Analyse MaxDiff : Comment connaître les préférences de vos clients ?

L’analyse MaxDiff est l’abréviation de Maximum Difference Scaling. Il s’agit d’une méthode quantitative développée par l’économiste australien Jordan Louviere dans les années 1990. Son objectif est d’identifier et hiérarchiser les préférences des consommateurs avec précision. En effet, Louviere souhaitait créer une alternative plus robuste aux échelles d’évaluation classiques, telle que l’échelle de Likert, souvent biaisées.

Une entreprise qui a besoin de réaliser des choix stratégiques comme optimiser son offre, prioriser des axes de communication ou structurer une proposition de valeur différenciante perçoit un grand intérêt à utiliser l’analyse MaxDiff. En outre, cette méthode quantitative permet de fournir une hiérarchisation claire des préférences même lorsqu’il s’agit de comparer un grand nombre d’options.

La méthode MaxDiff consiste à présenter à vos répondants des bénéfices, des fonctionnalités, des caractéristiques de votre produit ou de votre offre parmi lesquels ils doivent choisir celui qu’ils préfèrent le plus et celui qu’ils préfèrent le moins.

Prenons un exemple concret. Vous disposez de 20 fonctionnalités pour votre produit et vous souhaitez les hiérarchiser afin de prioriser les développements. Avec l’analyse MaxDiff, vous allez construire entre 6 et 10 séries, chacune contenant 4 à 5 fonctionnalités sélectionnées parmi les 20.

Tous les répondants verront ces différentes séries et devront, à chaque fois, désigner la fonctionnalité qu’ils préfèrent le plus et celle qu’ils préfèrent le moins. Chaque fonctionnalité apparaîtra ainsi plusieurs fois, dans des combinaisons différentes, afin d’être confrontée à d’autres.

Cette approche permet de croiser les préférences exprimées et d’établir, à l’analyse, un classement global des fonctionnalités, basé sur ce que vos utilisateurs préfèrent réellement.

Une fois la collecte des réponses effectuée, il est désormais possible de réaliser le classement de préférence des fonctionnalités mises en avant. Pour ce faire, chaque fonctionnalité notée « la plus préférée » gagne un point positif tandis que chaque fonctionnalité « la moins préférée » reçoit un point négatif.

À savoir : Il ne s’agit pas d’un simple comptage de point. Il faut ici prendre en compte dans quelles combinaisons chaque choix a été fait, et contre quelles fonctionnalités chaque option a été comparée.

Il est ensuite possible d’utiliser des logiciels spécialisés (R, Python, etc.) pour convertir tous les choix individuels en scores de préférences grâce à leurs modèles statistiques.

• En valeurs brutes : Par exemple, la fonctionnalité 1 peut avoir un score élevé de 1,5 qui signifie qu’elle a été beaucoup préférée, tandis que la fonctionnalité 2 peut avoir un score négatif de -0,3 qui signifie qu’elle a souvent été nommée comme la moins préférée.

• En pourcentage de préférence relative : Ici, la somme de toutes les fonctionnalités doit être de 100%, soit par exemple quatre fonctionnalités : fonctionnalité 1 = 40%, fonctionnalité 2 = 30%, fonctionnalité 3 = 20% et fonctionnalité 4 = 10%. La fonctionnalité 1 correspond à la fonctionnalité préférée par les répondants puisqu’elle concentre 40% des préférences exprimées, toutes combinaisons confondues, tandis que la fonctionnalité 4, à l’inverse, est la moins préférée à 10%.

Avec un indice de préférence : Il s’agit d’une méthode simplifiée d’affichage d’une analyse MaxDiff. Chez Selvitys, nous utilisons cette méthode pour sa simplicité de lecture et de compréhension. En effet, les résultats sont affichés dans un tableau avec :

1. Une colonne « Positif » qui représente le pourcentage pour lequel une fonctionnalité a été désignée comme « la plus préférée ».
2. Une colonne « Négatif » qui représente le pourcentage pour lequel une fonctionnalité a été désignée comme « la moins préférée ».
3. Une colonne « Score » qui représente la soustraction des deux colonnes précédentes soit : Positif – Négatif = Score. C’est la colonne qu’il faut regarder en priorité.

Que faire des résultats ? Il ne vous reste plus qu’à réaliser la lecture des scores afin de classer les éléments du plus préféré au moins préféré, mesurer les écarts de préférence entre deux fonctionnalités et identifier des zones de rupture entre les scores.

Prenons une étude fictive réalisée auprès de 1 000 répondants sur des fonctionnalités automobiles. Voici comment interpréter les résultats pour une fonctionnalité comme Carplay / Android Auto avec un indice de préférence :

• Elle a été sélectionnée comme la fonctionnalité préférée dans 48,2 % des cas où il était affiché.
• Elle a été désignée comme la fonctionnalité la moins préférée dans 10,3 % des cas où il apparaissait.

Carplay / Android Auto obtient l’indice de préférence le plus élevé, à 37,9 % (48,2%-10,3%), se positionnant ainsi en tête comme la fonctionnalité préférée parmi toutes celles évaluées.

Selvitys met à votre disposition une plateforme pour concevoir, diffuser et analyser des sondages en ligne, couvrant l’ensemble de vos besoins en études quantitatives. Grâce à notre méthode de diffusion optimisée, nous sommes capables de recueillir plus de 1 000 réponses en moins de 24 heures, en mobilisant notre panel interne de répondants qualifiés.

Pour répondre au mieux à vos enjeux, nous vous accompagnons dans le choix de la méthodologie la plus adaptée à votre projet. En confiant votre sondage à nos experts, vous bénéficiez d’un accompagnement de A à Z : de la rédaction du questionnaire à l’analyse des résultats, en passant par la diffusion. Une fois les réponses collectées, nous vous proposons un appel d’une heure pour vous aider à interpréter les résultats et transformer les insights en actions concrètes. Simple, rapide et efficace.