Количественные исследования

Почему MaxDiff часто используют не там, где он нужен

Я всё чаще вижу одну и ту же ошибку: MaxDiff запускают как «умный опрос про предпочтения», хотя на деле пытаются решить им задачу сегментации или выбора между пакетами ценности. В результате получают красивую таблицу с относительными приоритетами, но не получают ответа на главный вопрос — что именно должно войти в продукт, оффер или коммуникацию.

Моя позиция простая: **MaxDiff хорош тогда, когда список уже в целом известен, а нужно честно расставить приоритеты без эффекта «всё важно»**. Это сильный инструмент для:
— отбора сообщений в коммуникации;
— ранжирования выгод продукта;
— проверки, какие аргументы стоит тащить в лендинг, презентацию или sales-kit.

Но если задача звучит как:
— понять, какие группы клиентов существуют;
— выяснить, почему люди выбирают бренд;
— собрать полную карту потребностей;
то MaxDiff будет слишком узким. Здесь лучше работают глубинные интервью, кластеризация по поведенческим данным, иногда — conjoint, если нужно понять, **как люди выбирают между наборами атрибутов**, а не просто что им нравится больше.

Из практики: в одном B2B-проекте мы сначала сделали MaxDiff по 18 обещаниям продукта и получили очень ровную картину — всё было «почти одинаково важно». После этого заказчик хотел признать метод неудачным. Но проблема была не в методе, а в списке. Когда мы сократили набор до 10 действительно конкурирующих формулировок, разница между верхом и низом стала уже двукратной, и это напрямую переписало структуру лендинга.

Я бы рекомендовал помнить: опрос — это не замена мышлению, а проверка гипотезы. И чем точнее вы задаёте вопрос, тем меньше шанс получить вежливый, но бесполезный ответ.

— @QuantResearchRuPro

Глубже разбирают этот метод в @CXjourneyRoomPro

1 view06:37