利用 AI 进行 MaxDiff 功能优先级排序

Minds 可以将 MaxDiff 作为可执行的研究方法运行，而不仅仅是撰写 MaxDiff 问卷。产品团队提供项目和目标受众，然后 Study 会收集迫选回复，计算确定性相对得分，检查诊断信息，并返回排序后的证据。这一结果有助于团队在对路线图做出承诺之前，识别哪些功能值得进行更深入的验证。

何时使用

当团队必须对一个列表进行优先级排序，而普通的评分问题又导致所有选项都被评为重要时，MaxDiff 非常有用。良好的输入包括拟议的功能、客户需求、产品权益、定位主张、新手引导改进或服务属性。受众会在较小的集合中重复找出最佳和最差选项，从而迫使做出五分制重要性评分通常无法实现的权衡。

这使得该方法对于需要平衡拥挤积压的工作的产品经理、选择首先解决哪些痛点的 UX 团队、收窄客户信息架构的机构，以及在招募受众研究前筛选项目的专业洞察团队尤为适用。如果业务问题涉及组合而非独立项目，请改用联合分析。Minds 关于 MaxDiff、联合分析和 NPS 的指南说明了这些方法之间的界限。

问题与配置

从一个决策和一个清晰的项目列表开始。每个项目都应以可比的详细程度描述一个概念。“更快的报告”与“带有 AI 的全新重新设计的企业级分析套件”并不是一个公平的配对。请删除重复内容，拆分复合观点，并避免将结果与实现细节混为一谈。

在 Minds 中，选择或创建应当进行权衡的受众，在 Study 计划中选择 MaxDiff，并提供项目。服务器设计的工作流程会将列表转化为迫选任务，并将回复选项附加到持久的任务中。这一点很重要，因为即使 Study 在后台运行，向受众展示的任务也必须是计算所使用的任务。

发布前，请检查三件事：

1. 受众契合度：Minds 应该理解产品背景和决策。
2. 项目质量：标签应当清晰、中立，且足够具体以便比较。
3. 决策范围：列表应当支持单一的路线图或信息决策，而不是多个不相关的讨论。

Minds 如何融入工作流程

执行路径包含四个实际阶段。首先，Minds 从选定的受众中收集最佳与最差的选择。其次，注册的 MaxDiff 计算将这些回复转化为相对项目得分。第三，诊断分析会检查回复和估计产物。最后，Minds 将排序证据综合为一种解释，该解释与确定性计算保持链接，而不是在正文中重新计算得分。

对于产品团队而言，这意味着输出不仅仅是对话式的观点。Study 将回复集、估计值、诊断分析和排序证据作为独立的产物予以保留。团队可以比较整体和受众层面的模式，审查分众群体存在分歧的地方，并使用排序来决定哪些想法进入原型设计、概念测试或招募验证环节。

一个有效的顺序是：使用 MaxDiff 筛选较长的积压列表，将领先的项目带入产品概念验证，并将人工实地调研留给会实质性改变投资的精选列表。这为研究人员提供了更清晰的简报，并为利益相关者提供了明确的权衡记录。

局限性与验证

即使总体证据保持方向性，计算本身也可以是确定性的。MaxDiff 回答了“这一配置好的受众相对更频繁地选择了哪些项目？”。在没有适当样本的情况下，它并不能证明市场发生率、收入影响或总体层面的偏好。

当结果决定了重大资本分配、支持外部主张或必须在统计上代表明确定义的市场时，请使用招募受众。在解读微小差异之前，请审查受众定义、项目顺序、暴露平衡、子群体规模和诊断分析。精美呈现的排序不应将微小的差距转化为虚假的确定性。Minds 合成受众与真实受众对比指南涵盖了如何将快速筛选与人工验证相结合。

入门模板

• 受众：了解产品品类的现有用户和目标买家。
• 决策：15 个备选功能中，哪 5 个应该进入概念验证。
• 项目：简短、互不相同的特征或权益陈述。
• 方法：MaxDiff 优先级排序。
• 输出：整体排序、受众层面的差异、诊断分析以及下一轮验证的问题。
• 验证触发条件：如果最终排序决定了重大的路线图或公开主张，则招募受众。

下一步

启动 Minds Study，定义受众，选择 MaxDiff，并粘贴项目列表。利用首次运行来改进备选项以及决策：在工程开发或实地调研开始之前，发现弱标签、重复概念或冲突的分众群体偏好都是有价值的发现。