Documento informativo de MaxDiff Analysis

¿Qué es MaxDiff Analysis?

Definición

El análisis MaxDiff es una técnica de investigación de mercado para medir la preferencia e importancia que los encuestados colocan en una lista de artículos. Puede jugar un papel crítico en la comprensión de los compromisos que las personas harían y, en última instancia, proporciona un orden de la lista. Se puede utilizar en listas de características/funcionalidades de un producto, mensajería, reclamos, atributos, características y mucho más. A veces se lo conoce como mejor peor escalado o escala de diferencia máxima, y fue desarrollado por J.J. Louviere (en inglés).

¿Cómo se lleva a cabo?

El análisis MaxDiff se realiza mostrando a los participantes subconjuntos de elementos de una lista y haciendo que el encuestado identifique las mejores y peores opciones o la mayoría y las menos preferidas de dicha lista. El motivo por el que adoptamos este enfoque es que para un encuestado puede ser difícil clasificar los elementos del orden 7 o más en una experiencia de encuesta. Lo que MaxDiff aprovecha es nuestra capacidad de identificar las encuestas (mejores y peores) de una lista, y simplifica la tarea en un número más digerible de elementos a la vez.

Un encuestado suele ver entre 5 y 15 preguntas en las que se muestran 3 a 5 elementos, y se le pide que indique los mejores y los peores de la lista. Esto proporciona datos muy precisos, ya que es una tarea más comprensible para los encuestados que la presentación de toda la lista.

Los pasos para ejecutar un análisis MaxDiff son:

1. Determine los atributos que deben probarse en el análisis MaxDiff.
2. Generar el diseño experimental.
3. Programe la encuesta que aloja las tareas MaxDiff.
4. Recopile respuestas.
5. Analice los resultados de MaxDiff.
6. Informe de los resultados.

Cada una de ellas se basa en la acción anterior para trabajar hacia el objetivo final de comprender las preferencias de los encuestados.

Qualtrics ha desarrollado una solución MaxDiff XM que permite a los investigadores realizar ejercicios de compromiso de manera rápida y sencilla como parte de un objetivo de investigación más amplio.

¿Para qué objetivos de negocio proporciona respuestas el análisis MaxDiff?

Hay objetivos de negocio clave que MaxDiff puede cumplir. Esto incluye:

• ¿Cómo priorizan los encuestados las características o funcionalidades del paquete?
• ¿En qué se centran los encuestados a la hora de tomar sus decisiones de compra?
• ¿Cómo resuenan varios mensajes y reclamos de productos en un público objetivo?
• Cuando se le pide que elija entre una lista finita, ¿cómo percibe y valora el mercado diferentes productos o servicios?
• ¿Cómo se comparan las diferentes marcas entre sí y cómo los ordenan los encuestados?
• ¿Qué compensaciones harán los encuestados cuando se enfrenten a diferentes combinaciones de funciones?

Como puede ver, el análisis MaxDiff puede proporcionar datos para cuestiones empresariales esenciales y dinámicas. También hay muchas consultas no relacionadas con productos que MaxDiff puede responder.

MaxDiff puede ser un método de investigación muy eficaz para muchos casos de uso debido a su flexibilidad y fácil salida. Debería ser el instrumento de elección siempre que los investigadores necesiten información sobre la clasificación de una lista.

Atributos MaxDiff

Con el análisis de MaxDiff, buscamos una lista de atributos que actúan como ofertas en sí mismas, en lugar de como atributos que deben agruparse. Por lo tanto, las partidas deben ser mutuamente excluyentes y autónomas. Los elementos pueden ser características/funcionalidad de un producto, mensajería o reclamos sobre un producto, beneficios ofrecidos a usuarios o empleados y muchos otros casos de uso.

Para un análisis MaxDiff, generalmente desea enumerar de 8 a 25 elementos. Cuantos más elementos incluya, más preguntas tendrá que hacer, así que intente tener en cuenta la fatiga del encuestado cuando diseñe su investigación.

Diseño experimental

Diseño experimental y análisis MaxDiff

El diseño experimental de MaxDiff determina qué elementos se mostrarán en las preguntas presentadas a los encuestados. El diseño garantiza una representación adecuada para el resultado final de asegurar resultados precisos y fiables. Si se diseña correctamente, la encuesta recopilará los datos necesarios para clasificar los artículos.

La regla general es que queremos que cada encuestado vea cada punto tres veces. El subproducto de esta regla es que más elementos MaxDiff resultarán en más preguntas. Además de esta regla, también existen otras condiciones que Qualtrics respeta como parte de la generación del diseño experimental, entre las que se incluyen: Aleatorización, Saldo de elementos, Saldo por parejas y Redes de artículos.

