C√°psula 4: Dise√Īo experimental, par√°metros de dise√Īo

Escrito por Carlos Ochoa el 27 de noviembre 2014

Tras definir en la entrada anterior las fases que conlleva un Conjoint, pasamos a la acci√≥n. La primera fase de un estudio Conjoint es elaborar un dise√Īo experimental. Y para hacer un buen dise√Īo, debemos fijar algunos par√°metros: n√ļmero de atributos a testar, niveles diferentes de cada atributo, cantidad de preguntas que debe responder cada encuestado,‚Ķ Fijar correctamente estos par√°metros permitir√° obtener resultados fiables. Veamos algunas consideraciones a tener en cuenta.

Definiendo atributos

Vimos en la cápsula I que el objetivo de un Conjoint es medir la utilidad que tiene para el consumidor cada atributo que compone un producto (en un coche, puede ser el color, el precio, la potencia…). En concreto, medimos la utilidad de los posibles niveles de cada atributo (el color verde, un precio de 15.000$, una potencia de 120CV).

El primer paso para hacer un dise√Īo es es identificar atributos. Cualquier producto tiene una enorme cantidad de atributos. En un coche, podemos hablar del tipo de carrocer√≠a, tama√Īo, color, marca, consumo, potencia‚Ķ y podr√≠amos seguir hasta identificar atributos como el color del tap√≥n de la gasolina. La cuesti√≥n es, ¬Ņd√≥nde se acaba esto? ¬ŅPuedo trabajar s√≥lo con unos pocos atributos? ¬ŅCu√°les debo elegir?

Puedo y debo trabajar con unos pocos atributos, relevantes para mi toma de decisiones. Y debo asegurar que el resto de atributos no estudiados no afecten a las respuestas  de los participantes en la encuesta. Para ello, debo indicar al respondiente de la encuesta que asuma que el resto de atributos no mencionados son idénticos para cualquier producto mostrado.

En ocasiones es conveniente ayudar al repondiente fijando expl√≠citamente esos atributos no estudiados. Por ejemplo, supongamos¬† un Conjoint sobre coches en los que queremos estudiar los atributos marca, precio y potencia. Podr√≠a suceder que la marca A tenga mayor tradici√≥n haciendo deportivos y la marca B fabricando veh√≠culos todo terreno. El respondiente, de forma casi insconciente, al¬† elegir un veh√≠culo de la marca A podr√≠a estar manifestando su preferencia por los veh√≠culos deportivos. Para evitar este efecto, podemos incluir un mensaje como ‚Äúcompara los siguientes veh√≠culos suponiendo que todos ellos son coches utilitarios de 5 puertas y 120 CV de potencia‚ÄĚ. De esta forma, evitamos que un atributo no deseado entre en juego.

Por √ļltimo, los atributos deben ser independientes entre ellos. Si no es as√≠, podr√≠as estar contabilizando por duplicado la utilidad de los atributos.

conjoint-diseno

Definiendo niveles

Una vez tenemos claros los atributos, debemos definir qué niveles estudiamos para cada atributo. Los niveles deben ser una lista finita de posibles valores del atributo. Ten en cuenta las siguientes consideraciones para definir tus niveles:

  • Los niveles deben ser mutuamente excluyentes. Por ejemplo, si definimos un atributo ‚Äúequipamiento‚ÄĚ en un Conjoint sobre coches, la lista de niveles no puede ser ‚Äúaire acondicionado‚ÄĚ, ‚Äúairbag‚ÄĚ y ‚Äúabs‚ÄĚ. Un coche podr√≠a tener los 3 niveles simult√°neamente. En un caso as√≠, deber√≠amos crear 3 atributos, cada uno con niveles ‚Äús√≠‚ÄĚ o ‚Äúno‚ÄĚ.
  • Los niveles deben ser frases con un significado concreto y un√≠voco. Evita descripciones gen√©ricas (‚Äúaltas prestaciones‚ÄĚ, ‚Äúbajo consumo‚Ä̂Ķ).
  • Evita usar rangos de valores (‚Äúentre 90CV y 150CV‚ÄĚ), es mejor especificar valores concretos (‚Äú120 CV‚ÄĚ).
  • Trata de usar un n√ļmero similar de niveles entre todos los atributos. Existen estudios que demuestran que los atributos con m√°s niveles tienden a recibir m√°s importancia en los resultados, tanto por un efecto psicol√≥gico del respondiente como por efectos en el propio algoritmo de estimaci√≥n de utilidades.
  • No es necesario que los niveles cubran todos los posibles valores que puede tomar un atributo. Pero debemos tener claro que los resultados que obtendremos reflejar√°n √ļnicamente la variabilidad que hayamos incluido en los niveles.

Veamos un ejemplo de este efecto. Imaginemos que en nuestro Conjoint de coches definimos sólo dos niveles para el atributo potencia: 100CV y 110CV. Por el contrario, definimos gran cantidad de niveles de precio, que van desde 8.000$ a 40.000$. Probablemente la utilidad que resultará para la variación de potencia será mínima frente al precio. Podríamos llegar a la conclusión de que los consumidores no consideran la potencia de un coche en el momento de compra, cuando en realidad lo que hemos medido es que no son sensibles a una diferencia mínima de potencia.

