White paper analisi MaxDiff

Che cos’è l’analisi MaxDiff?

Definizione

L’analisi MaxDiff è una tecnica di ricerca di mercato per misurare la preferenza e l’importanza che gli intervistati inseriscono in un elenco di articoli. Può svolgere un ruolo fondamentale nella comprensione dei compromessi che le persone farebbero e in ultima analisi fornisce una classifica della lista. Può essere utilizzato su liste di caratteristiche/funzionalità di un prodotto, messaggistica, richieste, attributi, caratteristiche e molto altro ancora. A volte viene indicato come il peggior ridimensionamento o scala di differenza massima, ed è stato sviluppato da J.J. Louviere.

Come viene condotta?

L’analisi MaxDiff viene condotta mostrando i sottoinsiemi di articoli di un elenco dei partecipanti e facendo in modo che l’intervistato identifichi le opzioni migliori e peggiori o più e meno preferite da tale elenco. Il motivo per cui adottiamo questo approccio è che può essere difficile per un partecipante classificare l’ordine di 7 o più elementi nell’esperienza di un sondaggio. Quindi ciò che MaxDiff sfrutta è la nostra capacità di identificare i polari (migliori e peggiori) da un elenco, e semplifica il compito in un numero più digeribile di elementi alla volta.

Un intervistato di solito vede da 5 a 15 domande in cui vengono mostrate da 3 a 5 voci e gli viene chiesto di indicare la migliore e la peggiore dall’elenco. In questo modo si ottengono dati molto accurati, poiché si tratta di un compito più comprensibile per i partecipanti al sondaggio rispetto alla presentazione dell’intera lista.

I passaggi per l’esecuzione di un’analisi MaxDiff sono:

1. Determinare gli attributi da testare nell’analisi MaxDiff.
2. Generare il progetto sperimentale.
3. Programmare il sondaggio che ospita le attività MaxDiff.
4. Raccogli risposte.
5. Analizzare i risultati MaxDiff.
6. Segnalare i risultati.

Ognuno di questi si basa sull’azione precedente nel lavorare verso l’obiettivo finale di comprendere le preferenze degli intervistati.

Qualtrics ha sviluppato una soluzione MaxDiff XM che consente ai ricercatori di eseguire rapidamente e semplicemente gli intervistati attraverso esercizi di trade-off come parte di un obiettivo di ricerca più ampio.

A quali obiettivi aziendali risponde l’analisi MaxDiff?

Esistono obiettivi aziendali chiave che MaxDiff può raggiungere. Ciò include:

• In che modo gli intervistati danno priorità alle caratteristiche o alle funzionalità del pacchetto?
• Su cosa si concentrano gli intervistati quando prendono una decisione d’acquisto?
• In che modo le varie richieste di messaggistica e di prodotto risuonano con un pubblico target?
• Quando viene chiesto di scegliere da un elenco finito, come percepisce e valuta il mercato diversi prodotti o servizi?
• In che modo i vari brand si confrontano tra loro e in che modo gli intervistati li ordinano?
• Quali compromessi otterranno gli intervistati di fronte a diverse combinazioni di caratteristiche?

Come si vede, l’analisi MaxDiff è in grado di fornire dati per questioni aziendali essenziali e dinamiche. Ci sono anche molte richieste non relative ai prodotti a cui MaxDiff può rispondere.

MaxDiff può essere un metodo di ricerca molto efficace per molti casi di utilizzo grazie alla sua flessibilità e alla sua facile uscita. Dovrebbe essere lo strumento di scelta ogniqualvolta i ricercatori abbiano bisogno di informazioni sulla classificazione di un elenco.

Attributi MaxDiff

Con l’analisi MaxDiff, stiamo cercando un elenco di attributi che fungono da offerte in e da sé, piuttosto che come attributi da raggruppare. Pertanto, le posizioni dovrebbero essere reciprocamente esclusive e indipendenti. Gli articoli possono essere caratteristiche/funzionalità di un prodotto, messaggistica o richieste relative a un prodotto, vantaggi offerti a utenti o dipendenti e molti altri casi di utilizzo.