• Aleatorización: la pregunta y la posición dentro de una pregunta en la que aparece un elemento MaxDiff se asignan aleatoriamente.
• Saldo de elementos: El número de veces que se muestra cada elemento dentro del conjunto de preguntas de un encuestado (también conocido como “versión”) está equilibrado y se muestra relativamente el mismo número de veces. La cantidad de veces que se muestra cada posición también se compensa en todas las versiones.
• Saldo combinado: El número de veces que se muestra cada elemento con todos los demás elementos está relativamente equilibrado entre todos los encuestados.
• Redes de artículos: esto también se conoce como conectividad. Esta regla garantiza que si los elementos se dividieran en dos grupos iguales, que nunca hubiera un elemento dentro de un grupo que nunca se muestre con ninguno de los elementos del otro grupo.

Tamaño de encuesta y muestra

Programación de encuestas

El análisis MaxDiff se basa en respuestas de encuestas. Cuando se realiza un estudio de MaxDiff, suele ser el foco de la encuesta, pero no tiene por qué ser la totalidad de la misma. Independientemente, es fundamental que el ejercicio MaxDiff dentro de la encuesta sea conciso y esté bien estructurado.

Las encuestas MaxDiff suelen incluir preguntas de filtro para garantizar que el tipo correcto de encuestados complete la encuesta, los recursos de introducción y educativos y las preguntas demográficas. No hay reglas estrictas sobre cuántas preguntas se pueden agregar a un estudio MaxDiff o dónde debe caer MaxDiff en el flujo de la encuesta. Hay que tener en cuenta que cualquier pregunta formulada a los encuestados fuera del ejercicio MaxDiff requiere tiempo y enfoque que, de lo contrario, podría darse al ejercicio MaxDiff.

Se debe considerar la duración de la encuesta, ya que el estudio se está diseñando y construyendo. Cuando un encuestado está fatigado por la encuesta, es menos probable que dé respuestas reflexivas, lo que reduce la calidad de sus datos. Las encuestas que tardan más de 10-15 minutos son más susceptibles a problemas de fatiga y calidad de datos.

Los datos de un estudio de MaxDiff solo son relativos y precisos si el encuestado comprende plenamente la premisa del estudio.  Muchos estudios están probando conceptos que son conocidos y relatables con el público en general. Sin embargo, si ese no es el caso, se debe dedicar tiempo antes del ejercicio MaxDiff para educar adecuadamente al encuestado a través de descripciones y/o videos.  Cuanto más claro e imaginable sea un producto para el encuestado, más verdaderas serán las puntuaciones de utilidad resultantes.

Además de que el texto y las descripciones sean simples y sencillos, el diseño de cada pregunta también debe prestarse a la comprensión y claridad. Esto permite al encuestado realizar comparaciones y respuestas de forma definitiva.

Tamaño de muestra

La clave para el éxito y la precisión de los resultados de MaxDiff es el número de respuestas a recopilar, así como la relevancia del tema para los individuos que realizan la encuesta. Una regla general del pulgar es recoger un tamaño mínimo total de la muestra de 300.  Teniendo esto en cuenta, también es importante tener en cuenta en segmentos de interés el número de respuestas recopiladas. Recomendamos que cada segmento tenga una n > 150.

Es importante que las personas que realizan el ejercicio MaxDiff reflejen aquellos que, en última instancia, serían el comprador o el mercado objetivo. Con frecuencia, los investigadores añadirán preguntas demográficas al comienzo de la encuesta para garantizar que se descartan las poblaciones irrelevantes (por ejemplo, las que están fuera del rango de edad o región en la que el producto estará disponible). Como alternativa, las empresas a menudo tendrán listas de clientes actuales o potenciales en los que pueden implementar la encuesta.

Modelado de análisis MaxDiff

Visión general

Al analizar la respuesta MaxDiff, las selecciones de respondedores se traducen en preferencias. El resultado del análisis será una lista clasificada de las preferencias para los diferentes elementos probados.

En el centro del análisis se encuentra el modelado estadístico que estima la utilidad que los encuestados asignan a cada elemento. El análisis MaxDiff tiene una reputación intimidante como “compleja” debido a su modelado estadístico, pero esto también es lo que ha hecho de MaxDiff una técnica de investigación de clase mundial. Hay varios enfoques estadísticos utilizados para calcular estas preferencias de utilidad, incluyendo regresión y modelado de regresión logística multinomial, que se llevan a cabo típicamente en el nivel agregado.

Independientemente de la forma en que se modelan las selecciones de encuesta, el resultado son coeficientes de utilidad que representan el valor o la preferencia que la base del encuestado tiene para el elemento MaxDiff distinto. Para los diseños y métodos de análisis que permiten cálculos a nivel individual de las puntuaciones de utilidad, podemos derivar modelos de preferencia para cada encuestado. Esto puede ser ventajoso por una serie de razones, incluyendo la segmentación de varios cortes de datos, análisis de clase latente y simulaciones de alcance. El enfoque principal tomado para producir modelos de utilidad basados en individuos es la estimación jerárquica de Bayes. Esta es una técnica que utiliza métodos bayesianos para derivar probabilísticamente el valor relativo de cada variable que se está probando.

