问卷分析
MaxDiff模型
每组只圈一个最想要和一个最不想要，用计数或聚合 logit 把功能收成加总为 100% 的重要性份额，而不是再收一轮全是 4 分的李克特。
这篇能回答什么
MaxDiff（Best-Worst Scaling）回答的是「在这些功能里，相对谁更重要」。受访者看见的是子集，不是完整产品卡：从四个卖点里圈出最想要的一个和最不想要的一个。全样本把「被圈最佳次数减去被圈最差次数」按出现次数校正，再归一成份额。它强迫拉开差距——不能把通知、搜索、导出都打成 5 分。
教学结果把 343 次有效最佳/最差对决记到三个功能：通知（类别 A）53，份额 15.45%；搜索（类别 B）39，11.37%；导出（类别 C）251，73.18%。C 大约是 B 的 6.4 倍。这是聚合计数份额，不是货架上某张成品被拿走的概率，也不是 KANO 的必备/魅力标签。
什么时候不该用
每次摆两三张带齐价格和续航的成品、只准拿走一张，用CBC。每人给轮廓打 1–9 分，用评分式联合。要个体效用、分层贝叶斯和「去掉某功能后份额怎么变」，升级到MaxDiff Pro。正反向成对题归需求类型，用KANO。
如何选择方法
先看卷面：子集里圈两端 → MaxDiff；子集里还要人群分层和模拟 → MaxDiff Pro；成品三选一 → CBC；成对喜欢/不提供 → KANO；只勾「用过哪些」→ 多重响应，那是覆盖不是对决。
MaxDiff模型（本页）：任务长表或宽表；输出各功能计数效用与加总 100% 的份额。
MaxDiff Pro：HB 个体效用、更完整的区组设计、份额模拟。
CBC：完整轮廓的互斥选择，单位是产品不是功能。
KANO：类型与 Better-Worse，没有最佳/最差对决。
输入、输出与限制
输入
标准长表一行一次任务：受访者编号、任务号、本组出现的功能编码、最佳项、最差项。教学演示也可把文本与设计表「kano」工作表的三个功能名当作候选项，再按设计展开成多次四选二。功能数建议 8–20；本页三功能是压缩后的教学占用。
任务与选择：每行记录该组的最佳与最差；同一人多任务。
功能清单：编码稳定，设计里每个功能出现次数尽量均衡。
输出
结果表给出三个功能的计数占用与份额：A 15.45%、B 11.37%、C 73.18%，次数合计 343。图为份额条。完整模型还会给出零中心化效用；本页先把 53 / 39 / 251 读成通知 / 搜索 / 导出的聚合重要性。
产品限制
N=343 是有效对决次数，不是人数；一人 8 题时人数远小于 343。
某功能在设计里出现得特别少，原始计数会吃亏，应看出现校正后的分数。
聚合模型假定所有人同一套效用，异质强时冠军会被少数狂热抬到 70% 以上。
份额是功能重要性，不是「只做导出就能拿到 73% 销量」。
没有价格、没有完整卡，推不出 CBC 那种轮廓份额。
案例
研究问题。 产品页只能强调有限个能力。团队已经用 KANO 问过通知、搜索、导出的正反向感受，现在要的是「相对谁更想要」，而不是再问一遍「重不重要」。
教学占用有效对决 343。导出（C）251 次量级、73.18%；通知 15.45%；搜索 11.37%。计数模型把冠军拉得很陡。若怀疑只是一小群人反复把导出圈成最佳，应把同一张设计丢进 MaxDiff Pro 看个体效用会不会把 73% 压回去。下载文本与设计表示例，先认三个功能名，再按任务长表理解本页三类。
在 StatsX 中操作
步骤 1 · 准备最佳最差长表
每行一个任务：组内项目、圈了哪个最好、哪个最差。一人一行三个李克特分不是 MaxDiff。
步骤 2 · 核对功能出现次数
画像里功能编码应是少量水平。某个编码几乎没出现过，计数份额会畸低。
步骤 3 · 搜索 MaxDiff 模型
目录搜「MaxDiff」。不要选 Pro，除非你要 HB 和模拟；也不要选 CBC。
步骤 4 · 把 A/B/C 译成功能名
分析变量指向任务与选择列。运行后立刻写：A=通知，B=搜索，C=导出。
步骤 5 · 读校正份额而不是生次数
先对 53/39/251 是否等于你的最佳减最差（经出现次数校正）。再决定要不要上 Pro 看个体。
如何阅读输出
下表有效对决 343。通知（A）53，15.45%；搜索（B）39，11.37%；导出（C）251，73.18%。53+39+251=343。
| 项目 | 类别 | 统计量 | 取值 |
|---|---|---|---|
| MaxDiff模型 | 类别 A | 频数 | 53 |
| MaxDiff模型 | 类别 B | 频数 | 39 |
| MaxDiff模型 | 类别 C | 频数 | 251 |
| MaxDiff模型 | 合计 | 有效样本 N | 343 |
| MaxDiff模型 | 类别 A | 占比(%) | 15.45 |
| MaxDiff模型 | 类别 B | 占比(%) | 11.37 |
| MaxDiff模型 | 类别 C | 占比(%) | 73.18 |
左右滑动可查看完整表格
教学示例表在 StatsX 工作台中的计算结果口径。
C 占 73.18% 在聚合计数里很常见：只要多数任务里导出压过另外两个，次数就会堆到一侧。这不证明「只做导出」。通知仍有 15.45% 的相对重要性，砍掉它会得罪把通知圈成最佳的那些任务。搜索 11.37% 垫底，更适合写成「对决中最少被保」，不是「没人用搜索」。
和 CBC 对照：那边的 50% 是某张成品被拿走的次数，这边的 73% 是功能在最佳/最差里的净胜。和 KANO 对照：导出可以是无差异众数，仍然在 MaxDiff 里赢——类型与对决份额单位不同。下一步若要按新客/老客拆开，或怀疑 73% 被收缩前的狂热抬高，打开 MaxDiff Pro。
理论与公式
记功能 j 在设计中出现 n_j^{\mathrm{show}} 次，被圈最佳 n_j^{+} 次、最差 n_j^{-} 次。计数分数
教学份额把占用次数直接归一（当设计均衡、三次对决已折进次数时）：
多项 logit 把一组 S 里「j 最佳且 k 最差」的概率写成 j 相对 S 的指数份额乘以 k 相对 S\setminus\{j\} 的指数份额。本页停在聚合 u_j，假定效用没有人与人的随机效应。设计不均衡时，应最大化选择似然，而不是只报原始 53/39/251。
注意事项
李克特「重要性」全是 4 分，不能事后改名叫 MaxDiff。
出现次数不均会扭曲生计数，先看校正 u_j。
343 是对决次数，论文里要同时写人数。
聚合份额会把异质藏进一个冠军百分比。
没有标价，导出赢了也不能定价。
常见问题
参考文献
Finn, A., Louviere, J. J. Determining the appropriate response to evidence of public concern. Journal of Public Policy & Marketing, 1992, 11(2): 12–25.
Louviere, J. J., Flynn, T. N., Marley, A. A. J. Best-Worst Scaling: Theory, Methods and Applications. Cambridge University Press.
Orme, B. MaxDiff Scaling: History, Theory, and Implementation. Sawtooth Software.
Marley, A. A. J., Louviere, J. J. Some probabilistic models of best, worst, and best–worst choices. Journal of Mathematical Psychology, 2005, 49(6): 464–480.