Versiones, sets y alternativas

Un dise√Īo es un conjunto de preguntas o sets. Un set es un conjunto de alternativas de producto, entre las cuales el encuestado debe escoger su opci√≥n preferida. Y cada producto es una combinaci√≥n de niveles concretos de los atributos que estemos estudiando.

En nuestro estudio de coches, podr√≠mos definir un dise√Īo de 10 sets, con 3 alternativas por set. Para cada alternativa de cada set deber√≠amos definir un producto: un VW blanco a 15.000$, un Renault rojo a 20.000$…

En ocasiones, cuando la cantidad de atributos y niveles es grande, hacer un buen dise√Īo requerir√≠a hacer muchas preguntas o sets por respondiente. Pero no es viable hacer a una persona m√°s de 15-20 preguntas repetitivas, la calidad de la informaci√≥n que nos dar√≠a se ver√≠a afectada.

Para sortear esta dificultad se suelen definir varias versiones diferentes del dise√Īo, con productos diferentes. Dividiendo la muestra y asignando cada parte a una versi√≥n diferente, logramos mayor diversidad de informaci√≥n, lo mejora nuestras estimaciones de utilidad.

Recomendaciones generales

A continuación te facilitamos algunos consejos relativos a como dimensionar un estudio Conjoint:

  1. El n√ļmero √≥ptimo de atributos a incluir en un Conjoint es 5, el m√°ximo recomendado es 10.
  2. El n√ļmero de niveles por atributo √≥ptimo es 5, el m√°ximo recomendado es 10.
  3. El n√ļmero de sets por respondiente no deber√≠a ser superior a 20. Para evitar el agotamiento del participante se recomienda emplear entre 10-15.
  4. El n√ļmero de productos mostrados dentro de cada set deber√≠a estar entre 2 y 6. Depender√° de la complejidad de los productos mostrados (con productos m√°s complejos es mejor reducir la cantidad de alternativas a elegir en el set).

Si estamos frente a un estudio Maxdiff (recuerda: mostramos conceptos simples y preguntamos cuál es el peor y cuál es el mejor), deberías respetar estas recomendaciones:

  1. El n√ļmero m√°ximo recomendado de conceptos es 30.
  2. Se recomienda mostrar entre 3 y 6 conceptos por pregunta/set. Algunos expertos consideran que 4 es el n√ļmero √≥ptimo.
  3. El n√ļmero de sets mostrado por respondiente puede estar entre 15 y 20, ya que las preguntas Maxdiff no son tan pesadas como otro tipo de preguntas cl√°sicas.
  4. Si quieres hacer an√°lisis individualizado, es recomendable que cada individuo vea 3 o m√°s veces cada concepto. Si vas analizar los resultados a nivel de grupo, puedes mostrar 1 vez cada concepto a cada individuo, incluso menos (puedes permitir que un individuo no vea algunos conceptos).

estimacion-conjoint

Error de estimación

Cuando estimamos  las utilidades de los diferentes atributos-niveles, como en cualquier estimación estadística, cometemos un error. Este error es la suma de dos errores de naturaleza diferente:

  1. El error muestral: por el hecho de que la encuesta la administramos a una muestra del universo estudiado, y no a la totalidad del mismo, cometemos un error de estimaci√≥n. La forma de calcular este error es la misma de la de cualquier encuesta. Y la forma de reducirlo, incrementar el tama√Īo de la muestra.
  1. El error de medida: es el error cometido por las limitaciones que el propio cuestionario tiene para capturar información de cada individuo en concreto. En el caso de estudios Conjoint tipo CBC, estamos infiriendo unas utilidades a partir de simples comparaciones. Cuando decimos que el producto A es mejor que el B, no sabemos si es mucho mejor o poco. Además, cuando tenemos muchos atributos-niveles, no es viable mostrar todos los posibles productos ni todas las posibles agrupaciones de productos.

La forma de reducir este error es incrementar la cantidad de preguntas que realizamos a cada individuo. Obviamente, esto tiene un límite. Es por ello que te hemos facilitado las recomendaciones anteriores sobre cantidad de atributos, niveles, sets, etc. Si los respetas, sólo deberías preocuparte por el error muestral.

Reglas simples para fijar el tama√Īo de muestra

El an√°lisis Conjoint se basa en un modelo no lineal y eso dificulta el c√°lculo del error m√°ximo de estimaci√≥n que vamos a cometer con un tama√Īo de muestra dado. Ese error depender√° de las propias utilidades que vamos a estimar. Es un pez que se muerde la cola: para calcular el error de estimaci√≥n necesito conocer las utilidades, pero para conocer las utilidades necesito realizar el estudio.

Para resolver este problema, existen algunas reglas simples que nos ayudan¬† fijar el tama√Īo de muestra que necesitamos. La m√°s habitual es la siguiente

N x T x A / C > 1000

Donde:

  • N: Tama√Īo de la muestra
  • T: N√ļmero de sets por respondiente
  • A: N√ļmero de alternativas por set
  • C: El n√ļmero de niveles del atributo que m√°s niveles tiene. Para un maxdiff, C es directamente el n√ļmero de conceptos a evaluar.

