Почему MaxDiff часто даёт «правильные» цифры и всё равно плохое решение

В исследованиях меня давно настораживает одна ловушка: команда получает красивую матрицу приоритетов, а потом использует её как замену стратегии. Особенно это видно в MaxDiff. Формально он хорошо ранжирует атрибуты, но на практике слишком легко перепутать «что люди чаще выбирают в тесте» с «что реально двигает выбор в рынке».

Я считаю, что MaxDiff сильнее всего работает не как инструмент ответа на вопрос «что важно вообще», а как фильтр на этапе сужения гипотез. Он полезен, когда у вас уже есть длинный список свойств, ценностных предложений или причин покупки, и нужно быстро отделить шум от устойчивого ядра. Но если бизнес ждёт от него готового решения для упаковки, коммуникации или продукта, почти всегда начинается подмена смысла.

Из практики: в одном B2B-проекте мы сравнивали набор из 18 аргументов и получили очень убедительную тройку лидеров. Проблема была в том, что два из трёх пунктов были «универсально правильными» и почти не различали сегменты. То есть MaxDiff показал общественный консенсус, но не дал ответа, чем реально зацепить конкретный сегмент в RevOps-воронке. Пришлось собирать данные заново: связка MaxDiff + сегментация + анализ поведения в воронке дала уже прикладной результат.

Мой вывод простой:
— MaxDiff хорош для приоритизации, но не для финального выбора.
— Если вам нужен не список, а компромисс между атрибутами, смотрите conjoint (совместный анализ).
— Если задача — понять, какие формулировки выдерживают сравнение в лоб, MaxDiff подходит лучше опроса с рейтингом по шкале.

И ещё важнее: **любая шкала в исследовании отражает не рынок, а конструкцию вопроса**. Поэтому я всегда смотрю не только на результат, но и на то, какой управленческий вопрос этот результат действительно способен закрыть.

— @QuantResearchRuPro