Maximum Difference Scaling (kurz: MaxDiff) wird im akademischen Bereich auch Best Worst Scaling genannt. Als Verfahren ist es mit der Methode des Paarvergleichs verwandt. Alle diese Verfahren haben gemeinsam, dass man keine skalierten Daten erhebt, sondern mit diskreten Entscheidungen als Input auskommt.
Maxinum Difference Scaling wird in der Marktforschung erst seit wenigen Jahren in nennenswertem Umfang eingesetzt, insbesondere seit dem Standardsoftware-Lösungen dafür verfügbar sind.
Tatsächlich bietet MaxDiff die Lösung für ein sehr gängiges Problem in der Marktforschung:
- Wie kann ich Präferenzunterschiede gegenüber einer Anzahl ähnlich gearteter Attribute messen?
So könnten Probanden z.B. gefragt werden, wie wichtig ihnen Kriterien wie Sicherheit, Komfort, Beschleunigung etc. beim Autokauf sind.
Bisher gibt es für hierfür im wesentlichen drei Verfahren:
- Rating (Einstufung der Stimuli auf einer Skala)
- Ranking (Sortierung der Stimuli in einer Rangreihe)
- Allocation (Verteilung eines Punktebudgets (z.B. 100) auf die Stimuli)
Diese gängigen Verfahren bleiben aus verschiedenen Gründen unbefriedigend:
- Ratingskalen sind oft nicht trennscharf genug (ähnliche Werte für alle Stimuli). Sie sind anfällig für Antworttendenzen und stellen hohe Anforderungen an den Probanden (‘Übersetzung’ seiner Präferenz auf ein Skalenkontinuum).
- Rankingaufgaben stoßen bei einer größeren Menge Stimuli schnell an ihre Grenze. Die erhaltenen Daten sind zudem nur ordinal skaliert, was weitere Analysen erschwert.
- Allocation-Aufgaben stellen insbesondere bei einer größeren Anzahl von Stimuli ebenfalls hohe Anforderungen an den Probanden. Die festgelegte Gesamtsumme wird oft als artifiziell erlebt. Die Verteilung der Punkte wird häufig von einem Streben nach Vollständigkeit geleitet und entspricht nicht immer den wirklichen Präferenzen des Probanden.
MaxDiff baut auf der Methode der Paarvergleiche auf. Hierbei wird aber keine Entscheidung innerhalb eines einzelnen Eigenschaftspaares verlangt, sondern die Entscheidungslogik auf einen größeren Subset von Eigenschaften oder Merkmalen erweitert.
Der Proband erhält eine Reihe gleich gearteter Aufgaben, die jeweils z.B. vier Attribute enthalten. Aus diesen muss er jeweils das am ehesten bzw. am wenigsten erwünschte (bzw. wichtige) auswählen.