Algunas consideraciones finales relativas al tama√Īo de la muestra:

  • En la pr√°ctica, la mayor parte de estudios se realizan con muestras de entre 200 y 1200 personas
  • 300 es un tama√Īo habitual para muestras homog√©neas de personas.
  • Si el objetivo del estudio es comparar utilidades entre grupos y detectar diferencias significativas, deber√≠as tener como m√≠nimo 200 personas en cada grupo.

 

Esperamos que este post te ayude a definir los par√°metros de dise√Īo. En el pr√≥ximo post te explicaremos c√≥mo, una vez hemos fijado los par√°metros de dise√Īo, podemos encontrar un dise√Īo concreto que satisfaga los condicionantes impuestos. Para ello, tendremos que usar una medida que nos permita saber si un dise√Īo es mejor que otro.

Categoría: conjoint Trackback | Comentarios(0)

¬ŅEs mi diferencia significativa?

Escrito por Carlos Ochoa el 26 de noviembre 2014

En un post anterior¬†trat√°bamos de explicar c√≥mo debo decidir el tama√Īo de una muestra para garantizar¬†que los datos que obtengo van a estar dentro de un margen de error controlado. Hoy vamos a tratar un tema relacionado: cuando observo una diferencia en un dato de una encuesta, ¬Ņes esa diferencia estad√≠sticamente significativa?

¬ŅEs real o es azar?

Es una pregunta que nos formulamos a menudo, incluso en situaciones de nuestra vida cotidiana. Supongamos que normalmente voy a mi lugar de trabajo en coche por una ruta A y tardo 25 minutos de media. Durante un mes decido probar una nueva ruta B y observo que tardo 23 minutos. ¬ŅEs realmente la ruta B m√°s r√°pida que la ruta A? ¬ŅO por el contrario esa diferencia de 2 minutos se debe a la casualidad, por ejemplo, porque durante esa semana el tr√°fico ha sido especialmente fluido? Si la diferencia no se debe al azar, diremos que es una diferencia estad√≠sticamente significativa.

Situaciones en las que necesitamos estar seguros de que las diferencias que observamos no se explican por puro azar son numerosas. Es la base del m√©todo cient√≠fico. Por ejemplo, pensemos en la investigaci√≥n m√©dica. Tenemos un nuevo f√°rmaco y queremos verificar si produce el efecto deseado. Para ello, administramos a una muestra de personas el f√°rmaco y comparamos los resultados con una muestra de personas que no han sido tratadas, o mejor a√ļn, que han sido tratadas con una tratamiento placebo. Cuando obtengo los resultados, necesito estar seguro de que el efecto curativo es real. Este tipo de pruebas son las que los productos homeop√°ticos no superan y la raz√≥n por la que la comunidad m√©dica nos los acepta como eficaces.

Con la llegada de internet, esta metodolog√≠a de trabajo se ha puesto m√°s de moda que nunca. Pensemos en los tests A/B que se utilizan tan frecuentemente en el desarrollo de p√°ginas web.¬†Por ejemplo, tenemos una web de comercio electr√≥nico en la que el 5% de mis visitantes acaban comprando un producto. Quiero testar si incrementar el tama√Īo de las im√°genes de los productos mejora las ventas. Hacer un test A/B consistir√≠a en poner en funcionamiento una nueva versi√≥n de la web, mostrar aleatoriamente a los usuarios una de las dos versiones y medir qu√© √©xito de ventas tiene cada versi√≥n de la web. Si la nueva web tiene un √©xito de ventas del 5,5%, ¬Ņpuedo estar seguro de que esa diferencia de 0,5% se debe a las im√°genes m√°s grandes?

Para responder a estas cuestiones, la estadística nos va a ser de utilidad. Necesitamos hacer un test de hipótesis. Veamos como funciona.

Test de hipótesis

Para empezar, vamos a dar una idea intuitiva lo que estamos haciendo. Supongamos que hacemos una encuesta a 100 hombres y a 100 mujeres preguntando si practican deporte. Analizando las respuestas, observamos que el 40% de los hombres afirman practicar deporte frente al 30% de las mujeres. Podríamos representar este dato con el gráfico siguiente.

 

diferencia_significativa_1

 

Pero vimos en un post anterior que por el hecho de calcular una estad√≠stica usando una muestra de gente en lugar del universo completo, nuestro dato no va a ser preciso sino que estar√° dentro de un margen de error. Este margen es mayor cuanto m√°s peque√Īa es la muestra que empleamos. Por ello, ser√≠a m√°s correcto representar el resultado de esta encuesta con una gr√°fico como el siguiente.

 

diferencia_significativa_2

 

En este gráfico hemos representado la incertidumbre que tenemos acerca de los porcentajes de hombres y mujeres que practican deporte. Cuando empleamos esta mirada, vemos que el margen de error de ambos datos (hombres y mujeres) se solapa de forma considerable. En el ejemplo que hemos representado, el gráfico nos indica que es relativamente fácil que esa diferencia que observo entre hombres y mujeres no sea real, sino que sea simplemente un efecto del error muestral que tengo por trabajar con una muestra reducida. La porción gris representa ese riesgo: es la probabilidad de que la diferencia se deba al error. Tendríamos por lo tanto una diferencia no significativa.