Per un’analisi MaxDiff, generalmente si desidera elencare da 8 a 25 voci. Più elementi includi, più domande dovrai fare, quindi cerca di tenere a mente l’affaticamento degli intervistati quando progetti la tua ricerca.

Progettazione sperimentale

Progettazione sperimentale e analisi MaxDiff

Il design sperimentale di MaxDiff determina quali elementi saranno mostrati nelle domande presentate agli intervistati. Il disegno garantisce una corretta rappresentazione per l’esito finale della garanzia di risultati accurati e affidabili. Se progettato correttamente, il sondaggio raccoglierà i dati necessari per ordinare gli articoli.

La regola generale è che vogliamo che ogni intervistato veda ogni voce tre volte. Il sottoprodotto di questa regola è che più articoli MaxDiff genereranno più domande. Oltre a questa regola, ci sono anche altre condizioni che Qualtrics rispetta come parte della generazione del design sperimentale, tra cui: Randomizzazione, Saldo elementi, Saldo accoppiato e Network delle voci.

• Randomizzazione: la domanda e la posizione all’interno di una domanda in cui appare un elemento MaxDiff è assegnata in modo casuale.
• Saldo elemento: il numero di volte in cui ogni elemento viene mostrato all’interno di un set di domande del partecipante (noto anche come “versione”) è bilanciato e viene mostrato relativamente lo stesso numero di volte. Il numero di volte in cui ogni elemento viene visualizzato è pareggiato anche in tutte le versioni.
• Saldo accoppiato: il numero di volte in cui ogni elemento viene mostrato con tutti gli altri elementi è relativamente bilanciato tra tutti gli intervistati.
• Item Networking: nota anche come connettività. Questa regola garantisce che, se le posizioni fossero divise in due gruppi uguali, non ci sarebbe mai un elemento all’interno di un gruppo che non viene mai visualizzato con nessuno degli elementi dell’altro gruppo.

Dimensione sondaggio e campione

Programmazione del sondaggio

L’analisi MaxDiff è supportata dalle risposte al sondaggio. Quando viene condotto uno studio MaxDiff, di solito è il fulcro del sondaggio, ma non deve necessariamente esserlo per intero. Indipendentemente da ciò, è fondamentale che l’esercizio MaxDiff all’interno del sondaggio sia conciso e ben strutturato.

I sondaggi MaxDiff includono comunemente domande esaminatore per garantire il corretto tipo di intervistati che completano il sondaggio, risorse di introduzione e formazione e domande demografiche. Non ci sono regole rigide su quante altre domande possono essere aggiunte a uno studio MaxDiff o dove nel flusso del sondaggio deve cadere MaxDiff. Da notare che qualsiasi domanda posta agli intervistati al di fuori dell’esercizio MaxDiff richiede tempo e attenzione che altrimenti potrebbe essere data all’esercizio MaxDiff.

La durata dell’indagine va considerata in quanto lo studio è in fase di progettazione e costruzione. Quando un partecipante viene affaticato dal sondaggio, è meno probabile che fornisca risposte ponderate, riducendo così la qualità dei tuoi dati. I sondaggi che richiedono più di 10-15 minuti sono più suscettibili di affaticamento e problemi di qualità dei dati.

I dati messi in campo da uno studio MaxDiff sono relativi e accurati solo se l’intervistato comprende pienamente la premessa dello studio.  Molti studi sono prove di concetti ben noti e relazionabili con il grande pubblico. Tuttavia, se così non fosse, bisognerebbe dedicare del tempo in anticipo all’esercizio MaxDiff per educare adeguatamente l’intervistato attraverso descrizioni e/o video.  Quanto più un prodotto è chiaro e immaginabile è per chi effettua il sondaggio, tanto più veritieri saranno i punteggi di utilità risultanti.

