativamente o mesmo número de vezes. O número de vezes que cada item é mostrado também é equilibrado em todas as versões.
• Equilíbrio emparelhado: O número de vezes que cada item é mostrado com todos os outros itens é relativamente equilibrado entre todos os respondentes.
• Item Rede: Também é conhecido como conectividade. Essa regra garante que, se os itens forem divididos em dois grupos iguais, nunca haverá um item em um grupo que não seja mostrado com nenhum dos itens do outro grupo.

Pesquisa e amostragem; tamanho Amostra

Programação Pesquisa

A análise MaxDiff é alimentada por respostas pesquisa. Quando um estudo MaxDiff é realizado, ele geralmente é o foco da pesquisa, mas não precisa ser a totalidade dela. Independentemente disso, é fundamental que o exercício MaxDiff dentro da pesquisa seja conciso e bem estruturado.

As pesquisas MaxDiff geralmente incluem perguntas de triagem para garantir que o tipo certo de respondente responda à pesquisa, introdução e recursos educacionais e perguntas demográficas. Não há regras rígidas sobre quantas outras perguntas podem ser adicionadas a um estudo MaxDiff ou em que ponto do fluxo da pesquisa o MaxDiff deve se encaixar. Deve-se observar que qualquer pergunta feita aos entrevistados fora do exercício MaxDiff consome o tempo e o foco que poderiam ser dados ao exercício MaxDiff.

A duração da Pesquisa deve ser considerada à medida que o estudo for sendo projetado e construído. Quando um respondente está cansado da pesquisa, é menos provável que ele dê respostas ponderadas, diminuindo assim a qualidade dos dados. As pesquisas que levam mais de 10 a 15 minutos são mais suscetíveis à fadiga e a problemas de qualidade de dados.

Os dados coletados em um estudo MaxDiff só serão relativos e precisos se o entrevistado entender completamente a premissa do estudo. Muitos estudos estão testando conceitos que são bem conhecidos e relacionáveis ao público em geral. Entretanto, se esse não for o caso, deve-se dedicar tempo antes do exercício do MaxDiff para instruir adequadamente o respondente por meio de descrições e/ou vídeos. Quanto mais claro e imaginável for um produto para o pesquisador, mais verdadeiras serão as pontuações de utilidade resultantes.

Além de o texto e as descrições serem simples e diretos, o layout de cada pergunta também deve favorecer a compreensão e a clareza. Isso permite que o entrevistado faça comparações e responda de forma definitiva.

Tamanho da amostra

Para o sucesso e a precisão dos resultados do MaxDiff, é fundamental o número de respostas a serem coletadas, bem como a relevância do indivíduo para os indivíduos que responderam pesquisa. Uma regra geral é coletar um tamanho mínimo de amostra total de 300. Com isso em mente, também é importante levar em conta os segmentos de interesse no número de respostas coletadas. Recomendamos que cada segmento tenha um n > 150.

É importante que os indivíduos que participam do exercício MaxDiff reflitam aqueles que, em última análise, seriam o comprador ou o destino. Frequentemente, os pesquisadores acrescentam perguntas demográficas no início da pesquisa para garantir que as populações irrelevantes sejam excluídas (por exemplo, aquelas que estão fora da faixa etária visada ou da região onde o produto estará disponível). Como alternativa, as empresas geralmente têm listas de clientes atuais ou potenciais para os quais podem aplicar a pesquisa.

Modelagem da análise MaxDiff

Visão geral

Ao analisar a resposta MaxDiff, as seleções dos respondentes são traduzidas em preferências. O resultado da análise será uma lista ordem de classificação das preferências dos diferentes itens testados.

No centro da análise está a modelagem estatística que estima a utilidade que os entrevistados atribuem a cada item. A análise MaxDiff tem uma reputação intimidadora de “complexa” devido à sua modelagem estatística, mas isso também é o que fez do MaxDiff uma técnica de pesquisa de classe mundial. Há várias abordagens estatísticas usadas para calcular essas preferências de utilidade, incluindo regressão e modelagem de regressão logística multinomial, que normalmente são conduzidas em nível agregado.

Independentemente da maneira pela qual as seleções pesquisa são modeladas, o resultado são coeficientes de utilidade que representam o valor ou a preferência que a base de respondentes tem pelo item MaxDiff distinto. Para projetos e métodos de análise que permitem cálculos em nível individual de pontuações de utilidade, podemos derivar modelos de preferência para cada entrevistado. Isso pode ser vantajoso por vários motivos, incluindo a segmentação de vários cortes de dados, análise de classe latente e simulações de alcance. A principal abordagem adotada para produzir modelos de utilidade baseados em indivíduos é a estimativa hierárquica de Bayes. Essa é uma técnica que usa métodos bayesianos para derivar de forma probabilística o valor relativo de cada variável que está sendo testada.