¬ŅC√≥mo podr√≠a estar seguro de que la diferencia s√≠ es realmente significativa? Idealmente, si la diferencia entre los datos de hombres y mujeres fuese mayor, de forma que el margen de error de cada dato se solapase mucho menos, como se muestra en el siguiente gr√°fico.

 

diferencia_significativa_3

 

Obviamente, eso no depende de mi. Por lo que, si quisiese tener mayor seguridad sobre si la diferencia es significativa, tendr√≠a que trabajar con tama√Īos de muestra superiores. O dicho de otra manera, si la diferencia esperada va a ser peque√Īa, necesito trabajar con una muestra mayor, lo que genera un margen de error m√°s peque√Īo y me permitir√° detectar diferencias significativas menores, tal y como se muestra en la gr√°fica siguiente.

 

diferencia_significativa_4

¬ŅY esto se puede medir objetivamente?

Sí, para eso se suele realizar un test de hipótesis, que es una prueba objetiva sobre la causa de las diferencias. En primer lugar, definimos las siguientes cantidades:

  • Nh = tama√Īo de la muestra de hombres.
  • Nm = tama√Īo de la muestra de mujeres.
  • Xh= n√ļmeros de hombres que practican deporte.
  • Xm= n√ļmeros de mujeres que practican deporte.

A partir de estas cantidades, calcularemos en primer lugar la proporción global de personas que practican deporte, sean hombres o mujeres. Sería:

  • P = (Xh+Xm)/(Nh+Nm)

También podemos calcular la proporción de deportistas entre hombres y entre mujeres, que son los datos que han resultado diferentes y queremos verificar.

  • Ph = Xh/Nh
  • Pm = Xm/Nm

A continuación, planteamos las dos hipótesis posibles:

  • H0 (hip√≥tesis nula) = no hay diferencias entre las muestras, la diferencia observada se debe al azar.
  • H1 (hip√≥tesis alternativa) = la diferencia es estad√≠sticamente significativa, ambas muestras realmente son diferentes en relaci√≥n a la variable estudiada.

Para poder aceptar la hipótesis alternativa, necesito que la diferencia entre las dos proporciones medidas (Ph y Pm) diste lo suficiente como para tener un % de confianza suficientemente alto de que esa diferencia no se deba al error muestral, suponiendo que dicho error sigue una distribución gaussiana o normal. Para ello, tendré que calcular lo siguiente:

diferencia_significativa_51

y comprobar que la Z resultante no supera una cantidad que viene dada por el nivel de confianza que deseamos. Es muy habitual trabajar con un intervalo de confianza del 95%, al cual corresponde un valor de Z=1,96. Por lo tanto:

  • Si Zprueba<1,96, aceptaremos que NO hay diferencias significativas entre hombres y mujeres, con un nivel de confianza del 95%.
  • En caso contrario, S√ć aceptaremos que la diferencia observada entre hombres y mujeres es significativa con un nivel de confianza del 95%.

Volviendo al ejemplo…

Podemos hacer estos cálculos en nuestro ejemplo inicial. Recordemos: 100 hombres y 100 mujeres, 40 hombres deportistas y 30 mujeres deportistas. Tendríamos:

  • Nh = 100.
  • Nm = 100.
  • Xh= 40.
  • Xm= 30.

Estos datos resultan en Z=1,48, que al ser inferior a 1,96 no nos permitiría afirmar que la diferencia es significativa. Si por el contrario este resultado se hubiese obtenido con una muestra de 200 hombres y 200 mujeres, la Z resultante sería de 2,10, lo que me permitiría aceptar la hipótesis.

Algunas consideraciones finales

Es muy importante tener en cuenta con qu√© tama√Īo de muestra trabajo. En ocasiones, con muestras extremadamente peque√Īas, se observan diferencias muy grandes pero que sin embargo no tienen significancia estad√≠stica. Eso no significa que esa diferencia no sea real, simplemente significa que con los datos que tenemos no podemos tener una garant√≠a suficiente de que sea real.

En sentido contrario, con muestras extremadamente grandes, podemos encontrar diferencias significativas peque√Īas, que en la pr√°ctica no van a resultar muy informativas.

Por √ļltimo, pr√≥ximamente vamos a publicar en Netquest una calculadora de diferencias significativas para ayudarte a hacer estos c√°lculos, des mismo modo que ya tenemos una calculadora de muestras.

Categoría: Formaci√≥n | Investigacion de Mercados | Preguntas y respuestas Trackback | Comentarios(0)

Menos es más: encuestas en dispositivos móviles

Escrito por Albert Turbina el 24 de noviembre 2014

Que el smartphone est√° entre nosotros y ha venido para quedarse no es ninguna novedad. Igual que tampoco lo es que Espa√Īa sea el pa√≠s europeo con mayor penetraci√≥n de smartphones. Concretamente, se habla de un 66% de penetraci√≥n seg√ļn el informe sobre apps elaborado por ‚ÄúThe App Date‚ÄĚ.

