MaxDiff-Analyse

Definition: Die MaxDiff-Analyse (Maximum Difference Scaling, auch Best-Worst Scaling genannt) ist eine quantitative Marktforschungsmethode zur Messung von Präferenzen, Wichtigkeiten und Prioritäten. Bei jeder Aufgabe werden den Befragten eine begrenzte Auswahl von Items gleichzeitig präsentiert (typischerweise 4 bis 6 von insgesamt 8 bis 30 möglichen Items), aus denen sie jeweils das für sie wichtigste und das unwichtigste auswählen müssen. Durch viele solcher paarweiser Entscheidungsaufgaben (meist 12 bis 20 Sets pro Befragten) wird eine vollständige, intervallskalierte Präferenzrangfolge über alle Items hinweg berechnet. Das Verfahren geht auf Louviere (1991) zurück und wurde durch Orme (2010) für die Marktforschungspraxis systematisiert. MaxDiff gilt als eine der robustesten Methoden der Präferenzmessung, da es Befragte zur echten Priorisierung zwingt und den aus Ratingskalen bekannten Effekt der Antworttendenz zur Mitte (Central Tendency Bias) sowie den Akquieszenzfehler (Zustimmungstendenz) weitgehend eliminiert. Ergebnisse sind kardinal interpretierbar und zwischen Befragten vergleichbar, was Segmentierungsanalysen erheblich erleichtert.

Erläuterung

Das grundlegende Problem, das MaxDiff löst, ist die mangelnde Differenzierungsfähigkeit klassischer Ratingskalen. Wenn Befragte gebeten werden, 20 Produktmerkmale auf einer Skala von 1 bis 5 zu bewerten, neigen sie dazu, die meisten Items mit 4 oder 5 zu bewerten – alle erscheinen wichtig, und eine echte Priorisierung ist nicht erkennbar. MaxDiff erzwingt hingegen explizite Vergleiche: Da immer nur ein Item als das wichtigste und eines als das unwichtigste ausgewählt werden kann, müssen Befragte echte Abwägungen vornehmen (Chrzan & Orme, 2000).

Die statistische Auswertung erfolgt auf zwei Ebenen. Auf der aggregierten Ebene werden für jedes Item die Häufigkeit der "wichtigste"-Nennungen minus die Häufigkeit der "unwichtigste"-Nennungen berechnet und als Wichtigkeitsscore (Count Score) dargestellt. Auf der individuellen Ebene liefert die Hierarchical Bayes (HB) Schätzung individuelle Nutzenwerte (Utilities) für jeden Befragten. Die HB-Methode berücksichtigt dabei Gruppenpriors und individuelle Antwortmuster gleichzeitig, was besonders bei kleinen Stichproben robustere Schätzungen liefert als einfache Logit-Modelle (Allenby & Rossi, 1998). Die resultierenden individuellen Utilities ermöglichen präzise Segmentierungsanalysen: Welche Items sind für welche Kundensegmente am wichtigsten?

Im Vergleich zur Conjoint-Analyse ist MaxDiff methodisch einfacher, weil es keine Profile mit mehreren Attributen kombiniert, sondern einzelne Items isoliert bewertet. Conjoint misst Trade-offs zwischen Attributen und ist daher für Produktkonfigurationen besser geeignet. MaxDiff ist dagegen die bevorzugte Methode, wenn es darum geht, eine Liste potenzieller Features, Aussagen, Kaufkriterien oder Kommunikationsbotschaften zu priorisieren. Die kognitiven Anforderungen an Befragte sind deutlich geringer, was längere Item-Listen (bis zu 30 Items) praktikabel macht (Orme, 2010).

