Livre blanc sur l’analyse de différence maximum

Qu’est-ce que l’analyse de différence maximum ?

Définition

L’analyse de différence maximum est une technique d’étude de marché permettant de mesurer les préférences et l’importance que les répondants placent sur une liste d’éléments. Il peut jouer un rôle essentiel dans la compréhension des compromis que les gens feraient et fournit finalement un ordre de classement de la liste. Il peut être utilisé sur des listes de fonctionnalités d’un produit, de messages, de revendications, d’attributs, de caractéristiques et bien plus encore. Il est parfois désigné comme la meilleure mise à l’échelle ou l’échelle de différence maximale, et a été développé par J.J. Louvière.

Comment cela se fait-il ?

L’analyse de différence maximum est réalisée en montrant aux participants des sous-ensembles d’articles d’une liste et en demandant au répondant d’identifier les meilleures et les pires options ou les plus ou les moins préférées de ladite liste. La raison pour laquelle nous adoptons cette approche est qu’il peut être difficile pour un répondant de classer 7 articles ou plus dans une expérience d’enquête. Ainsi, ce que MaxDiff exploite, c’est notre capacité à identifier les polars (meilleurs et pires) à partir d’une liste, et simplifie la tâche dans un nombre d’éléments à la fois plus digeste.

Un répondant voit généralement entre 5 et 15 questions où 3 à 5 éléments sont affichés, et il lui est demandé d’indiquer les meilleures et les pires questions de la liste. Cela donne des données très précises, puisqu’il s’agit d’une tâche plus compréhensible pour les répondants que de présenter la liste complète.

Les étapes d’exécution d’une analyse de différence maximum sont les suivantes :

1. Déterminez les attributs à tester dans l’analyse de différence maximum.
2. Générez la conception expérimentale.
3. Programmez l’enquête qui héberge les tâches MaxDiff.
4. Recueillir les réponses.
5. Analysez les résultats de la différence maximum.
6. Signalez les résultats.

Chacun de ces éléments s’appuie sur l’action précédente pour atteindre l’objectif final de compréhension des préférences des répondants.

Qualtrics a développé une solution MaxDiff XM qui permet aux chercheurs d’exécuter rapidement et simplement les répondants par le biais d’exercices de compromis dans le cadre d’un objectif de recherche plus vaste.

À quels objectifs l’analyse de différence maximum fournit-elle des réponses ?

Il existe des objectifs commerciaux clés que MaxDiff peut atteindre. Cela comprend :

• Comment les répondants priorisent-ils les fonctionnalités du package ?
• Sur quoi les répondants se concentrent-ils lorsqu’ils prennent leur décision d’achat ?
• Comment les différents messages et affirmations de produits sont-elles en relation avec un public cible ?
• Quand on lui demande de choisir parmi une liste finie, comment le marché perçoit-il et valorise différents produits ou services ?
• Comment les différentes marques se comparent-elles les unes aux autres et comment les répondants les classent-ils ?
• Quels compromis les répondants feront-ils face à différentes combinaisons de fonctionnalités ?

Comme vous pouvez le voir, l’analyse de différence maximum peut fournir des données pour des questions essentielles et dynamiques. Il existe également de nombreuses demandes non liées au produit auxquelles MaxDiff peut répondre.

MaxDiff peut être une méthode de recherche très efficace pour de nombreux cas d’utilisation en raison de sa flexibilité et de ses résultats faciles. Il devrait être l’instrument de choix chaque fois que les chercheurs ont besoin d’informations sur l’ordre de classement d’une liste.

Attributs de différence maximum

Avec l’analyse MaxDiff, nous recherchons une liste de attributs qui agissent comme des offres en soi et non comme des attributs à regrouper. Les postes doivent donc s’exclure mutuellement et être isolés. Les éléments peuvent être des caractéristiques/fonctionnalités d’un produit, des messages ou des réclamations sur un produit, des avantages offerts aux utilisateurs ou salariés et de nombreux autres cas d’utilisation.