El crecimiento en usuarios que se conectan al internet mediante un smartphone o un tablet en Latinoam√©rica es muy alto. Costa Rica lidera el ranking con un crecimiento del 332% respecto el a√Īo anterior. Brasil fue n¬į2 en el crecimiento en usuarios del internet m√≥vil (244%), seguido por Argentina (221%), Colombia (216%), M√©xico (213%), Chile (185%).

La realidad es esta, el mundo online transcurre en el pc, en la tablet y cada vez más en el  smartphone.  Por lo tanto sólo nos queda una opción: adaptarnos o morir.

post

¬ŅD√≥nde estamos?

Si navegamos por las webs m√°s modernas y m√°s de moda se puede observar f√°cilmente que las reglas generales de dise√Īo han venido cambiando en los √ļltimos tiempos. La tendencia va hacia un dise√Īo web minimalista. El objetivo principal ahora es combinar dise√Īo y funcionalidad de la forma m√°s sencilla posible. El usuario no debe confundirse, no debe perderse ni distraerse en la web.

No olvidemos que lo importante de una web es su contenido. Con el uso del móvil para navegar,  no podemos mostrar lo mismo que antes. Simplemente no cabe en la pantalla y tenemos que ser conscientes de ello.

 

Como en el m√≥vil es imprescindible transmitir la informaci√≥n de manera adecuada, tenemos que hacer un dise√Īo minimalista. Es decir, sintetizar lo que se quiere transmitir, focalizarse en el concepto y trabajar en una buena estructura.

Hasta la aparici√≥n del smartphone la dificultad del dise√Īo web estaba muy focalizada en resolver la diferencia de comportamiento entre navegadores. La existencia de navegadores como Internet Explorer, Firefox o Chrome obligaba, en el momento de programar una web, a pensar en c√≥mo pod√≠a visualizarse correctamente desde todos ellos. Pero en esa √©poca siempre se conviv√≠a con tama√Īos de pantalla muy similares.

Ahora a todo esto se a√Īaden: ¬†Androids, iOS, Windows phone, smartphones, tablets, phablets, ipads‚Ķ un mont√≥n de palabras que no indican nada m√°s que una infinita diversidad de dispositivos. Actualmente no se puede probar todo lo que se hace en todas las combinaciones de dispositivo y navegador posibles, hay que cambiar la estrategia.

La soluci√≥n que se ha aplicado de manera global se llama ‚Äėresponsive web design‚Äô o dise√Īo adaptativo, es decir, la web se adapta al tama√Īo de la pantalla en el que est√° siendo visualizada. De este modo solucionamos todo el problema de dispositivos. Os animo a que abr√°is la web de www.netquest.com y hag√°is la ventana m√°s estrecha, ver√©is como se adapta a la ventana, ¬°es responsive!

Muy bien, pero yo soy investigador, ¬Ņen qu√© me afecta esto?

Probablemente seas poseedor de un smartphone y  hayas navegado por una web que no está adaptada al móvil. Y, supongo que estaremos de acuerdo, la experiencia es muy desagradable.

Y eso en el caso en que se le pueda llamar ‚Äúexperiencia‚Ä̂Ķ,porque lo habitual es cerrar la web y pensar ‚Äúlo miro esta noche en casa‚ÄĚ, algo que probablemente no suceda porque nos olvidaremos.

A lo mejor piensas ‚Äúno lo entiendo, pero nosotros hacemos encuestas y no p√°ginas web, ¬Ņno?‚Äú. S√≠, pero las encuestas son p√°ginas web, est√°n online y por lo tanto accesibles desde cualquier dispositivo y desde cualquier lugar.

Una encuesta online no es m√°s que una p√°gina web donde se muestra un contenido al que el usuario debe responder de manera adecuada. Los principios de programaci√≥n y dise√Īo deben ser los mismos de una web, es decir, aplica minimalismo y aplica responsividad.

Los n√ļmeros que se observan en la actualidad en Espa√Īa son sorprendentes, por ejemplo entre un 10-15% de panelistas de Netquest responden las encuestas desde el m√≥vil y un 4-5% lo hacen desde tablets.

Si nos fijamos en Latinoamérica, por ejemplo en Brasil, los datos son entre un  8 y 10% en móvil y 2% en Tablet. México (13% smartphone y 4% en Tablet) o Argentina (10% móvil y 1% tablet).

Son datos suficientemente grandes como para decir que llegamos tarde si no estamos adaptando ya nuestras encuestas.

Soluciones y estrategias

Ante este problema, podemos adoptar diferentes estrategias:

  • Estrategia 1: Yo de esto no me preocupo, simplemente que no respondan desde el m√≥vil y as√≠ ya no existe el problema.

Este es un enfoque que creo que es un error. Estaríamos dejando fuera de nuestro análisis entre un 10 y un 20% de la población online. Probablemente estos participantes que estamos dejando fuera son personas de un target difícil de obtener, como son los jóvenes y adolescentes. O si hablamos de Latinoamérica, personas de clase baja sin acceso a un ordenador.

