Что такое count analysis в MaxDiff?

Простейший способ считать веса: число выборов best минус число worst, делим на число показов. Без статмоделирования.

Чем count analysis отличается от HB-модели?

HB даёт индивидуальные веса для каждого респондента. Count analysis — общие веса. Для большинства задач разница в ранжировании небольшая.

Какой формат CSV для MaxDiff scoring?

Формат long: resp_id, attr, choice (best/worst/none). Или wide: best_attr, worst_attr, shown_attrs через |.

MaxDiff scoring — расчёт весов атрибутов после сбора ответов

Q: Что если атрибут редко показывался?

Атрибуты с меньшим числом показов имеют менее устойчивый вес. Сбалансированный дизайн даёт лучший результат.

Q: Как собрать MaxDiff в WebAsk?

Используйте /ai/maxdiff-generator чтобы получить сбалансированные блоки. В WebAsk создайте серию single-choice вопросов и загружайте CSV сюда.

Q: Сколько MaxDiff-блоков показывать одному респонденту?

8-15 блоков на респондента. Каждый атрибут должен показаться минимум 3 раза. Меньше 6 блоков — статистика по индивидуальному респонденту нестабильна.

Q: Можно ли сравнивать веса между разными опросами?

Только если список атрибутов идентичен и порядок показа сбалансирован одинаково. Веса нормализованы относительно текущей выборки атрибутов.

Загрузите CSV ответов MaxDiff и получите ранжирование атрибутов с весами методом count analysis. Веса нормализованы в диапазоне -1..+1, готовы для презентации команде.

Метод — score = (best − worst) / показов. Простой и устойчивый, для исследовательских задач даёт результат, близкий к HB-моделям в 90%+ случаев.

1. Формат данных

Каждая строка — один выбор респондента. Колонки: resp_id, attr_id, choice, где choice = «best» (или 1), «worst» (или -1), «none» (или 0, не выбран в блоке). Альтернатива: resp_id, best_attr, worst_attr, shown_attrs (shown_attrs — список через |).

resp_id,attr,choice 1,Цена,best 1,Скорость,worst 1,Качество,none 1,Поддержка,none 2,Скорость,best 2,Цена,worst 2,Качество,none 2,Поддержка,none 3,Качество,best 3,Скорость,worst 3,Цена,none 3,Поддержка,none

2. Данные

CSV-файл Выбрать CSV…

Или вставьте CSV

Респондентов

—

Атрибутов

—

Выборов

—

Ранжирование (count analysis)

Соберите MaxDiff-блоки в WebAsk и сразу импортируйте сюда

Создать опрос бесплатно

Как читать веса MaxDiff

Score = (B − W) / N

Для атрибута: число best минус число worst, делим на число показов. Диапазон от -1 (всегда worst) до +1 (всегда best).

Нормализация

Score 0.5 = атрибут выбирали best в 50% случаев чаще, чем worst. Веса легко сравнивать между группами и сегментами.

% важности

Веса можно перевести в проценты: (score + 1) / 2 × 100. Это удобно для презентации, но менее точно показывает разницу между близкими атрибутами.

Сегментный разрез

Считайте веса отдельно для сегментов (роль, возраст, доход) — общий вес может скрыть противоположные предпочтения групп.

Часто задаваемые вопросы

Что такое count analysis?

Простейший способ считать веса MaxDiff: число выборов best минус число выборов worst, делим на число показов. Без статмоделирования. Подходит для исследовательских задач и презентаций.

Чем отличается от HB-модели?

Hierarchical Bayes даёт индивидуальные веса для каждого респондента (для last-mile-сегментации). Count analysis — общие веса на выборке. Для большинства задач разница в ранжировании небольшая, для индивидуальных предсказаний нужен HB.

Какой формат CSV нужен?

Самый простой: resp_id, attr, choice (best/worst/none). Альтернатива — широкий формат: одна строка на блок с колонками best_attr, worst_attr, shown_attrs (показанные атрибуты через |).

Сколько респондентов нужно?

От 150 на общую выборку для надёжных весов, от 100 на сегмент для сегментного разреза. Чем больше атрибутов, тем больше респондентов.

Что если атрибут не показывался?

Алгоритм считает по показам — атрибуты с меньшим числом показов имеют менее устойчивый вес. Сбалансированный дизайн (равное число показов) даёт лучший результат.

Как собрать MaxDiff в WebAsk?

Используйте генератор MaxDiff-блоков чтобы получить сбалансированный дизайн. В WebAsk создайте серию single-choice вопросов (отдельно best и отдельно worst в каждом блоке). Экспортируйте CSV и загружайте сюда. После анализа — постройте оптимальный набор в TURF.

Сколько атрибутов брать в один MaxDiff-блок?

3-5 атрибутов в блок — стандарт. При 4 атрибутах респондент видит ясный контраст и быстро решает best/worst. Меньше 3 — теряется парадигма «выбрать крайности». Больше 5 — растёт нагрузка и шум в ответах.

Сколько MaxDiff-блоков показывать одному респонденту?

8-15 блоков на респондента. При 12 атрибутах и 4 в блоке — нужно 9 блоков, чтобы каждый атрибут показался минимум 3 раза. Меньше 6 блоков — статистика по индивидуальному респонденту нестабильна.

Как интерпретировать отрицательные веса?

Отрицательный вес значит, что атрибут чаще выбирали как worst, чем как best. Это сильный негативный сигнал — атрибут активно отталкивает, а не просто «не приоритет». Нулевой вес ≠ отрицательному: ноль = безразличие.

Можно ли сравнивать веса между разными опросами?

Только если список атрибутов идентичен и порядок их показа сбалансирован одинаково. Веса нормализованы в диапазоне -1..+1 относительно текущей выборки атрибутов — добавили новый атрибут и пересчитали → веса остальных сдвинутся.

Все инструменты

Запустите MaxDiff-исследование в WebAsk

Сгенерируйте блоки в /ai/maxdiff-generator, соберите ответы в WebAsk и посчитайте веса здесь.

Создать опрос бесплатно