Estimación de Bayes jerárquico

La estimación jerárquica de Bayes (HB) es un proceso iterativo. Abarca un modelo de nivel inferior que estima las utilidades relativas del individuo para los atributos probados, así como un modelo de nivel superior que predice la preferencia de la población. Estos dos trabajan juntos hasta que el análisis converge en los coeficientes que representan el valor de cada atributo para cada individuo.

En cierto sentido, la estimación de HB permite tomar información de otras respuestas para obtener resultados aún mejores y más estables a nivel individual. Es muy sólido y nos permite obtener un gran conocimiento de las preferencias de los encuestados, incluso al presentar menos tareas al encuestado.

La técnica se considera “jerárquica” debido a los modelos de nivel superior e inferior.  Este enfoque estima las preferencias promedio (nivel más alto) y luego mide cuán diferente es cada encuestado de esa distribución para derivar sus utilidades específicas (nivel inferior).  El proceso se repite sobre un número de iteraciones para ayudarnos en última instancia a perfeccionar la probabilidad de que un concepto específico sea seleccionado basándose en su utilidad (por lo tanto, un modelo Multinomial de Regresión Logística).

El proyecto Qualtrics MaxDiff Analysis utiliza la estimación de Hierarchical Bayes escrita en STAN para calcular utilidades de preferencia individuales.

Coeficientes de utilidades de nivel individual

El resultado del modelo bayesiano son puntuaciones de preferencia que representan la utilidad que los individuos perciben con cada variable. Estas puntuaciones se denominan frecuentemente partworth utilities, y son la base de todas las métricas de resumen producidas a partir del estudio MaxDiff.

El archivo de utilidad tendría una fila para cada encuestado incluida en el análisis MaxDiff y una columna para cada nivel único probado en el estudio. Al modelar las preferencias de cada encuestado, las empresas de servicios públicos nos ayudan a predecir qué selecciones harían los encuestados cuando se enfrentan a diferentes alineaciones.

Las utilidades son de naturaleza ordinal y nos indican el orden de rango de la lista de variables.

Métricas de resumen de MaxDiff

Métricas de resumen de MaxDiff

Una vez que el análisis determina los coeficientes de utilidad, los resultados y los entregables se pueden preparar para mostrar los resultados del estudio. Las utilidades son los componentes básicos de todas las métricas de resumen.

A continuación se detallan las métricas de resumen principales que suelen acompañar al análisis MaxDiff:

• Cuota de preferencia: La cuota de preferencia es la medición de la probabilidad de que un artículo sea elegido sobre otro si se solicita al encuestado que seleccione el mejor de entre todas las opciones. Es un producto de las utilidades calculadas mediante un modelo de regresión logística multinomial, y se deriva exponiendo la utilidad de posición y dividiéndola por la suma de todas las utilidades de las posiciones exponenciales.
• Promedio de utilidades: La puntuación media de utilidad de cada elemento entre todos los encuestados. Estos son ordinales por naturaleza y mostrarán la preferencia relativa entre posiciones. Las utilidades promedio pueden proporcionar cierta comprensión direccional, pero no deben ser una métrica independiente para resumir el análisis MaxDiff.
• Análisis de recuento: El análisis de recuento es una métrica que simplemente nos indica el porcentaje de tiempo en que se seleccionó cada elemento más/menos cuando se mostró.

MaxDiff anclado

¿Qué es MaxDiff anclado?

MaxDiff anclado es una metodología suplementaria en la que se realiza una pregunta de seguimiento después de cada tarea de MaxDiff. Tiene algunas similitudes con el análisis conjunto de doble elección tanto en cómo se hace la pregunta como en cómo se modela.

El enfoque incluye formular una pregunta inmediatamente después de cada tarea de MaxDiff. Después de presentar la lista de elementos, se pregunta al encuestado si:

1. Todos los elementos que ven arriba son importantes/preferidos.
2. Algunos de los elementos que ven arriba son importantes/preferidos y otros no importantes/no preferidos.
3. Todos los elementos que ven arriba no son importantes/no son preferidos.

Estos datos se tienen en cuenta en el modelo estadístico. Se obtiene una comprensión del punto de anclaje para donde la salida de la utilidad está por encima y por debajo de una línea donde los elementos se consideran realmente importantes o preferidos.

Interpretación de Maxdiff anclado

Con maxdiff anclado, el gráfico de acciones de preferencia mostrará características importantes en azul y no en rojo. Si todas las funciones son azules, el modelo ha evaluado que todas las funciones estén por encima del punto de anclaje. La leyenda en la parte inferior del gráfico indica el color y la importancia de las funciones incluidas.

Preguntas frecuentes