  • Estrategia 2. Dejarlo todo igual.

Creo que es la peor estrategia de todas, no hay peor experiencia que realizar 20 minutos de encuesta en el móvil y llegar a un punto donde ves una batería de preguntas de 10 filas y 10 columnas que no hay manera de responder porque no se entiende nada.

En un caso como éste, es muy importante indicar al inicio de la encuesta que por el motivo que sea no se puede responder desde móvil.  Al fin y al cabo, seguro que encontrarás casos en los que la encuesta sólo se puede responder desde PC o tablet, pero trata de evitarlos en la medida de lo posible.

Por poner un ejemplo, una encuesta con un lineal de compra virtual en el que aparezcan muchos productos, no tiene sentido que pueda responderse desde el móvil. Pero es nuestra obligación informar al usuario y facilitarle el acceso desde otras plataformas como el tablet o PC.

  • Estrategia 3. Mobile first

Sin duda, ¬°es la estrategia buena!

La tendencia dominante en dise√Īo web es la del ‚Äėmobile first‚Äô. Se trata simplemente de pensar primero en c√≥mo se ver√° el contenido en el smartphone. La idea de fondo es muy b√°sica: si algo se ve bien en el m√≥vil seguro que se ver√° bien en tablet o en PC.

Aplicar esta idea al dise√Īo de tu encuesta va a ser una apuesta ganadora. Pensar as√≠ te obliga a sintetizar mucho el contenido y la estructura de tu encuesta. Como dec√≠a en el t√≠tulo del post, menos es m√°s.

En primer lugar, la forma en la que mostraremos las cosas es importante. No hagamos aquella bater√≠a¬†gigante de 10 filas y 10 columnas, sino que dividamos en varias pantallas, o dentro de una pantalla con una pregunta debajo de otra. O piensa en otra manera de obtener la misma informaci√≥n por otras v√≠as totalmente nuevas, ¬Ņqu√© tal una pregunta de arrastrar los conceptos?

El contenido de la encuesta debe ser más compacto, los enunciados más cortos y las frases más sintéticas. Al escribir la encuesta, cuando no estamos seguros de si algo se entenderá, lo fácil es poner más y más texto, lo difícil es decirlo bien en pocas palabras.

Como dijo una vez Blaise Pascal al terminar una carta que envi√≥ a un amigo: ‚ÄúY‚Ķ si he escrito esta carta tan larga, ha sido porque no he tenido tiempo de hacerla m√°s corta.‚ÄĚ

Recomendación final

El móvil es una realidad y requiere ser atendida. Haz que sea usable y cómodo responder una encuesta en él,  usa botones de respuesta grandes, usa otras técnicas; emplea colores en las escalas si crees que lo hace más claro, di lo mismo de otra manera y si la encuesta es muy larga, divídela en dos.

Recuerda: Minimalista, responsivo y ¡piensa en móvil primero!

En definitiva, juega, piensa y aprende de nuevo, pero recuerda: ahora ‚Äėmenos es m√°s‚Äô.

Categoría: moviles Trackback | Comentarios(0)

C√°psula 3: Fases de un Conjoint

Escrito por Carlos Ochoa el 20 de noviembre 2014

Tras dos posts dedicados a hacer una descripción conceptual de un estudio del análisis Conjoint, entramos por fin en materia. Anteriormente, hablamos del concepto de utilidad y en esta entrega de nuestra serie de publicaciones dedicadas a esta metodología te explicamos qué debes hacer para llevar a cabo un estudio de este tipo. Empezamos por las fases de un estudio Conjoint.

Un Conjoint es un experimento

Un análisis Conjoint es algo más que una encuesta. No nos limitamos a preguntar a una muestra de nuestros consumidores su opinión sobre un producto. Estamos sometiendo a nuestros consumidores a un experimento. Les mostramos unos estímulos siguiendo una planificación previa, observamos su comportamiento y analizamos los datos que obtenemos.

Por lo tanto, como todo experimento, un Conjoint consta de tres fases:

1 – Dise√Īo experimental.

2 Р Ejecución del experimento, en nuestro caso es la programación y administración del cuestionario.

3 – An√°lisis de resultados.

Dise√Īo experimental

Queremos medir las preferencias que los participantes tienen respecto a unos productos. Para ello, mostraremos grupos de productos y pediremos a los respondientes que elijan su opci√≥n preferida entre los mostrados. Pero, ¬Ņqu√© productos debo mostrar y en qu√© forma los agrupo? Dar respuesta a estas preguntas es hacer un dise√Īo experimental. Un dise√Īo es la definici√≥n de qu√© est√≠mulos ver√° la muestra con el objetivo de optimizar la informaci√≥n que quiero obtener.

