L'échelle de différence maximale, également connue sous le nom d'échelle de la meilleure et de la pire, est une approche permettant de comprendre les scores de préférence et d'importance permettant aux chercheurs d'analyser un nombre d'articles plus élevé générateur des résultats discriminants car il est demandé aux répondants de choisir la « meilleure » et la « pire » option qui simule comportement du monde réel. La différence maximale est un outil puissant utilisé par Hamilton pour mieux comprendre et identifier les attributs d'un produit/service/offre qui sont les plus importants.
- Max Diff génère toujours des résultats discriminants car il est demandé aux répondants de choisir la MEILLEURE et la PIRE option qui simule des situations réelles (dans la vie réelle, les gens font des choix et des compromis, sans ordre ni classement, par exemple lors d'un achat dans un supermarché).
- Max Diff est un méthode simple pour toutes les cibles impliquées dans le projet : chercheurs, utilisateurs finaux et répondants. La question est simple à comprendre, de sorte que les répondants, enfants et adultes, issus de milieux éducatifs et culturels variés, peuvent fournir des données fiables de manière moins monotone. Pour les chercheurs et les utilisateurs finaux, il est facile à utiliser et applicable à une grande variété de projets et de situations d’études de marché.
- Puisque les répondants font des choix plutôt que d’exprimer la force de leurs préférences à l’aide d’une échelle numérique, il y a aucun problème de biais d'utilisation de l'échelle, les différences culturelles sont donc absentes dans les échelles Max Diff. Les comparaisons entre les éléments sont référencées par rapport à d'autres attributs testés, plutôt que par rapport à des points prédéfinis d'une échelle.
- Dans les échelles Max Diff plus d'articles peuvent être inclus En raison de la question, il est simple à réaliser et à comprendre en fournissant aux analystes une valeur de préférence pour chaque attribut reflétant son importance relative par rapport aux autres.
Au niveau méthodologique, les répondants voient une liste d'éléments et il leur est demandé de déterminer à partir de cette liste ce qui est le plus important pour eux et ce qui est le moins important. Les éléments ne sont pas affichés tous en même temps. Les équipes techniques déterminent combien d'éléments doivent être présentés et combien de séries de ces éléments chaque personne doit parcourir pour passer à la question suivante.
Exemple d'échelle de différence maximale :
- Analyse du nombre: l'alternative la plus simple, comptant le nombre de fois où chaque élément est choisi comme « le meilleur ou le pire » important par les répondants. Une forme simple de synthèse des scores MaxDiff combine les deux mesures : le pourcentage de fois où chaque attribut a été sélectionné comme MEILLEUR moins le pourcentage de fois où chaque élément a été sélectionné comme PIRE.
- Modèle Logit: une alternative plus complexe mais rapide, utilisant un modèle Logit pour obtenir la valeur d'importance de chaque attribut sur une échelle d'utilité partagée en pourcentage.
- Bayes hiérarchique ou classe latente: une technique statistique plus avancée qui fournit des utilitaires au niveau des répondants et peut être utilisée dans des simulateurs ou des segments de répondants ayant des besoins/préférences similaires.
- Préférences de marque: identifier la position d'une marque sur le marché, par rapport à ses concurrents.
- Publicité: pour identifier les messages les plus préférés par les cibles clés.
- Tests de concepts et/ou de produits: pour déterminer quelle variété de produits a le plus grand potentiel de succès.
- Satisfaction du client: identifier les principaux points forts et les opportunités d'amélioration pour améliorer l'indice de qualité.
- Etudes basées sur les besoins: pour déterminer quels attributs sont critiques vs. Ces consommateurs sont prêts à se sacrifier.