·Glossary·Minds Team
什么是 MaxDiff？定义与示例
MaxDiff 即最大差异度量（maximum difference scaling），是一种通过向受访者展示要素子集并要求选出最佳与最差选项来确立偏好或重要性排序的定量研究方法。Minds 等现代平台可在目标受众中运行定向 MaxDiff 模拟。
MaxDiff（即最大差异度量，maximum difference scaling）是一种先进的定量研究方法，它通过向受访者展示结构化子集并要求其选出最佳和最差选项，来衡量一系列要素之间的相对偏好或重要性。Minds 等现代研究平台可执行 MaxDiff 工作流，在模拟目标受众中生成方向性偏好排序。
最大差异度量解决了传统问卷调查研究中的一个根本缺陷：标度偏差（scale bias）。当真人参与者或研究对象在标准评分量表上评估要素时，他们往往会将每个功能都评为关键要素，或者倾向于给出中间评分。MaxDiff 建立在随机效用理论和离散选择建模的数学原理之上，通过强制选择要素对比克服了这一局限。
在典型的 MaxDiff 测试中，研究人员会整理一份要素清单，例如产品属性、品牌主张、信息陈述或包装卖点。实验设计算法将这些要素组织成多个均衡的子集，通常一次展示 3 到 6 个要素。针对每个集合，受访者必须恰好选出一个最偏好（或最重要）的选项和一个最不偏好（或最不重要）的选项。
由于受访者仅评估小子集内的极端项，因此在产生丰富对比数据的同时，认知负担仍保持在可控范围内。分层贝叶斯估计（hierarchical Bayes estimation）或多项 Logit 分析（multinomial logit analysis）等数学模型将这些离散选择转化为相对效用得分。生成的输出确立了一个清晰、标准化的层级结构，展示在被评估群体中一个要素相比另一个要素具有多大的相对价值。
MaxDiff 研究的执行遵循一个结构化的定量流程，包括要素选择、实验设计构建、选择数据收集和效用估计。
首先，研究人员定义要素列表，确保所有概念或陈述具有一致的语法结构和概念范畴。测试 12 到 30 个要素十分常见，不过通过适当的样本量和设计参数也可以评估更大的要素库。
其次，实验设计引擎生成均衡的问题界面。该设计通过确保每个要素在整个研究中出现的次数相同、每个要素与所有其他要素配对的次数相同，并在界面展示中保持位置均衡，从而保证设计的均衡性。
第三，受访者完成评估任务。在每个界面上，受访者从展示的子集中识别出最佳和最差的备选项。
哪项功能最重要，哪项功能最不重要？
| 最重要 | 功能描述 | 最不重要 |
|---|
| ( ) | 实时协作工具 | ( ) |
| ( ) | 自动化工作流触发器 | ( ) |
| (X) | 端到端数据加密 | ( ) |
| ( ) | 可自定义的仪表盘小组件 | (X) |
最后，收集引擎汇总选择数据以计算相对偏好份额。先进的估计模型不会直接输出原始选择计数，而是推导出以零为中心的得分或 0 到 100 的标准化区间得分，其中所有要素效用的总和等于 100%。这使团队不仅能够得出要素 A 排名高于要素 B 的结论，还能量化出要素 A 的相对偏好权重是要素 B 的两倍。
以一家准备在北美市场推出全新冷萃咖啡产品线的快消品（CPG）品牌为例。品牌团队构思了 10 个潜在的包装正面宣称：有机认证、零糖、符合道德采购的咖啡豆、双倍咖啡因提神、丝滑微泡口感、本地烘焙、可回收包装、生酮友好、直接贸易以及添加益生元。
如果在标准的 1 到 5 分量表上对这 10 个宣称进行打分，几乎所有宣称的得分可能都会落在 4.1 到 4.6 之间，无法为包装版面设计提供任何可落地的指导。相反，团队部署了一项 MaxDiff 测试，每个界面展示 4 个宣称，共计 8 个选择任务。
分析显示，零糖和双倍咖啡因提神占据了超过 40% 的总偏好份额，而生酮友好和添加益生元的效用得分微乎其微。通过在均衡子集间强制权衡，品牌团队在投入生产资金之前，成功锁定了主要购买驱动力，并从主包装设计中剔除了低影响力宣称。