Elaborar un dise√Īo experimental no es una tarea simple. Normalmente estudiaremos un producto con varios atributos, cada uno de ellos con diferentes niveles. Los posibles dise√Īos experimentales que puedo hacer para estudiar un producto son m√ļltiples.

conjoint-atributos

Ve√°moslo con un ejemplo. Imaginemos que quiero hacer un Conjoint sobre coches y que hemos definido 4 atributos a estudiar (marca, carrocer√≠a, potencia, color), cada uno con 5 niveles (por ejemplo, el color podr√≠a ser negro, blanco, rojo, azul y verde). Combinando los diferentes atributos tengo 5x5x5x5=625 coches diferentes. Si en mi estudio quiero mostrar los productos de 4 en 4, para que el encuestado elija en cada ocasi√≥n cual es su opci√≥n preferida, podr√≠a hacer un total de 625x624x623x622 = 1,5×1011 agrupaciones diferentes.

Viendo el ejemplo anterior, est√° claro que no puedo hacer ‚Äď salvo en ocasiones excepcionales ‚Äď un dise√Īo experimental consistente en preguntar todo a todo el mundo. Debo elegir un conjunto de productos y combinarlos de forma adecuada en una serie de preguntas para lograr informaci√≥n no sesgada de todos los atributos y niveles.

Intuitivamente podemos pensar c√≥mo debe ser un buen dise√Īo. Los niveles de los diferentes atributos deber√≠an aparecer un n√ļmero parejo de veces y deber√≠an compararse entre ellos por igual. Pero, ¬ŅC√≥mo logro este objetivo? En el pr√≥ximo post veremos diferentes estrategias para lograrlo y os hablaremos de un concepto, la eficiencia, que nos permite tener una medida objetiva de la bondad de un dise√Īo.

Programación del cuestionario

El cuestionario online es un elemento clave de la investigaci√≥n cuya importancia a menudo es infravalorada. Existen softwares especializados en estudios Conjoints, capaces de hacer buenos dise√Īos y an√°lisis precisos, pero que ofrecen una experiencia al encuestado muy pobre.

La encuesta es un factor decisivo en la calidad de la información que recolectamos. Expertos metodólogos de todo el mundo han estudiado la influencia que puede tener un formato concreto de pregunta en el dato observado. Esto es especialmente cierto en un estudio Conjoint. Estamos tratando de simular el comportamiento normal de una persona como consumidor, le estamos pidiendo que nos diga qué producto compraría entre varias opciones.

Debemos programar encuestas que reproduzcan lo más fielmente posible una situación de compra, que muestren los productos de forma realista, a ser posible usando fotografías y descripciones similares a las que un consumidor encontraría si fuese a comprar el producto. La simple enumeración de atributos de un producto, en formato tabla de características técnicas, puede producir resultados de baja calidad.

En el post #7 os explicaremos qué tecnologías se utilizan para programar cuestionarios Conjoint y qué posibilidades nos ofrecen para capturar la atención del encuestado y obtener información más veraz.

An√°lisis de resultados

Hacer un buen dise√Īo experimental es complejo, pero hacer un buen an√°lisis de resultados no le va a la zaga. Existen diferentes formas de afrontar el an√°lisis y diversos modelos estad√≠sticos para tratar de reproducir el comportamiento de los consumidores.

La principal decisión que debemos tomar en el momento de analizar resultados es optar por un análisis agregado o por un análisis individualizado.

En un an√°lisis agregado nuestro objetivo es determinar la utilidad media que los consumidores perciben de cada nivel de cada atributo presente en mi producto.

analisis-conjoint

Una vez tengo estas utilidades medias, puedo determinar ‚Äď siempre a nivel agregado ‚Äď qu√© atributos-niveles se perciben m√°s positivamente y qu√© peso tiene cada atributo en la toma de decisiones. Tambi√©n puedo simular qu√© porcentaje de consumidores va a elegir cada uno de los posibles productos que puedo crear mediante la combinaci√≥n de atributos.

Sin embargo, el análisis agregado puede ocultar muchos matices. Los modelos agregados parten de la premisa de que todos los consumidores se comportan de forma similar. Si hay una gran diversidad de opiniones, el modelo puede dar información muy imprecisa. Por ejemplo, un nivel de un atributo puede recibir una utilidad agregada baja y sin embargo estar ocultando un grupo de consumidores que valoran ese nivel muy por encima de la media.

El análisis individual es la solución a este problema. Nos permite calcular utilidades distintas para cada encuestado. Una vez tenemos las utilidades, podemos promediarlas, pero también podemos agrupar participantes, analizar utilidades por sexo, edad o cualquier otra variable, y hacer predicciones de market share más precisas, capturando el comportamiento de cada individuo.

A lo mejor te preguntas por qu√© podr√≠amos querer hacer un an√°lisis agregado si, al parecer, todo son ventajas cuando usamos el an√°lisis individual. Durante mucho tiempo el an√°lisis individual ha sido muy costoso en t√©rminos de tiempo de c√°lculo. S√≥lo con la llegada de modernos y potentes ordenadores ha sido posible reducir el tiempo de an√°lisis a minutos, o unas pocas horas en casos muy complejos. Por otra parte, si el inter√©s √ļnicamente es tener una perspectiva general de utilidades medias, el an√°lisis agregado es suficiente.