Oltre alla semplicità e alla semplicità del testo e delle descrizioni, la struttura di ciascuna domanda dovrebbe anche contribuire alla comprensione e alla chiarezza. Questo consente all’intervistato di fare confronti e rispondere in modo definitivo.

Dimensioni del campione

Critico per il successo e l’accuratezza dei risultati MaxDiff è il numero di risposte da raccogliere così come la rilevanza dell’oggetto per le persone che partecipano al sondaggio. Una regola generale del pollice è raccogliere una dimensione minima totale del campione di 300.  In quest’ottica, è anche importante tener conto, nei segmenti di interesse, del numero di risposte raccolte. Si raccomanda che ogni segmento abbia un n > 150.

È importante che i soggetti che prendono l’esercizio MaxDiff riflettano coloro che alla fine sarebbero l’acquirente o il mercato di riferimento. Spesso i ricercatori aggiungeranno domande demografiche all’inizio del sondaggio per garantire che le popolazioni irrilevanti siano esaminate (ad esempio, quelle che non rientrano nella fascia di età o nella regione in cui il prodotto sarà disponibile). In alternativa, le aziende spesso disporranno di elenchi di clienti attuali o potenziali in cui distribuire il questionario.

Modellazione dell’analisi MaxDiff

Panoramica

Quando si analizza la risposta MaxDiff, le selezioni dei rispondenti vengono tradotte in preferenze. L’esito dell’analisi sarà una lista classificata delle preferenze per i diversi elementi testati.

Al centro dell’analisi vi è la modellazione statistica che stima l’utilità che i rispondenti assegnano ad ogni elemento. L’analisi MaxDiff ottiene una reputazione intimidatoria come “complessa” a causa della sua modellazione statistica, ma questo è anche ciò che ha reso MaxDiff una tecnica di ricerca di livello mondiale. Ci sono diversi approcci statistici utilizzati per calcolare queste preferenze di utilità, tra cui la regressione e la modellazione di regressione logistica multinomiale, che sono tipicamente condotte a livello aggregato.

Indipendentemente dal modo in cui vengono modellate le selezioni del sondaggio, l’output è costituito da coefficienti di utilità che rappresentano il valore o la preferenza che la base intervistato ha per l’elemento MaxDiff distinto. Per le progettazioni e i metodi di analisi che consentono calcoli a livello individuale dei punteggi di utilità, possiamo ricavare modelli di preferenza per ogni singolo intervistato. Questo può essere vantaggioso per una serie di motivi, tra cui la segmentazione di vari tagli di dati, l’analisi di classe latente e raggiungere le simulazioni. L’approccio principale adottato per produrre modelli di utilità basati sull’individuo è la stima gerarchica di Bayes. Questa è una tecnica che utilizza metodi bayesiani per ricavare probabilisticamente il valore relativo di ogni variabile sottoposta a test.

Stima gerarchica Bayes

La stima di Bayes gerarchica (HB) è un processo iterativo. Comprende un modello di livello inferiore che stima le utilità relative dell’individuo per gli attributi testati, nonché un modello di livello superiore che prevede la preferenza della popolazione. Questi due lavorano insieme fino alle convergenze di analisi sui coefficienti che rappresentano il valore di ogni attributo per ogni singolo individuo.

In un certo senso, la stima HB permette di prendere in prestito informazioni da altre risposte per ottenere risultati ancora migliori e più stabili a livello individuale. È molto robusto e ci consente di ottenere informazioni approfondite sulle preferenze degli intervistati, anche presentando meno task all’intervistato.

La tecnica è considerata “gerarchica” a causa dei modelli di livello superiore e inferiore.  Questo approccio stima le preferenze medie (livello superiore) e quindi misura la differenza di ciascun intervistato da quella distribuzione per ricavare le proprie utilità specifiche (livello inferiore).  Il processo si ripete su un certo numero di iterazioni per aiutarci in ultima analisi ad affinare la probabilità che un concetto specifico venga selezionato in base alla sua utilità (quindi un modello Multinomial Logistical Regression).

