MaxDiff - Qual é o resultado?

Você já se deparou com uma situação em que muitos itens (descrições, declarações ou conceitos) tiveram que ser colocados em ordem de preferência? Perguntas do tipo ranking e classificação são usadas com frequência nessas situações, embora nos últimos anos o MaxDiff tenha ganhado mais atenção como uma boa alternativa.

O MaxDiff, ao contrário da classificação, é livre de escala e, portanto, não tem viés cultural ou de escala. Em segundo lugar, ele pode lidar com muitos itens, enquanto a classificação de mais de seis itens tende a resultar em ordens de classificação triviais e sem sentido. O MaxDiff supera essas desvantagens.

MaxDiff: O que é

MaxDiff é a abreviação de Maximum Difference scaling (escala de diferença máxima), inventada por Jordan Louviere em 1987. Em termos simples, um exercício de MaxDiff usa uma lista com muitos itens, por exemplo, 30 nomes de crianças como base e, em seguida, expõe os respondentes a vários subconjuntos dessa lista principal por meio da seleção aleatória de 5 dos 30 nomes de cada vez. De cada subconjunto, os entrevistados são solicitados a escolher o item que mais gostam e o que menos gostam. Essa tarefa de escolha é repetida várias vezes com um conjunto predefinido de subconjuntos selecionados aleatoriamente para coletar observações suficientes para uma análise sólida.

MaxDiff: Como funciona

A estimativa de utilidade em tempo real no SSI/Web ajuda a aprofundar o que motiva/motiva as pessoas em suas escolhas. Ela permite que você relembre o melhor e o pior item dos entrevistados para perguntas de acompanhamento, a fim de entender por que eles consideram aquele item o melhor ou o pior. Isso ajuda a estabelecer a estrutura de relações, foi o melhor do conjunto, mas nada do conjunto foi realmente atraente. Fazer perguntas abertas sobre a motivação leva o respondente a revelar sua lógica.

O MaxDiff fornece uma classificação entre os itens testados, uma distância métrica entre os itens classificados e o raciocínio por trás da escolha dos respondentes. Como as classificações são estabelecidas no nível do respondente individual, elas podem variar muito em toda a amostra. A análise de segmentação ou de cluster pode ser aplicada para encontrar padrões de resposta semelhantes em um nível de segmento (por exemplo, ajudar a descobrir características exclusivas de um grupo específico dentro da amostra geral que gosta de um item específico).

Em um nível agregado, podemos ver que o item "X" vence, mas também podemos ver que há uma alternativa aceitável que coleta mais do que uma parcela justa das preferências (item "Y"). Em nível de segmento, no entanto, vemos que as preferências variam e que é possível encontrar diferenças sistemáticas. A segmentação evita que simplesmente declaremos como "vencedores" os itens com melhor desempenho em um nível agregado, embora seu desempenho também possa ser devido ao fato de serem os melhores itens intermediários, sem controvérsia. Ao analisarmos os resultados em nível de segmento, podemos chegar a uma conclusão diferente ou, em outras palavras, mais direcionada.

MaxDiff: Quando usá-lo

O MaxDiff pode ser usado sempre que você precisar apoiar uma escolha entre vários itens (digamos, até 30), em que os itens estejam em um nível comparável de execução e articulação. O MaxDiff pode ser usado para oferecer suporte a seleções entre palavras (por exemplo, nomes de marcas, linhas ou produtos), declarações (por exemplo, articulações de benefícios ou articulações de motivos para acreditar) ou conceitos completos (por exemplo, combinando descrições completas e visualizações). No entanto, sugerimos que você limite o número de itens testados em um estudo MaxDiff proporcionalmente ao seu tamanho ou complexidade para reduzir a fadiga desnecessária e garantir a qualidade ideal dos dados.

Nenhuma ferramenta é perfeita e existem certas limitações na abordagem do MaxDiff. A limitação mais óbvia é que o MaxDiff fornece apenas medidas relativas e não absolutas do desempenho do item. Isso significa que só podemos mostrar o desempenho de um item em relação a outros itens no mesmo conjunto, e não entre conjuntos e estudos. No entanto, há maneiras de contornar isso, como a inclusão de um item de referência no conjunto de itens; um item com desempenho conhecido medido em outros conjuntos e estudos. Também existem outras soluções que podem ser discutidas caso a caso.