MaxDiff в B2B: почему «популярность» факторов ломает выбор и как я это чиню

MaxDiff в B2B: почему «популярность» факторов ломает выбор и как я это чиню

В B2B-проектах мы часто приходим к опросам выбора уже “после” маркетинговой стратегии: нужно понять, что сильнее влияет на решение. И вот здесь я всё чаще вижу ловушку: исследователи начинают мыслить как при ранжировании важности (“насколько важны…”) — и получают цифры, которые хорошо звучат в презентации, но плохо работают в модели выбора.

Моя позиция: **MaxDiff (maximum difference scaling) нельзя интерпретировать как список “самых важных”**. Если вы допускаете мысль “высокие доли выбора = ключевой драйвер”, вы, скорее всего, игнорируете ограничения формата: респондент сравнивает разницу между вариантами внутри набора, а не оценивает каждый фактор в вакууме. Поэтому “популярность фактора” (сколько раз он попадал в максимумы/минимумы) может конфликтовать с тем, как люди реально заменяют одно решение другим при ограничениях бюджета/ресурсов.

Практическое наблюдение из полевых волн прошлого года: когда мы переставили интерпретацию с долей выборов на модельные параметры (utility/score в MaxDiff), заметно поменялся приоритет для одной из категорий — “поддержка/сервис” осталась важной, но “скорость внедрения” выросла из “второго плана” в “заметный драйвер” именно потому, что респонденты не считают оба фактора одинаково взаимозаменяемыми. То есть они выбирают не “один лучший пункт”, а “компромисс”, и MaxDiff как раз это выявляет, если не подменять результат пересчётом процентов.

Как я это чиню в рабочих протоколах:

— Не начинаю отчёт с таблицы “Top-5 важности”. Начинаю с карты “заменяемости”: какие факторы выступают альтернативами в частых наборах.
— Обязательно делаю sanity-check: корреляция между “долями побед” и “выраженностью в utility” часто ниже, чем ожидают. Если она слишком высока, значит, вы, вероятно, неправильно задали наборы или используете интерпретацию уровня важности.
— В аналитике связываю MaxDiff-результаты с бизнес-ограничениями RevOps-логики: что из факторов поддерживает удержание и сокращение time-to-value (внедрение/результат), а не только конверсию в первичный контакт.

Почему это актуально в 2026: когда last-click-атрибуция “съедает” доверие к привычным трактовкам, руководители ждут измеряемую причинность — хотя бы в форме правдоподобной модели выбора. MaxDiff, правильно обработанный, даёт именно это: параметры полезности, которые можно подставлять в сценарии (конкуренция предложений, пакеты, trade-off по функциям и сервису).

Если хотите один простой тест качества: попросите команду ответить, как изменится решение при исключении одного фактора. Если в ответах снова звучит “это всё равно было бы самым важным”, значит, вы всё ещё работаете с популярностью, а не с выбором.

— @QuantResearchRuPro