CÓMO DESARROLLAR UN ANÁLISIS CONJUNTO: Conjoint Analysis

ANÁLISIS CONJUNTO

Conjoint Analysis

El ser humano ha venido generando conocimiento desde el mismo momento de su aparición sobre la faz de la tierra, conocimientos que han permitido resolver la gran cantidad de problemas que se vienen presentando y han sido las ciencias estadísticas un aliado de primer orden para la resolución de muchas situaciones específicas. En este contexto, para todos es conocido que al momento de enfrentarse a una situación donde hay que tomar un decisión inmediata, o al menos oportuna ante una serie de opciones, la acción inmediata es la de comparar las ventajas y desventajas; qué calidad ofrece cada una de las opciones, en tiempo, costo monetario, rapidez, hasta colores y prestigio que puede brindar una y otra opción y qué cosas se está dispuesto a sacrificar para obtener más de otra característica mejor valorada.

 En este mismo orden de ideas se tiene que las distintas opciones tienen características comunes comparables y que el decisor puede realizar la valoración de esas características o atributos rápidamente antes de decidir. Por ejemplo al comprar un vehículo, un electrodoméstico o decidir sobre destinos turísticos y hasta quien le arregla el cabello.

En este contexto se presenta este artículo para describir y poner a su consideración la técnica de análisis estadístico llamada Análisis Conjunto o Conjoint Analysis.

El análisis conjunto, es una técnica estadística que se utiliza en muchas de las ciencias sociales y ciencias aplicadas incluyendo el marketing, la administración del producto y la investigación de operaciones. El objetivo del análisis conjunto es determinar qué combinación de un número limitado de atributos es el más preferido por los individuos observados. Se utiliza con frecuencia para comprobar la aceptación de diseños nuevos de producto o servicios por parte del consumidor y valorar el atractivo de anuncios.

El análisis conjunto es una herramienta de investigación para desarrollar un diseño de productos eficaz. Mediante el análisis conjunto, el investigador puede responder preguntas como las siguientes:

-          ¿Qué atributos del producto son importantes para el consumidor y cuáles son irrelevantes?

-          ¿Cuáles son los niveles de atributos de producto más atractivos para el consumidor y cuáles son los menos atractivos?

-          ¿Cuál es la cuota de mercado de preferencia de los productos de los competidores en comparación con nuestro producto propuesto o existente?

La ventaja del análisis conjunto reside en que solicita al consumidor entrevistado que elija del mismo modo que se supone que lo hará el consumidor al comparar las características.

Mediante este método de valoración, los individuos entrevistados se enfrentan a un conjunto de escenarios hipotéticos con varios niveles de dos o más atributos y se les pide que elijan el que más prefieren (choice experiment), que otorguen una puntuación a cada uno (rating contingent) o que ordenen éstos desde el más preferido al menos preferido (ranking contingent).

De esta forma, a través de las elecciones que realizan se puede obtener la estructura de sus preferencias hacia los diferentes atributos considerados. Los procedimientos conjuntos tratan de asignar valores a los niveles de cada atributo, de manera que los valores resultantes o las utilidades atribuidas a los estímulos concuerden, tanto como sea posible, con las evaluaciones de entrada proporcionadas por los encuestados.

La suposición de base es que cualquier conjunto de estímulos, como productos, marcas o tiendas, se evalúa como un paquete de atributos.

El análisis conjunto depende de las evaluaciones subjetivas de los encuestados.

En el análisis conjunto, los estímulos son combinaciones de niveles de atributos determinados por el investigador.

El análisis conjunto busca desarrollar las funciones de valor parcial o utilidad que los encuestados confieren a los niveles de cada atributo.

El análisis conjunto se ha utilizado con distintos propósitos en el marketing, entre los que se incluyen:

-       Determinar la importancia relativa de los atributos en el proceso de elección del consumidor.

-       Calcular la participación en el mercado de marcas que difieren en los niveles de atributos.

-       Determinar la composición de la marca preferida.

-       Segmentar el mercado con base en la semejanza de las preferencias por los niveles de atributos.

Si por alguna razón el producto que más se prefiere no es viable, por ejemplo, por su coste, se puede saber cuál es la siguiente alternativa más preferida. Si cuenta con información adicional sobre los encuestados, como información demográfica, puede identificar los segmentos de mercado donde se puede introducir el producto.

