MaxDiff最大差异度量完整指南：如何科学排序属性重要性

什么是MaxDiff？

MaxDiff（最大差异度量）又称 Best-Worst Scaling（最好—最差度量），由 Louviere 等学者在 1990 年代提出。它的核心思路是：把一组属性（如产品卖点、服务要素）分批展示给受访者，让受访者在每一批中选出“最重要”和“最不重要”的一项。

由于每次比较都发生在同一受访者内部，MaxDiff 能有效避免传统 Likert 量表常见的**“全部都给高分”**的区分度问题，被公认为属性重要性排序的黄金标准之一。

什么情况下使用？

MaxDiff 适合回答：

• 产品卖点优先级：哪些功能/卖点最值得投入资源；
• 服务要素改进排序：满意度各要素中，哪些是改进的优先项；
• 品牌价值/诉求排序：品牌口号、价值主张的优先级；
• 属性重要性量化：为后续细分或资源分配提供排序依据。

替代方案对比：

方法	优点	局限
Likert 评分	简单、成本低	区分度差，普遍高分
成对比较	精确	属性多时组合爆炸
MaxDiff	区分度好、任务友好	需要实验设计
Conjoint	能模拟权衡与份额	复杂、成本高

研究设计

属性数量：建议 8–20 个属性。少于 6 个区分度有限，多于 25 个受访者负担过重。

实验设计：

• 将属性集合拆分为若干子集（每个子集 4–6 个属性，典型为 5 个）；
• 每个受访者完成 8–15 个任务（每个任务 = 一组 4–6 个属性的最好/最差选择）；
• 每个属性应在不同任务中多次出现（通常 3–5 次），并与其他属性均衡搭配；
• 任务顺序与子集组合随机化，避免顺序偏差。

样本要求：

• 最小样本 ≥ 300（属性 10–15 个时）；
• 细分分析每组 ≥ 100–150；
• 属性越多，样本要求越高。

问卷设计

每个任务以卡片形式呈现，例如（5 个属性一组）：

功能	最重要	最不重要
超长续航 30 天	●	○
快速充电 10 分钟	○	●
防水等级 IP68	○	○
轻量化设计	○	○
智能健康监测	○	○

设计要点：

• 每题只问“最好/最差”两个选择，不要增加“次好/次差”，保持任务简单；
• 属性描述需简洁一致，避免属性内包含多重信息（如“续航长且充电快”）；
• 同一受访者的子集组合按实验设计随机分配；
• 移动端适配：属性行高、可点区域足够大。

数据分析

方法一：计数法（简单快速）

• 统计每个属性被选为“最重要”的次数（W）与被选为“最不重要”的次数（L）；
• 计算净得分：Score = (W − L) / N（N 为属性出现次数）；
• 将得分按受访者内标准化，再聚合，得到 −1 到 +1 之间的重要性分数。

方法二：对数比法（计数法改进）

• 对每个受访者：ln(W / L)，再取均值，可校正出现频次差异；
• 结果更稳健，适合属性出现次数不均的设计。

方法三：HB 层次贝叶斯（推荐，精度最高）

• 估计每个受访者的个体效用，再聚合为总体重要性；
• 输出每个属性的相对重要性（占比）与置信区间；
• 支持细分对比与后续模型（如与 Conjoint 结合）。

输出示例（标准化相对重要性）：

属性	相对重要性	排序
超长续航	28%	1
快速充电	22%	2
防水等级	19%	3
轻量化设计	17%	4
智能健康监测	14%	5

结果解释

• 相对重要性是比率尺度：28% vs 14%，意味着续航的重要性是健康监测的 2 倍；
• 关注排序而非绝对分数：MaxDiff 测量相对权衡，分数本身没有绝对意义；
• 分组对比看差异：不同细分人群的重要性排序差异，是差异化定位的依据；
• 与满意度结合：重要性高但满意度低的属性 = 优先改进项（可结合 Kano 或 IPA 分析）。

报告呈现

• 重要性条形图：按相对重要性降序排列，标注数值；
• 分组对比图：按人群/使用场景对比重要性排序（横向条形图分组）；
• 差距分析图：重要性 vs 表现（满意度）四象限；
• 业务建议：明确“先做什么、后做什么”，把排序转化为资源分配建议；
• 注明方法学：任务数、属性数、样本量，保证报告可复核。

常见误区

1. 属性过多：超过 25 个属性导致任务量膨胀，受访者疲劳、数据质量下降；
2. 任务过少：每个属性出现次数不足 3 次，个体估计不稳定；
3. 把相对重要性当绝对重要性：MaxDiff 的分数只用于排序，不能解读为“28% 的用户认为续航最重要”；
4. 属性描述不一致：一个属性包含多个信息点，导致“比较的是概念而非属性”；
5. 样本量不足时过度解读细分差异：每组 < 100 的差异多为噪音；
6. 忽略与行为数据的校验：重要性排序应与真实购买行为交叉验证。