Il progetto Qualtrics MaxDiff Analysis utilizza la stima di Bayes gerarchica scritta in STAN per calcolare le utilità di preferenza individuali.

Coefficienti di utilità a livello individuale

Il risultato del modello bayesiano sono punteggi di preferenza che rappresentano l’utilità che gli individui percepiscono con ogni variabile. Questi punteggi sono spesso chiamati utilità di partworth, e sono la base di tutte le metriche di riepilogo prodotte dallo studio MaxDiff.

Il file dell’utility avrebbe una riga per ogni intervistato incluso nell’analisi MaxDiff, e una colonna per ogni livello unico testato all’interno dello studio. Nella modellazione delle preferenze di ogni intervistato, le utilities ci aiutano a prevedere le selezioni che gli intervistati effettuerebbero di fronte a formazioni diverse.

Le utenze sono ordinali in natura e ci dicono l’ordine di rango della lista delle variabili.

Metriche di riepilogo MaxDiff

Metriche di riepilogo MaxDiff

Dopo che l’analisi ha determinato i coefficienti di utilità, gli output e i deliverable possono essere preparati per mostrare i risultati dello studio. Le utilities sono i moduli di tutte le metriche di riepilogo.

Le metriche di riepilogo principale che generalmente accompagnano l’analisi MaxDiff sono dettagliate di seguito:

• Quota di preferenza: la quota di preferenza è la misura della probabilità che una posizione venga scelta su un’altra se a un intervistato è stato chiesto di selezionare la migliore tra tutte le opzioni. È un prodotto delle utenze calcolato utilizzando un modello di regressione logistica multinomiale e viene derivato esponendo l’utilità dell’articolo e dividendo quella per la somma di tutte le utenze delle posizioni esponenziate.
• Utilità media: il punteggio medio di utilità di ogni elemento per tutti gli intervistati. Questi sono ordinali in natura e mostreranno la relativa preferenza tra gli elementi. Le utilità medie possono fornire una certa comprensione direzionale, ma non devono essere una metrica indipendente per riepilogare l’analisi MaxDiff.
• Analisi dei conteggi: l’analisi del conteggio è una metrica che ci indica semplicemente la percentuale di tempo in cui ogni elemento è stato selezionato più/meno quando è stato mostrato.

DiffMax ancorata

Che cos’è MaxDiff ancorato?

La MaxDiff ancorata è una metodologia supplementare in cui viene posta una domanda di follow-up dopo ogni attività MaxDiff. Ha alcune somiglianze con l’analisi congiunta a scelta doppia sia nel modo in cui viene posta la domanda, sia nel modo in cui viene modellata.

L’approccio include la presentazione di una domanda immediatamente dopo ogni attività MaxDiff. Dopo aver ricevuto l’elenco degli articoli, al rispondente viene chiesto se:

1. Tutti gli articoli che vedono sopra sono importanti/preferiti.
2. Alcuni degli articoli che vedono sopra sono importanti/preferiti e alcuni non importanti/non preferiti.
3. Tutti gli articoli che vedono sopra sono poco importanti/non preferiti.

Questi dati vengono considerati nel modello statistico. Fornisce una comprensione del punto di ancoraggio per dove l’output dell’utilità è sopra e sotto una riga in cui gli elementi sono effettivamente ritenuti importanti o preferiti.

Interpretazione Maxdiff ancorata

Con maxdiff ancorato, il grafico delle quote di preferenza mostrerà caratteristiche importanti blu e non caratteristiche importanti rosso. Se tutte le caratteristiche sono blu, il modello ha valutato tutte le funzionalità per essere sopra il punto di ancoraggio. La legenda nella parte inferiore del grafico indica il colore e l’importanza delle funzionalità incluse.

FAQ