Por ejemplo, el viajero de negocios y el viajero estudiante pueden tener preferencias distintas que pueden cubrirse con diferentes ofertas de producto.

El análisis conjunto se ha aplicado a bienes de consumo, bienes industriales y otros servicios como los financieros. Además, dichas aplicaciones abarcan todas las áreas del marketing. Una encuesta sobre el análisis conjunto informó de aplicaciones en las áreas de nuevo producto e identificación del concepto, análisis de la competencia, asignación de precios, segmentación del mercado, publicidad y distribución.

Estadísticos y términos asociados con el análisis conjunto

Los estadísticos y términos importantes que se asocian con el análisis conjunto incluyen:

-  Funciones de valor parcial. Las funciones de valor parcial o funciones de utilidad describen la utilidad que los consumidores asignan a los niveles de cada atributo.

-  Pesos de importancia relativa. Su estimación permite identificar qué atributos ejercen una influencia considerable en la elección del consumidor.

-  Niveles de los atributos. Denotan los valores que asumen los atributos.

-  Perfiles completos. Los perfiles completos de las marcas se elaboran en términos de todos los atributos usando los niveles de los atributos especificados en el diseño.

-  Tablas por pares. En las tablas por pares, los encuestados evalúan dos atributos a la vez, hasta que se hayan evaluado todos los pares de atributos requeridos.

-  Diseños cíclicos. Son diseños que se emplean para reducir el número de comparaciones por pares.

-  Diseños factoriales fraccionales. Son diseños empleados para reducir el número de perfiles de estímulos que deben evaluarse en el enfoque del perfil completo.

-  Conjuntos ortogonales. Son una clase especial de diseños fraccionales que permiten un cálculo eficiente de todos los efectos principales.

-  Validez interna. Implica las correlaciones de las evaluaciones pronosticadas para los estímulos de retención o validación con las obtenidas de los encuestados.

Realización del análisis conjunto

La figura que se presenta a continuación se enumera los pasos del análisis conjunto. El planteamiento del problema implica la identificación de los atributos sobresalientes y sus niveles. Esos atributos y niveles sirven para elaborar los estímulos que se utilizarán en una tarea de análisis conjunto. Los encuestados usan una escala adecuada para calificar u ordenar los estímulos, y se analizan los datos obtenidos. Los resultados se interpretan y se evalúan su confiabilidad y validez.

Pasos del Análisis Conjunto

Fuente: Malhotra, N (1997) Investigación de mercado, un enfoque práctico. Naucalpan de Juárez México. Prentice Hall Segunda Edición

Planteamiento del problema

Al plantear el problema del análisis conjunto, el investigador debe identificar los atributos y los niveles de tales atributos que se emplearán en la elaboración de los estímulos. Los niveles de los atributos denotan los valores que éstos asumen. Desde un punto de vista teórico, los atributos elegidos deben tener una influencia considerable en la preferencia y elección del consumidor. Por ejemplo, en la elección de una marca de automóvil deben incluirse el precio, el kilometraje por litro de gasolina, el espacio interior, etcétera. Desde una perspectiva administrativa, los atributos y sus niveles deben ser procesables.  Los atributos pueden identificarse a partir de conversaciones con la administración y los expertos en la industria, el análisis de datos secundarios, la investigación cualitativa y encuestas piloto. Plepso Investigación realiza la investigación exploratoria previa y un breve estudio cualitativo con la aplicación de entrevistas en profundidad o grupos focales focus group en sus estudios típico de análisis conjunto incluye seis o siete atributos.

Una vez que se hayan identificado los atributos sobresalientes, deben elegirse sus niveles apropiados.

El número de niveles de un atributo determina el número de parámetros que se calculará y también influye en el número de estímulos que los participantes evaluarán. Para minimizar la tarea de evaluación de los encuestados y aún así calcular los parámetros con precisión razonable, es conveniente restringir el número de niveles del atributo. La utilidad o función de valor parcial para los niveles de un atributo puede ser no lineal. Por ejemplo, un consumidor quizá prefiera un carro de tamaño mediano a uno pequeño o uno grande. De la misma manera, tal vez la utilidad del precio no sea lineal. La pérdida de utilidad al pasar de un precio bajo a uno mediano puede ser mucho menor que la pérdida de utilidad al pasar de un precio mediano a uno alto. En tales casos deben usarse al menos tres niveles. No obstante, algunos atributos se presentan naturalmente en forma binaria (dos niveles): un automóvil tiene o no tiene techo corredizo.

