Skip to content

Maximum Difference Scaling (MaxDiff)

Maximum Difference Scaling (MaxDiff) ist eine schnell umsetzbare und gleichzeitig sehr valide Befragungsmethode zur Ermittlung von Präferenzranking.

Maximum Difference Scaling (MaxDiff), auch Best Worst Scaling genannt, ist eine schnell umsetzbare und gleichzeitig sehr valide Befragungsmethode zur Ermittlung von Präferenzranking auch langer Item-Listen und dient der entsprechenden Priorisierung der Items.

 

Wozu dient Maximum Difference Scaling (MaxDiff)?

 

MaxDiff lässt sich überall dort zur Unterstützung heranziehen, wo Auswahlentscheidungen aus einer Vielzahl von Alternativen vergleichbaren Niveaus getroffen werden müssen. Typische Beispiele sind die Relevanz von Produkteigenschaften („Features“), das Ranking von Kundenbedürfnissen oder die Priorisierung von Werbebotschaften.

 

 

Welche Erkenntnisse gewinnt man durch

Maximum Difference Scaling (MaxDiff)?

 

Durch Anwendung von MaxDiff gewinnt man Erkenntnisse über Präferenzen sowie die Wichtigkeiten der abgefragten Items für die Befragungsteilnehmer. Diese Erkenntnisse lassen sich z.B. zur Priorisierung von Produkteigenschaften nutzen oder dienen der Entscheidung, welchen Werbeclaim ein Unternehmen für ein neues Produkt verwendet.

 

 

Wozu ist Maximum Difference Scaling (MaxDiff)

wichtig?

 

MaxDiff ist zur Ermittlung von Wichtigkeiten und Präferenzrankings von großer Bedeutung, da andere Formen der Wichtigkeitsabfrage methodische Nachteile beinhalten, welche die Erkenntnisse stark beeinträchtigen. So führt eine explizite Abfrage von Wichtigkeiten, z.B. anhand von Ratingskalen, oftmals zu sogenannter Anspruchsinflation ("alles ist wichtig"), wodurch die Ergebnisse von geringem Nutzen sind. Des Weiteren sind sich Teilnehmer in vielen Fällen der Wichtigkeit von einzelnen Items wenig bewusst, insbesondere wenn viele Items abgefragt werden. Um diese Probleme zu adressieren, werden mit Hilfe von MaxDiff Wichtigkeiten durch erzwungene Trade-Off Entscheidungen implizit ermittelt und man erhält ein valides Wichtigkeitsranking.

 

 

Woran erkennt man ein gutes

Maximum Difference Scaling (MaxDiff)?

 

Um ein valides Präferenzranking zu erhalten, muss das MaxDiff bestimmte Kriterien erfüllen. Da die Umfrageteilnehmer aus verschiedenen Alternativen-Sets immer wieder zwei Auswahlentscheidungen (Best und Worst) treffen müssen, ist das sogenannte MaxDiff-Design von großer Bedeutung. Das Design entscheidet über die Anzahl der Alternativen-Sets pro Teilnehmer, der Anzahl Items pro Set sowie über die angezeigten Item-Kombinationen pro Alternativen-Set. Dieses darf nicht per Zufallsauswahl erfolgen, sondern die Designs müssen auf Basis der wissenschaftlichen Experimental Design Theorie generiert werden, um robuste und valide Ergebnisse zu erhalten. Des Weiteren muss durch eine ausreichend große Stichprobe sichergestellt werden, dass jedes Item hinreichend oft und in verschiedenen Item-Kombinationen bewertet wurde.

 

 

Wie läuft ein Präferenzranking ab?

 

Zunächst wird die Liste von Items erstellt, deren Wichtigkeit ermittelt werden soll. Diese kann auch sehr viele (um die 50) Items enthalten. Daraufhin wird ein MaxDiff-Design generiert, welches robuste und valide Ergebnisse sicherstellt. Dies geschieht auf Basis der Anzahl Items, der Anzahl der notwendigen Alternativen-Sets (sogenannte Tasks) pro Teilnehmer und der Anzahl Items pro Task. Bei der darauf folgenden Umfrage wählen die Teilnehmer pro Alternativen-Set (Task) das aus ihrer Sicht jeweils beste (oder wichtigste) und schlechteste (oder unwichtigste) Item. Anhand dieser Entscheidungen wird dann ein Präferenz- bzw. Wichtigkeitsranking mit Hilfe sogenannter MaxDiff-Scores ermittelt.

 

 

Anwendungsbereiche Maximum Difference Scaling (MaxDiff)

 

Typische Fragestellungen, die mit Hilfe von MaxDiff beantwortet werden können, sind:

  • Welche Produktfeatures sind für die Kaufentscheidung am wichtigsten?
  • Für welches Logo zeigen die Konsumenten die höchste Präferenz?
  • Haben unterschiedliche Zielgruppen die gleichen Bedürfnisse?
  • Welcher Werbeclaim passt am besten zur Marke?
  • Welche Produkte im Online-Shop haben das größte Potential?

In Kontakt kommen

Latest Articles

quantilope launcht modernisierte Better Brand Health Tracking-Lösung

quantilope launcht modernisierte Better Brand Health Tracking-Lösung

Erfahren Sie mehr über den modernisierten Ansatz von quantilope für ein besseres Brand Health Tracking, der zwei neue Konzepte nutzt.

quantilope bringt quinn auf den Markt - den AI Co-Piloten für Advanced Consumer Research

quantilope bringt quinn auf den Markt - den AI Co-Piloten für Advanced Consumer Research

Um weiterhin eine der führenden Insights-Plattform anzubieten, ist quantilope stolz darauf, quinn als unseren automatisierten AI Co-Piloten...

Demo Fest - Automatisierte, implizite Marktforschung

Demo Fest - Automatisierte, implizite Marktforschung

quantilope Demo Fest: Erhalten Sie jetzt das Recording der 30-minütigen Session Implicit Research!