MaxDiff 是什么?在最好与最差之间逼出偏好

全都重要,等于都不重要

问消费者「以下卖点哪个对您重要?」用五分量表逐个打分,结果几乎注定:80% 的选项拿到 4 分以上,「现泡茶底」重要,「价格实惠」也重要,「会员积分」还是有点重要。这份人人满分的数据没法回答真正的问题——资源有限,先做哪个?

评分量表的毛病有三:一是区分度塌陷,好面子的人类不愿把东西打得太低;二是量表使用差异,有人习惯全打 5 分,有人全打 3 分,分数不可比;三是文化偏差,东亚受访者尤其偏爱中庸选项,问卷来回拉扯后什么都没说。20 世纪的市场研究部被这些问题困扰了几十年,直到有人决定换个问法。

换个问法:每组只问最好与最差

MaxDiff(Maximum Difference Scaling,最大差异测量)的玩法:把候选项做成一组组小问卷,每组摆 3–6 个选项,不问分数,只问两件事——**这组里哪个最好?哪个最差?**想全选重要?不行,每组必须各挑一个。取舍被强迫了,区分度就回来了。

方法是 1990 年代初由消费者研究学者 Jordan Louviere 提出的,理论根基可以追溯到 1959 年 Luce 的选择公理——用「成对比较与选择行为」反推偏好的随机效用传统。真正让它普及的是 Sawtooth Software:1990 年代末做成标准化模块后,MaxDiff 成为全球市场研究里排优先级的常规武器,从品牌卖点、产品功能一路排到医保政策条目。

一家奶茶店的实战

一家奶茶品牌想理清八个卖点的优先级:现泡茶底、价格实惠、真奶、低糖可选、门店位置、颜值包装、会员积分、联名周边。

设计:每组抽 4 个卖点,每人答 8 组;平衡设计保证每个卖点出现 4 次、与其他卖点同组的次数均等。200 位消费者做完,数据收拢成一张计数表。以「现泡茶底」为例:它在所有问卷里共出现 200 × 4 = 800 次,被选为「最好」380 次、「最差」60 次,得分:

(被选最好次数 − 被选最差次数) ÷ 出现次数 = (380 − 60) ÷ 800 = 0.40

八个卖点全部照此计算:

两处细节值得看。其一,每人每组建一次「最好」一次「最差」,所以全体的最好总数与最差总数相等(这里都是 1600 次),八个得分加总严格为零——数据天然中心化,不用再校准量表。其二,「联名周边」被踩得最狠,但它未必一无是处,只是在这套卖点的相互竞争里排到了末位:MaxDiff 测的是相对偏好。若要做个体分析或分群比较,计数法之上还有层次贝叶斯模型,能给每位受访者估出各自的偏好强度,重度奶茶用户与偶尔路过的人群,榜单常常长得不一样。

读数与坑

• 一个选项只说一件事:「现泡茶底 + 真奶」是一个卖点还是两个?混在一起,赢了不知道归谁,输了不知道怪谁;
• 陪跑效应:同组出现谁会影响得分,「真奶」和「现泡茶底」同组时可能互相分流「最好」票——靠平衡设计摊平,靠足够组数稀释;
• 任务疲劳:8–12 组是常见上限,选项总数超过 30 个就得分任务或分人;
• 跨语言慎比:多国项目里选项翻译的语义等价性,比统计技术更容易翻车。

结语

至此,这个系列的工具箱又添了一件:评分量表问「重不重要」,MaxDiff 逼消费者用取舍投票;它排得出相对次序,但回答不了「为茶底多付 3 元值不值」——那要请出下一章的主角联合分析,把属性组合成完整产品再算账。测量偏好的历史,就是不断逼近真实选择场景的历史:从打分,到取舍,再到选择。