Minds 为商业合成研究提供端到端平台，在统一的操作环境中融合定性与定量方法。平台的核心是 Minds PRISM，这是每个 Mind 底层的专有推理、推断与源建模引擎。Minds PRISM 结合了公开来源背景信息与已启用的获准研究输入，旨在最大化限定范围内方向性合成研究的立论依据、一致性与语境准确度。
在 Minds PRISM 推理层之上是交互基础设施，支持定性探索、问卷调查、标准与自定义量表、单选与多选题，以及包括 MaxDiff 在内的结构化强制选择方法。Minds 没有将 MaxDiff 视为独立的单点工具集成，而是直接在 PRISM 支持的底座上执行最大差异度量。
团队可以在 Minds 中根据受众描述、附加文件或工作空间启用的链接配置可复用的 Audiences。洞察经理可以在模拟目标群体中测试概念描述、文案变体、定位方向和功能集，然后再将预算投入到实体样本库或实地调研中。平台以确定性方式计算模拟受访者之间的偏好分布，提供方向性排序层级，帮助产品与营销团队在研究周期早期识别获胜概念。
Minds 中的模拟研究产出具有方向性和语境依赖性，旨在指导产品和营销开发周期中的快速迭代。如果高风险的最终决策需要物理感官验证、受监管的证据或代表性人群估计，招募真人观察可以作为合成研究工作流的补充。客户数据处理、部署参数和托管配置应根据内部安全要求针对每个已配置的工作空间进行评估。
了解何时相对于其他研究方法部署 MaxDiff，有助于团队根据特定的决策标准选择合适的工具。
| 研究方法 | 主要输出 | 权衡机制 | 最佳适用场景 |
|---|
| MaxDiff Scaling (MaxDiff 度量) | 统一比例/区间尺度上的相对效用得分 | 均衡子集内最佳与最差的强制选择 | 对长列表的宣称、信息或功能进行排序 |
| Conjoint Analysis (联合分析) | 多属性产品剖面的分值效用 (Part-worth utilities) | 跨不同属性组合的全剖面权衡 | 产品配置、捆绑销售与定价研究 |
| Likert Rating Scales (李克特评分量表) | 每个要素的独立绝对得分 | 无强制权衡（要素被孤立评估） | 衡量个人情感、认同度或满意度 |
| Rank Order Sorting (排序法) | 序数层级（第 1、第 2、第 3 等） | 同时对整个列表进行直接排序 | 极短列表（6 项以下）的快速优先级排序 |
| Constant Sum Scaling (恒和量表) | 分配给各要素的点数，总和为固定值 | 在可见列表上进行直接点数分配 | 预算分配与直接比例评估 |
- Discrete choice modeling (离散选择建模): 一种统计框架，基于效用最大化原理对决策者在离散备选方案集中的选择进行建模。
- Conjoint analysis (联合分析): 一种定量技术，用于评估受访者如何看待产品属性与价格水平的不同组合价值。
- Best-worst scaling (最佳-最差标度法): MaxDiff 底层测量理论的正式统计学名称，由 Jordan Louviere 开创。
- Random utility theory (随机效用理论): 理论基础，认为个人选择反映了潜在的效用，并包含一个未被观察到的随机成分。
- Hierarchical Bayes estimation (分层贝叶斯估计): 一种先进的统计估计方法，用于从汇总选择数据中推导出个体层面的效用参数。
- Scale usage bias (量表使用偏差): 调查受访者在使用评分量表时表现出的系统性倾向，例如避免极端值或扎堆在最高评分。
- Paired comparison (配对比较): 一种更简单的强制选择方法，每次严格只展示两个要素，而非多要素子集。
MaxDiff 是消除标度偏差并在竞争功能、宣称和产品概念之间建立精确相对偏好层级的行业标准方法。通过在结构化子集间强制进行权衡，团队能够以数学上的清晰度揭示真正的商业优先级。要了解现代模拟研究基础设施如何在单一互联平台中执行定量 MaxDiff 工作流与定性验证，请探索 Minds，立即开始测试您的受众概念。