Los niveles del atributo seleccionados impactarán las evaluaciones de los consumidores, por consiguiente, el investigador debería tomar en consideración los niveles de los atributos que son comunes en el mercado y los objetivos del estudio. Usar niveles del atributo que estén fuera del rango reflejado en el mercado disminuirá la credibilidad de la tarea de evaluación, pero incrementará la precisión con que se calculan los parámetros. La norma general es elegir niveles del atributo de modo que los rangos sean algo más grandes que los que predominan en el mercado, aunque no tan grandes que tengan un impacto adverso en la credibilidad de la tarea de evaluación.

Elaboración de los estímulos

Existen dos procedimientos generales para elaborar los estímulos del análisis conjunto: por pares y de perfiles completos. En el procedimiento por pares, llamado también evaluaciones de dos factores, los encuestados evalúan dos atributos a la vez, hasta que se hayan evaluado todos los pares de atributos posibles. En la figura siguiente se ilustra este enfoque en el contexto de un ejemplo de zapatos deportivos. Para cada par, los encuestados evalúan todas las combinaciones de los niveles de dos atributos, que se presentan en una matriz. En el procedimiento de perfiles completos, llamado también evaluaciones de factores múltiples, se construyen perfiles completos de marcas para todos los atributos. Por lo general, cada perfil se describe en una tarjeta separada.

En la tabla se ilustra este enfoque en el contexto del ejemplo de los zapatos deportivos. No es necesario evaluar todas las combinaciones posibles ni tampoco es factible en todos los casos. En el procedimiento por pares es posible reducir el número de comparaciones pareadas mediante el uso de diseños cíclicos. De igual manera, en el procedimiento del perfil completo es posible reducir considerablemente el número de perfiles del estímulo usando diseños factoriales fraccionales. Una clase especial de diseños fraccionales, llamada conjuntos ortogonales, permite el cálculo eficiente de todos los efectos principales. Los conjuntos ortogonales permiten la medición de todos los efectos principales de interés en una base no correlacionada. Esos diseños asumen que todas las interacciones son insignificantes.

Por lo general, se obtienen dos conjuntos de datos.

Uno, el conjunto de estimación, se usa para calcular las funciones de valor parcial de los niveles del atributo.

El otro, el conjunto de retención, se usa para evaluar la confiabilidad y la validez.

La ventaja del enfoque por pares es que es más sencillo para los encuestados ofrecer tales juicios. Sin embargo, su desventaja relativa es que requiere más evaluaciones que el procedimiento de perfil completo. Además, la tarea de evaluación sería poco realista cuando sólo se evalúan dos atributos al mismo tiempo. Estudios que comparan los dos enfoques indican que ambos producen utilidades similares, pero que el de uso más común es el del perfil completo.

 El ejemplo de los zapatos deportivos sigue el procedimiento del perfil completo. Dados tres atributos, definidos cada uno en tres niveles, pueden construirse un total de 3 x 3 x 3 = 27 perfiles.

Para reducir la tarea de evaluación del encuestado se utilizó un diseño factorial fraccional y se elaboró un conjunto de nueves perfiles que constituían los conjuntos de estímulos de estimación (véase la tabla). Para fines de validación se construyó otro conjunto de nueve estímulos. Se obtuvieron datos de entrada tanto para los estímulos de estimación como de validación. Sin embargo, antes de que pudieran obtenerse los datos de entrada fue necesario tomar una decisión sobre su forma.

Decisión sobre la forma de los datos de entrada

Los datos de entrada del análisis conjunto pueden ser cuantitativos o cualitativos. Para los datos cualitativos, por lo general, se solicita a los participantes que den evaluaciones de rangos ordenados. En el enfoque por pares, los encuestados ordenan por rangos todas las celdas de cada matriz en términos de su conveniencia. En la técnica del perfil completo, ordenan todos los perfiles del estímulo. Los ordenamientos implican evaluaciones relativas de los niveles del atributo. Los defensores del ordenamiento de los datos creen que éstos reflejan con precisión la conducta de los consumidores en el mercado.

