MaxDiff - ¿Cuál es el resultado?

¿Se ha encontrado alguna vez en la situación de tener que ordenar muchos elementos (descripciones, afirmaciones o conceptos) por orden de preferencia? En estas situaciones se suelen utilizar preguntas de tipo ranking y rating, aunque en los últimos años MaxDiff ha ido ganando más atención como una buena alternativa.

MaxDiff, a diferencia de la clasificación, está libre de escalas y, por tanto, no tiene sesgos de escala o culturales. En segundo lugar, puede tratar con muchos elementos, mientras que tener que clasificar más de seis elementos tiende a dar lugar a órdenes de clasificación triviales y sin sentido. MaxDiff supera estos inconvenientes.

MaxDiff: Qué es

MaxDiff es la abreviatura de Maximum Difference scaling, inventada por Jordan Louviere en 1987. En términos sencillos, un ejercicio MaxDiff utiliza como base una lista que contiene muchos elementos, por ejemplo, 30 nombres de niños, y luego expone a los encuestados a varios subconjuntos de esta lista maestra mediante la selección aleatoria de 5 de los 30 nombres cada vez. De cada subconjunto, se pide a los encuestados que elijan el elemento que más les gusta y el que menos. Esta tarea de elección se repite varias veces con un conjunto predefinido de subconjuntos seleccionados aleatoriamente para recoger suficientes observaciones para un análisis sólido.

MaxDiff: Cómo funciona

La estimación de la utilidad sobre la marcha en SSI/Web ayuda a profundizar en lo que motiva o mueve a las personas en sus elecciones. Permite recordar el mejor y el peor elemento de los encuestados para realizar preguntas de seguimiento y comprender por qué consideran que ese elemento es el mejor o el peor. Ayuda a establecer el marco de relaciones, era el mejor del conjunto, pero nada del conjunto les atraía realmente. Las preguntas abiertas sobre la motivación permiten al encuestado revelar sus motivos.

MaxDiff proporciona una clasificación entre los ítems evaluados, una distancia métrica entre los ítems clasificados y un razonamiento de la elección de los encuestados. Dado que las clasificaciones se establecen a nivel de cada encuestado, pueden variar mucho en toda la muestra. El análisis de segmentación o de conglomerados puede aplicarse para encontrar patrones de respuesta similares a nivel de segmento (por ejemplo, ayudar a descubrir características exclusivas de un grupo específico dentro de la muestra global al que le gusta un artículo concreto).

A nivel agregado podemos ver que el elemento "X" gana, pero también podemos ver que hay una alternativa aceptable que recoge más de una parte justa de las preferencias (elemento "Y"). A nivel de segmento, sin embargo, vemos que las preferencias varían y que pueden encontrarse diferencias sistemáticas. La segmentación impide que nos limitemos a declarar "ganadores" a los artículos que obtienen mejores resultados a nivel agregado, cuando su rendimiento también puede deberse a que son los mejores artículos intermedios, carentes de controversia. Al examinar los resultados a nivel de segmento, podemos llegar a una conclusión diferente o, en otras palabras, más dirigida.

MaxDiff: Cuándo utilizarlo

MaxDiff puede utilizarse siempre que se necesite apoyar una elección entre muchos elementos (digamos hasta 30), en los que los elementos tengan un nivel comparable de ejecución y articulación. MaxDiff puede utilizarse para apoyar selecciones entre palabras (por ejemplo, nombres de marcas, gamas o productos), afirmaciones (por ejemplo, articulaciones de beneficios o articulaciones de razones para creer) o conceptos completos (por ejemplo, combinando descripciones completas y visualizaciones). No obstante, le sugerimos que limite el número de elementos que prueba en un estudio MaxDiff en proporción a su longitud o complejidad para reducir la fatiga innecesaria y garantizar una calidad óptima de los datos.

Ninguna herramienta es perfecta y el método MaxDiff tiene ciertas limitaciones. La limitación más obvia es que MaxDiff sólo proporciona medidas relativas y no absolutas del rendimiento de los ítems. Esto significa que sólo podemos mostrar el rendimiento de un ítem en relación con otros ítems del mismo conjunto; no entre conjuntos y estudios. Sin embargo, hay formas de evitarlo, como la inclusión de un ítem de referencia en el conjunto de ítems; un ítem con un rendimiento conocido medido en otros conjuntos y estudios. También existen otras soluciones que pueden analizarse caso por caso.