Estimativa hierárquica de Bayes

A estimativa hierárquica de Bayes (HB) é um processo iterativo. Ele engloba um modelo nível inferior que estima as utilidades relativas do indivíduo para os atributos testados, bem como um modelo de nível superior que prevê a preferência da população. Esses dois trabalham em conjunto até que a análise converge para os coeficientes que representam o valor de cada atributo para cada indivíduo.

De certa forma, a estimativa HB permite o empréstimo de informações de outras respostas para obter resultados ainda melhores e mais estáveis em nível individual. Ele é muito robusto e nos permite obter uma grande percepção das preferências dos respondentes, mesmo apresentando menos tarefas a eles.

A técnica é considerada “hierárquica” devido aos modelos de nível superior e inferior. Essa abordagem estima as preferências médias ( nível superior) e, em seguida, mede a diferença entre cada entrevistado e essa distribuição para derivar suas utilidades específicas ( nível inferior). O processo se repete em várias iterações para nos ajudar a aprimorar a probabilidade de um conceito específico ser selecionado com base em sua utilidade (portanto, um modelo de regressão logística multinomial).

O projeto Qualtrics MaxDiff Analysis usa a estimativa Hierarchical Bayes escrita em STAN para calcular os utilitários de preferência individual.

Coeficientes de utilidade Nível individual

O resultado do modelo bayesiano são pontuações de preferência que representam a utilidade que os indivíduos percebem com cada variável. Essas pontuações são frequentemente chamadas de utilidades de partworth e são a base de todas as métricas resumidas produzidas a partir do estudo MaxDiff.

O arquivo de utilitário teria uma linha para cada entrevistado incluído na análise MaxDiff e uma coluna para cada nível exclusivo testado no estudo. Ao modelar as preferências de cada entrevistado, os utilitários nos ajudam a prever quais seleções os entrevistados fariam quando confrontados com diferentes escalações.

As utilidades são de natureza ordinal e nos informam a ordem de classificação da lista de variáveis.

Métricas resumidas do MaxDiff

Métricas resumidas do MaxDiff

Depois que a análise determinar os coeficientes de utilidade, os resultados e produtos podem ser preparados para mostrar as descobertas do estudo. Os utilitários são os blocos de construção de todas as métricas de resumo.

As principais métricas de resumo que normalmente acompanham a análise MaxDiff estão detalhadas abaixo:

• Quota de preferência: A cota de preferência é a medida da probabilidade de um item ser escolhido em detrimento de outro se o entrevistado for solicitado a selecionar o melhor entre todas as opções. É um produto das utilidades calculadas usando um modelo de regressão logística multinomial e é derivado exponenciando a utilidade do item e dividindo-a pela soma de todas as utilidades dos itens exponenciados.
• Utilidade média: A pontuação média de utilidade de cada item em todos os entrevistados. Eles são de natureza ordinal e mostrarão a preferência relativa entre os itens. Os utilitários médios podem fornecer algum entendimento direcional, mas não devem ser uma métrica autônoma para resumir a análise MaxDiff.
• Análise de contagens: A análise de contagem é uma métrica que simplesmente nos informa a porcentagem de tempo em que cada item foi mais/menos selecionado quando foi exibido.

MaxDiff ancorado

O que é o Anchored MaxDiff?

MaxDiff ancorado é uma metodologia suplementar em que uma pergunta de acompanhamento é feita após cada tarefa MaxDiff. Ela tem algumas semelhanças com a análise conjunta de dupla escolha, tanto na forma como a pergunta é feita quanto na forma como ela é modelada.

A abordagem inclui fazer uma pergunta imediatamente após cada tarefa MaxDiff. Após a apresentação da lista de itens, o entrevistado é questionado se:

1. Todos os itens que eles veem acima são importantes/preferenciais.
2. Alguns dos itens que eles veem acima são importantes/preferidos e outros não são importantes/não são preferidos.
3. Todos os itens que eles veem acima não são importantes/não são preferidos.

Esses dados são levados em conta no modelo estatístico. Isso gera uma compreensão do ponto de ancoragem para onde o resultado da utilidade está acima e abaixo de uma linha em que os itens são realmente considerados importantes ou preferidos.

Interpretação da Maxdiff ancorada

Com a maxdiff ancorada, o gráfico de compartilhamento de preferências exibirá os recursos importantes em azul e os não importantes em vermelho. Se todos os recursos estiverem em azul, o modelo avaliou todos os recursos como estando acima do ponto de ancoragem. A legenda na parte inferior do gráfico indica a cor e a importância dos recursos incluídos.

Perguntas frequentes