Typische Einsatzfelder im Marketing umfassen: Priorisierung von Produktfeatures für Roadmap-Entscheidungen, Identifikation der wichtigsten Kaufkriterien in einem Markt, Auswahl der überzeugendsten Werbebotschaften oder Claim-Varianten, Priorisierung von Servicemerkmalen in der Customer Experience und Ranking von Markenassoziationen. Besonders wertvoll ist MaxDiff auch in der frühen Phase der Produktentwicklung, wenn aus einer langen Liste potenzieller Features die kundenrelevantesten herausgefiltert werden sollen, bevor aufwendigere Conjoint-Studien durchgeführt werden.

Design-Aspekte der MaxDiff-Studie haben erheblichen Einfluss auf die Qualität der Ergebnisse. Das experimentelle Design (welches Item erscheint in welchem Set) muss sicherstellen, dass jedes Item gleich oft erscheint und jedes Itempaar gleich oft nebeneinander präsentiert wird (balaniziertes Design). Moderne Befragungsplattformen wie Sawtooth Software, Qualtrics oder SurveyGizmo generieren solche Designs automatisch. Die empfohlene Setgröße von 4 bis 5 Items balanciert kognitive Beanspruchung und statistische Effizienz (Cohen, 2003).

Methodische Varianten

• Standard MaxDiff (Object Case): Klassische Form, bei der Items (Objekte) direkt bewertet werden – geeignet für Feature-Priorisierung und Kaufkriterien.
• Profile Case (Conjoint-ähnlich): Jedes Item ist ein vollständiges Profil aus mehreren Attributen; nähert sich der Conjoint-Analyse an und misst komplexere Tradeoffs.
• Anchored MaxDiff: Erweiterung, bei der Befragte zusätzlich angeben, welche Items oberhalb oder unterhalb einer Schwelle liegen – ermöglicht Schätzung absoluter Wichtigkeiten, nicht nur relativer Rangfolgen (Chrzan & Golovashkina, 2006).
• Segmentierungsbasiertes MaxDiff: HB-Schätzung auf Segmentebene, um heterogene Präferenzstrukturen sichtbar zu machen (Latent-Class-Analyse).

Vorteile und Limitationen

• Vorteil – Diskriminierungsfähigkeit: Erzwingt echte Priorisierung, eliminiert Rating-Bias und liefert sauber differenzierte Rangfolgen.
• Vorteil – Skalenvergleichbarkeit: Individuelle HB-Utilities sind über Befragte hinweg direkt vergleichbar, was robuste Segmentierung ermöglicht.
• Vorteil – Geringe kognitive Belastung: Einfachere Aufgabe als Conjoint; geeignet auch für schwierige Zielgruppen (ältere Menschen, wenig gebildete Teilnehmer).
• Limitation – Kein Tradeoff: MaxDiff misst keine Wechselwirkungen zwischen Items und keine Zahlungsbereitschaft – dafür bleibt Conjoint die Methode der Wahl.
• Limitation – Kontext-Effekte: Die Wichtigkeit einzelner Items kann durch die Zusammensetzung des Sets beeinflusst werden; sorgfältiges Design minimiert diesen Effekt.
• Limitation – Relative Messung: Standard-MaxDiff misst nur relative Wichtigkeiten; es ist nicht ableitbar, ob alle Items insgesamt wenig oder sehr wichtig sind.

Referenzen

• Allenby, G. M. & Rossi, P. E. (1998). Marketing models of consumer heterogeneity. Journal of Econometrics, 89(1–2), 57–78.
• Chrzan, K. & Golovashkina, N. (2006). An empirical test of six stated importance measures. International Journal of Market Research, 48(6), 717–740.
• Chrzan, K. & Orme, B. (2000). An overview and comparison of design strategies for choice-based conjoint analysis. Sawtooth Software Research Paper Series.
• Cohen, S. H. (2003). Maximum difference scaling: Improved measures of importance and preference for segmentation. Sawtooth Software Conference Proceedings.
• Louviere, J. J. (1991). Best-worst scaling: A model for the largest difference judgments. Working Paper, University of Alberta.
• Orme, B. (2010). Getting Started with Conjoint Analysis (2nd ed.). Research Publishers LLC.