En la forma cuantitativa o métrica los encuestados no brindan ordenamientos sino calificaciones. En este caso, los juicios por lo general se hacen de forma independiente. Los defensores de los datos de calificación creen que son mucho más convenientes para los participantes y que son más fáciles de analizar que los ordenamientos. En años recientes se ha vuelto cada vez más común el uso de calificaciones.

En el análisis conjunto la variable dependiente suele ser la preferencia o intención de compra. En otras palabras, los encuestados proporcionan calificaciones u ordenamientos en términos de su preferencia o intención de compra. Sin embargo, la metodología conjunta es flexible y tiene cabida para otras variables dependientes que incluyen a la compra o elección reales.

En la evaluación de los perfiles de los zapatos deportivos, se solicitó a los encuestados que proporcionaran calificaciones de preferencia para cada zapato descrito por los nueve perfiles en el conjunto de estimación.

Para obtener esas calificaciones se utilizó una escala Likert de nueve puntos (1 = no se prefieren, 9 = los favoritos). En la tabla anterior se muestran las calificaciones obtenidas de un encuestado.

Elección de un procedimiento de análisis conjunto

El modelo de análisis conjunto básico se representa con la siguiente fórmula:

Donde:

U(X) = utilidad general de una alternativa

a_ij = contribución del valor parcial o utilidad asociada con el nivel j-ésimo

(j, j = 1, 2, … ki) del i-ésimo atributo (i, i = 1, 2, … m)

ki = número de niveles del atributo i

m = número de atributos

x_ij = 1 si está presente el j-ésimo nivel del i-ésimo atributo

 = 0 en otro caso

La importancia de un atributo I_i se define en términos del rango de los valores parciales, aij, en todos los niveles de ese atributo:

I_j ( [máx (a_ij) – mín (a_ij)] para cada i

La importancia del atributo se normaliza para determinar su importancia en relación con los otros atributos, W_i:

Existen varios procedimientos diferentes para calcular el modelo básico. El más sencillo, cuyapopularidad va en aumento, es la Regresión con Variables Ficticias (dummy).

En este caso, las variables predictivas son las variables ficticias para los niveles del atributo. Si un atributo tiene k_i niveles, se codifica en términos de k_i - 1 variables ficticias.

Si se obtienen datos métricos, las calificaciones constituyen la variable dependiente, siempre que se ajusten a una escala de intervalo. Si los datos son no métricos, los ordenamientos pueden convertirse en 0 o 1 realizando comparaciones pareadas entre las marcas. En este caso, las variables predictivas representan las diferencias en los niveles de los atributos de las marcas comparadas.

Otros procedimientos adecuados para los datos no métricos son LINMAP, MONANOVA y el modelo LOGIT

El investigador también debe decidir si los datos se analizarán a nivel del encuestado individual o a nivel conjunto. A nivel individual los datos de cada participante se analizan por separado. Si el análisis se va a realizar a nivel conjunto, debe idearse algún procedimiento para agrupar a los encuestados. Un enfoque común consiste en calcular primero las funciones de valor parcial o de utilidad a nivel individual. Los encuestados se agrupan luego con base en la semejanza de sus valores parciales. Después se realiza el análisis conjunto para cada conglomerado. Debe especificarse un modelo apropiado para calcular los parámetros.

Para analizar los datos presentados en la siguiente tabla se utilizó la regresión de mínimos cuadrados (RMC) ordinarios con variables ficticias. La variable dependiente fueron las calificaciones de preferencia.

Las variables independientes o predictivas fueron seis variables ficticias, dos para cada variable. En la tabla se muestran los datos transformados. Como los datos conciernen a un solo participante, se realizó un análisis a nivel individual. En la tabla siguiente se presentan las funciones de valores parciales o de utilidad calculadas para cada atributo, así como la importancia relativa de los atributos.