Pour une analyse de différence maximum, vous souhaitez généralement répertorier 8 à 25 éléments. Plus vous incluez d’éléments, plus vous devrez poser de questions, essayez donc de garder le répondant fatigué à l’esprit lorsque vous concevez votre recherche.

Conception expérimentale

Conception expérimentale et analyse de différence maximum

La conception expérimentale de MaxDiff détermine les éléments qui seront affichés dans les questions présentées aux répondants. La conception garantit une représentation appropriée pour le résultat final de l’obtention de résultats précis et fiables. S’il est conçu correctement, l’enquête collectera les données nécessaires pour classer les articles.

La règle générale est que nous voulons que chaque répondant voie chaque élément trois fois. Le sous-produit de cette règle est qu’un plus grand nombre d’articles MaxDiff entraînera davantage de questions. En plus de cette règle, il existe également d’autres conditions que Qualtrics respecte dans le cadre de la génération de la conception expérimentale, notamment : Randomisation, Solde des éléments, Solde associé et Mise en réseau des éléments.

• Randomisation : la question et la position dans une question dans laquelle apparaît un élément de différence maximum sont attribuées de manière aléatoire.
• Solde de l’élément : le nombre de fois où chaque élément est affiché dans le jeu de questions d’un répondant (également connu sous le nom de « version ») est équilibré et s’affiche relativement au même nombre de fois. Le nombre de fois où chaque élément est affiché est également équilibré dans toutes les versions.
• Solde associé : le nombre de fois où chaque élément est affiché avec tous les autres éléments est relativement équilibré parmi tous les répondants.
• Mise en réseau des éléments : c’est également connu sous le nom de connectivité. Cette règle garantit que si les articles étaient divisés en deux groupes égaux, il n’y aurait jamais d’article dans un groupe qui ne soit jamais affiché avec l’un des articles de l’autre groupe.

Taille de l’enquête et de l’échantillon

Programmation d’enquêtes

L’analyse de différence maximum est optimisée par les réponses à l’enquête. Lorsqu’une étude MaxDiff est menée, elle est généralement au centre de l’enquête, mais elle ne doit pas nécessairement être la totalité de celle-ci. Quoi qu’il en soit, il est essentiel que l’exercice de différence maximum dans le cadre de l’enquête soit concis et bien structuré.

Les enquêtes MaxDiff incluent généralement des questions d’écran pour s’assurer que le bon type de répondants répond à l’enquête, les ressources d’introduction et de formation, ainsi que les questions démographiques. Il n’existe pas de règles strictes sur le nombre d’autres questions pouvant être ajoutées à une étude de différence maximum ou sur l’emplacement de la différence maximum dans le flux d’enquête. Il est à noter que toute question posée aux répondants en dehors de l’exercice de différence maximum prend du temps et de l’attention qui pourrait sinon être donnée à l’exercice MaxDiff.

La longueur de l’enquête doit être prise en compte au fur et à mesure de la conception et de l’élaboration de l’étude. Lorsqu’un répondant est fatigué par l’enquête, il est moins susceptible de donner des réponses réfléchies, ce qui diminue la qualité de vos données. Les enquêtes qui prennent plus de 10 à 15 minutes sont plus sensibles à la fatigue et aux problèmes de qualité des données.

Les données issues d’une étude MaxDiff ne sont relatives et précises que si le répondant comprend parfaitement le prémisse de l’étude.  De nombreuses études testent des concepts bien connus et relatables pour le grand public. Toutefois, si ce n’est pas le cas, il convient de consacrer du temps avant l’exercice MaxDiff pour éduquer correctement le répondant à travers des descriptions et/ou des vidéos.  Plus un produit est clair et imaginable pour l’enquêteur, plus les scores d’utilité qui en résulteront seront vérifiés.