El modelo calculado puede representarse como:

U = b₀ + b₁X₁ + b₂X₂ + b₃X₃ + b₄X₄ + b₅X₅ + b₆X₆

Donde

X₁, X₂ = variables ficticias que representan la suela

X₃, X₄ = variables ficticias que representan la parte superior (pala)

X₅, X₆ = variables ficticias que representan el precio

Para la suela, los niveles del atributo se codificaron de la siguiente manera:

 

Los niveles de los otros atributos se codificaron de forma similar. Los parámetros se calcularon de la siguiente manera:

b₀ = 4,222

b₁ = 1,000

b₂ = -0,333

b₃ = 1,000

b₄ = 0,667

b₅ = 2,333

b₆ = 1,333

Dada la codificación de las variables ficticias, donde el nivel 3 es el básico, los coeficientes pueden relacionarse con los valores parciales. Cada coeficiente de las variables ficticias representa la diferencia en el valor parcial de ese nivel menos el valor parcial del nivel básico. En el caso de la suela, se tiene lo siguiente:

a₁₁ - a₁₃ = b₁

a₁₂ - a₁₃ = b₂

Para resolver los valores parciales es necesaria una restricción adicional. Los valores parciales se calcularon en una escala de intervalo, por lo que el origen es arbitrario. Por ende, la restricción adicional que se impone es de la forma:

a₁₁ + a₁₂ + a₁₃ = 0

Esas ecuaciones para el primer atributo, la suela, son:

 a₁₁ - a₁₃ = 1,000

a₁₂ - a₁₃ = - 0.333

a₁₁ + a₁₂ + a₁₃ = 0

Al resolver esas ecuaciones, nos queda:

a₁₁ = 0,778

a₁₂ = -0,556

a₁₃ = -0,222

Los valores parciales para los demás atributos reportados en la tabla se calculan de forma similar. Para la parte superior tenemos:

a₂₁ - a₂₃ = b₃

a₂₂ - a₂₃ = b₄

a₂₁ + a₂₂ + a₂₃ = 0

Para el tercer atributo, el precio, tenemos:

a₃₁ - a₃₃ = b₅

a₃₂ - a₃₃ = b₆

a₃₁ + a₃₂ + a₃₃ = 0

La importancia relativa de los pesos se calculó con base en los rangos de los valores parciales, de la siguiente manera:

El cálculo de los valores parciales y los pesos de la importancia relativa proporcionan la base para interpretar los resultados.

Interpretación de los resultados

Para interpretar los resultados es útil graficar las funciones de los valores parciales. En la figura se presenta la gráfica de los valores de la función de valor parcial para cada atributo presentado en la tabla. Como se observa en ambas ilustraciones, en la evaluación de los zapatos deportivos este encuestado mostró mayor preferencia por las suelas de hule. La segunda preferencia fue por las suelas de plástico y la menos preferida fue la de poliuretano. Prefería que la parte superior fuera de piel. Seguida de la de lona y nylon. Como se esperaba, el precio de $30,00 tenía la mayor utilidad, y el de $90,00 la menor. Los valores de la utilidad reportados en la tabla sólo tienen propiedades de la escala de intervalo y su origen es arbitrario. En términos de la importancia relativa de los atributos, vemos que el precio es el primero, seguido de la suela y luego por la parte superior. Dado que el precio es por mucho el atributo más importante para este participante, podría designarse como sensible al precio.

Evaluación de la confiabilidad y la validez

Existen varios procedimientos para evaluar la confiabilidad y la validez de los resultados del análisis conjunto.

1. Debe evaluarse la bondad del ajuste del modelo estimado. Por ejemplo, si se usa la regresión con variables ficticias, el valor de r² indicará el grado en que el modelo se ajusta a los datos. Hay que dudar de los modelos con mal ajuste.

2. La confiabilidad test-retest puede evaluarse mediante la replicación de algunos juicios más tarde en la recopilación de datos. En otras palabras, en una etapa posterior de la entrevista, se pide a los participantes que evalúen de nuevo algunos estímulos seleccionados. Los dos valores de esos estímulos se correlacionan luego para evaluar la confiabilidad test-retest.

3. Las funciones estimadas de los valores parciales permiten predecir las evaluaciones de los estímulos de retención o de validación. Las evaluaciones pronosticadas pueden luego correlacionarse con las obtenidas de los encuestados para determinar la validez interna.

4. Si se ha realizado un análisis a nivel conjunto, la muestra de estimación puede dividirse de varias formas y en cada submuestra es factible realizar un análisis conjunto. Los resultados se comparan entre las submuestras para evaluar la estabilidad de las soluciones del análisis conjunto.