Outre que le texte et les descriptions sont simples et simples, l’agencement de chaque question devrait également donner de la compréhension et de la clarté. Cela permet au répondant de faire des comparaisons et de répondre définitivement.

Taille de l’échantillon

Le nombre de réponses à collecter et la pertinence du sujet pour les personnes participant à l’enquête sont essentiels à la réussite et à l’exactitude des résultats de la différence maximum. Une règle générale du pouce est de collecter une taille d’échantillon totale minimale de 300.  Dans cette optique, il est également important de prendre en compte, dans les segments d’intérêt, le nombre de réponses collectées. Nous recommandons que chaque segment ait un n > 150.

Il est important que les personnes qui prennent l’exercice de différence maximum reflètent celles qui, en fin de compte, seraient l’acheteur ou le marché cible. Fréquemment, les chercheurs ajouteront des questions démographiques au début de l’enquête pour s’assurer que les populations non pertinentes sont expulsées (par exemple, les personnes en dehors de la tranche d’âge ciblée ou de la région où le produit sera disponible). Sinon, les entreprises disposeront souvent de listes de clients actuels ou potentiels sur lesquels elles pourront déployer l’enquête.

Modélisation de l’analyse de différence maximum

Aperçu

Lors de l’analyse de la réponse de différence maximum, les sélections de répondants sont traduites en préférences. Le résultat de l’analyse sera une liste de classement des préférences pour les différents postes testés.

Au cœur de l’analyse se trouve la modélisation statistique qui estime l’utilité que les répondants attribuent à chaque élément. L’analyse MaxDiff acquiert une réputation intimidante de « complexe » en raison de sa modélisation statistique, mais c’est aussi ce qui a fait de MaxDiff une technique de recherche de classe mondiale. Il existe plusieurs approches statistiques utilisées pour calculer ces préférences d’utilité, y compris la régression et la modélisation de régression logistique multinationale, qui sont généralement réalisées au niveau agrégé.

Quelle que soit la manière dont les sélections de l’enquête sont modélisées, le résultat est des coefficients d’utilité qui représentent la valeur ou la préférence que la base du répondant a pour l’élément distinct MaxDiff. Pour les conceptions et les méthodes d’analyse qui permettent des calculs individuels des scores d’utilité, nous pouvons dériver des modèles de préférence pour chaque répondant. Cela peut être avantageux pour un certain nombre de raisons, notamment la segmentation de diverses coupures de données, l’analyse de classe latente et les simulations d’atteinte. La principale approche adoptée pour produire des modèles d’utilité individuels est l’estimation hiérarchique de Bayes. Il s’agit d’une technique qui utilise les méthodes bayésiennes pour dériver de façon probabiliste la valeur relative de chaque variable testée.

Estimation hiérarchique de Bayes

L’estimation hiérarchique de Bayes (HB) est un processus itératif. Il englobe un modèle de niveau inférieur qui estime les utilitaires relatifs de l’individu pour les attributs testés, ainsi qu’un modèle de niveau supérieur qui prédit la préférence de la population. Ces deux éléments fonctionnent ensemble jusqu’à ce que l’analyse converge sur les coefficients qui représentent la valeur de chaque attribut pour chaque individu.

En un sens, l’estimation HB permet d’emprunter des informations d’autres réponses pour obtenir des résultats encore meilleurs et plus stables au niveau individuel. Il est très robuste et nous permet d’avoir une bonne visibilité sur les préférences des répondants, même en présentant moins de tâches au répondant.

La technique est considérée comme “hiérarchique” en raison des modèles supérieurs et inférieurs.  Cette approche estime les préférences moyennes (niveau supérieur), puis évalue la différence entre chaque répondant et cette distribution pour déterminer ses utilitaires spécifiques (niveau inférieur).  Le processus se répète sur un certain nombre d’itérations pour nous aider à atteindre la probabilité qu’un concept spécifique soit sélectionné en fonction de son utilité (donc un modèle de régression logistique multinomiale).