Al correr un análisis de regresión en los datos de la tabla se obtuvo una r² de 0,934, lo cual indica un buen ajuste. Las calificaciones de preferencia para los nueve perfiles de validación fueron pronosticadas a partir de las utilidades presentadas en la tabla y luego se correlacionaron con las calificaciones de entrada que proporcionaron los encuestados para esos perfiles. El coeficiente de correlación fue de 0,95, lo que indica buena capacidad predictiva. Este coeficiente de correlación es significativo a nivel   0,05.

En Resumen

El análisis conjunto se basa en la idea de que es posible determinar la importancia relativa que los consumidores atribuyen a los atributos sobresalientes, y las utilidades que asignan a los niveles de esos atributos, cuando estos consumidores evalúan los perfiles de la marca elaborados con esos atributos y esos niveles.

El planteamiento del problema requiere la identificación de los atributos sobresalientes y sus niveles. Los procedimientos por pares y de perfil completo suelen emplearse para la elaboración de los estímulos. Se dispone de diseños estadísticos para reducir el número de estímulos en la tarea de evaluación. Los datos de entrada pueden ser no métricos (ordenamientos) o métricos (calificaciones). Por lo general, la variable dependiente es la preferencia o intención de compra.

Aunque existen otros procedimientos para examinar los datos del análisis conjunto, cada vez adquiere más importancia la regresión con variables ficticias. La interpretación de los resultados requiere un examen de las funciones de los valores parciales y los pesos de importancia relativa. Se cuenta con varios procedimientos para evaluar la confiabilidad y la validez de los resultados del análisis conjunto.

Si te gustó el artículo o tienes alguna crítica constructiva coméntalo  y recuerda suscribirte al blog. Ah, y comparte con un Tiweet, +1 o por Facebook tus comentarios. Hasta una próxima entrega.

Para diseños de investigación de mercados, levantamiento de estudios de opinión pública y de seguimiento electoral no dude en contactar a Plepso Investigación, C. A. por sus teléfonos 0243 237.54.06 y 0412 439.25.85, a sus sitio web http://www.plepso.com.ve o al correo electrónico mercadeo@plepso.com.ve y jpleal@plepso.com.ve

 

OTROS ARTÍCULOS DE INTERÉS
INVESTIGACIÓN DE MERCADO: NATURALEZA E IMPORTANCIA	LA INVESTIGACIÓN POLÍTICA Y DE OPINIÓN PÚBLICA
PREPARACIÓN DE LOS DATOS	ESTRATEGIA DE ANÁLISIS DE DATOS

REFERENCIAS BIBLIOGRÁFICAS Y DOCUMENTALES

Aaker, D. y Day, G. S. (1989) Investigación de Mercados. México. Tercera Edición. Segunda Edición en Castellano. Mc Graw-Hill

Boqué, Ricard y Maroto, Alicia (s/f) EL ANÁLISIS DE LA VARIANZA (ANOVA); Comparación de múltiples poblaciones. Tarragona – España. Grupo de Quimiometría y Cualimetría. Universitat Rovira i Virgili. Pl. Imperial Tàrraco, 1. 43005-Tarragona

Malhotra, N (1997) Investigación de mercado, un enfoque práctico. Naucalpan de Juárez México. Prentice Hall Segunda Edición

Pérez-Tejada, H. (2009) Estadística para las Ciencias Sociales, del Comportamiento y de la Salud. México. 3era Edición. CENGAGE Leaning

Salvador Figueras, M (2000): "Introducción al Análisis Multivariante", [Artículo en línea] disponible en: http://www.5campus.com/leccion/anamul  [Consulta: 2015, julio 04]

Siegel, S. y Castellan, J. (1998) Estadísticas No Paramétrica; Aplicadas a las ciencias de la conducta. México. Trillas 4ta edición

Uriel, E. y Adás, J. (2005) Análisis Multivariante Aplicado. Madrid – España. Thomson Edotores Spain

Vicente Villardón, José Luis (s/f) INTRODUCCIÓN AL ANÁLISIS DE LA VARIANZA. Departamento de Estadística. [documento en línea] disponible en: http://webcache.googleusercontent.com/search?q=cache:U-rnGopqRqQJ:biplot.usal.es/problemas/libro/7%2520ANOVA.pdf+&cd=3&hl=es&ct=clnk&gl=ve [Consulta: 2015, julio 05]