Le projet Analyse de différence maximum de Qualtrics utilise l’estimation de Bayes hiérarchique écrite en STAN pour calculer les utilitaires de préférence individuels.

Coefficients d’utilité de niveau individuel

Le résultat du modèle bayésien sont des scores de préférence qui représentent l’utilité que les individus perçoivent avec chaque variable. Ces scores sont souvent appelés utilitaires partworth, et constituent la base de toutes les métriques résumées produites à partir de l’étude MaxDiff.

Le fichier d’utilité aurait une ligne pour chaque répondant inclus dans l’analyse MaxDiff, et une colonne pour chaque niveau unique testé dans l’étude. Dans la modélisation des préférences de chaque répondant, les utilitaires nous aident à prévoir les sélections que les répondants effectueraient lorsqu’ils sont confrontés à différentes compositions.

Les utilitaires sont de nature ordinale et nous indiquent l’ordre de classement de la liste des variables.

Métriques de résumé de la différence maximum

Métriques de résumé de la différence maximum

Une fois que l’analyse a déterminé les coefficients d’utilité, les résultats et les livrables peuvent être préparés pour présenter les résultats de l’étude. Les utilitaires sont les modules de toutes les métriques de synthèse.

Les principaux indicateurs de synthèse qui accompagnent généralement l’analyse de différence maximum sont détaillés ci-dessous :

• Partage des préférences : le partage des préférences est la mesure de la probabilité qu’un élément soit choisi plutôt qu’un autre si un répondant est invité à sélectionner le meilleur parmi toutes les options. Il s’agit d’un produit des utilitaires calculé à l’aide d’un modèle de régression logistique multinomiale, et est dérivé en exponentiant l’utilitaire de l’article et en divisant cela par la somme de tous les utilitaires des articles exponentiels.
• Utilité moyenne : score moyen d’utilité de chaque élément parmi tous les répondants. Ils sont de nature ordinale et afficheront la préférence relative entre les postes. Les utilitaires moyens peuvent donner une certaine compréhension de la direction, mais ne doivent pas être une métrique autonome pour résumer l’analyse de différence maximum.
• Analyse des nombres : l’analyse du nombre est une métrique qui nous indique simplement le pourcentage de temps pendant lequel chaque élément a été sélectionné le plus/le moins lorsqu’il a été affiché.

Différence maximum ancrée

Qu’est-ce que la différence maximum ancrée ?

La différence maximum ancrée est une méthodologie supplémentaire dans laquelle une question de suivi est posée après chaque tâche de différence maximum. Il a des similitudes avec l’analyse conjointe à deux choix à la fois dans la manière dont la question est posée et dans la manière dont elle est modélisée.

L’approche consiste à poser une question immédiatement après chaque tâche MaxDiff. Après avoir reçu la liste des éléments, il est demandé au répondant si :

1. Tous les articles qu’ils voient ci-dessus sont importants/privilégiés.
2. Certains des articles qu’ils voient ci-dessus sont importants/privilégiés et d’autres peu importants/non privilégiés.
3. Tous les articles qu’ils voient ci-dessus sont sans importance/ne sont pas privilégiés.

Ces données sont prises en compte dans le modèle statistique. Il permet de comprendre le point d’ancrage pour lequel la sortie de l’utilitaire est au-dessus et en dessous d’une ligne où les postes sont réellement considérés comme importants ou préférés.

Interprétation de Maxdiff ancrée

Avec la différence maximum ancrée, le graphique de partage des préférences affichera les fonctionnalités importantes en bleu et non en rouge. Si toutes les caractéristiques sont bleues, le modèle a évalué toutes les caractéristiques pour qu’elles soient au-dessus du point d’ancrage. La légende en bas du diagramme indique la couleur et l’importance des fonctionnalités incluses.

FAQ