 

En el pr√≥ximo post abordaremos c√≥mo dise√Īar un an√°lisis¬†Conjoint. Y lo haremos sin dar nada por sentado, empezando por c√≥mo debemos elegir los atributos del producto que deben formar parte del experimento.

Categoría: conjoint Trackback | Comentarios (1)

Héroes de la investigación: Urpi Torrado

Escrito por Oriol Llauradó el 18 de noviembre 2014

En esta nueva entrega de nuestra secci√≥n mensual H√©roes de la investigaci√≥n hemos tenido la suerte de entrevistar a Urpi Torrado,¬†Gerente General de Datum Internacional, y actual representante de ESOMAR en el Per√ļ. Ha sido ¬†Presidenta de la APEIM (Asociaci√≥n Peruana de Empresas de Investigaci√≥n de Mercados)¬†por dos periodos (2009-2010 y 2011-2012) y atesora una experiencia de m√°s de 20 a√Īos en investigaci√≥n de mercados.

Empecemos. Urpi, cuando eras peque√Īa, de mayor quer√≠as ser…

El problema es que quer√≠a ser todo; doctora, abogada, administradora, traductora, soci√≥loga, antrop√≥loga, estad√≠stica‚Ķen el colegio me fascinaba dibujar pir√°mides poblacionales y los idiomas. Quer√≠a encontrar mi propio camino y no simplemente copiar el de mis padres. Anhelaba aprender todo y no enfrascarme en una sola cosa. Con los a√Īos, me di cuenta que fue esta inquietud la que me trajo hasta la investigaci√≥n de mercados.

¬ŅCu√°ndo y c√≥mo iniciaste tu carrera como investigadora?

Cuando estaba en la universidad, decidí hacer encuestas para ayudar a Datum, pues la empresa es familiar y atravesaba una crisis en ese momento. El trabajo de campo me gustó mucho y me fui involucrando cada vez más, mientras terminaba mi carrera. Fue así como fui pasando por distintas áreas de la empresa y conociendo todos los procesos de la investigación. Sin darme cuenta había encontrado un mundo fascinante en el que decidí quedarme. Este camino lo inicié en 1992.

Urpi Torrado

¬ŅQui√©n ha sido tu h√©roe/hero√≠na en el mundo de la investigaci√≥n?

Muchos, todos…la vida es un aprender sin l√≠mites, aprendemos siempre. ¬†Sin embargo, no puedo dejar de destacar a algunos. Manuel Torrado, mi padre que dej√°ndome ser, supo orientarme y transmitir sus a√Īos de experiencia, pues como uno de los pioneros de la investigaci√≥n en el Per√ļ ha contribuido al desarrolla de la industria.

Charles Philbrook, mi esposo, brillante economista que me reta con sus preguntas y me inspira a seguir investigando.

Si tuvieras que destacar una ¬Ņcu√°l crees que es la cualidad que deber√≠a atesorar todo investigador social?

La curiosidad, buscar más allá del dato y eso implica tener un ojo crítico que no se conforme, que esté permanentemente analizando e interpretando. Los seres humanos somos muy complejos y una lectura poco profunda puede llevarnos a interpretaciones erróneas.

¬ŅC√≥mo te inspiras para crear? ¬ŅQu√© mundos fuera del mundo de la investigaci√≥n te inspiran m√°s?

Mi familia me inspira para crear y para crecer. Los investigadores nunca estamos fuera del mundo de la investigación, siempre estamos observando y analizando. Cuando escuchamos una canción, vemos televisión, leemos un libro o admiramos una obra de arte; siempre estamos buscando significados y pensando en lo que representa.

¬ŅCu√°l dir√≠as que es la investigaci√≥n o el proyecto m√°s interesante que has llevado a cabo?

Cada proyecto es √ļnico. El primero que me impact√≥ fue un estudio con j√≥venes desempleados y sin esperanza en el futuro. Sus historias y comentarios en los focus fueron muy fuertes y es muy gratificante sentir que hemos contribuido en el entendimiento de un sector de la poblaci√≥n.

Otro proyecto interesante fue ‚ÄúLa Encuesta del Milenio‚ÄĚ. En el a√Īo 2,000 publicamos 12 fasc√≠culos (revistas) coleccionables con el diario El Comercio. Cada fasc√≠culo desarrollaba un tema (religi√≥n, empleo, etc.), en el que se presentaban resultados de una encuesta mundial con un zoom de nuestra encuesta en Per√ļ. El tema era analizado por nosotros y por especialistas en la materia, tanto de Per√ļ como de otros pa√≠ses.

¬ŅC√≥mo definir√≠as el momento en el que se encuentra nuestro sector? ¬ŅQu√© se deber√≠a cambiar para agregar valor a las otras piezas del marketing y en √ļltima instancia al ciudadano?

La investigación está pasando por un momento crítico. Por un lado, las nuevas tecnologías, la globalización y el Internet nos motivan a innovar en un mundo cambiante y con un consumidor/ciudadano en evolución permanente. Por otro lado, los clientes todavía están encasillados en la investigación tradicional, y dudosos en dar el salto, a pesar de sentirse atraídos por nuevas técnicas y metodologías.

Cabe resaltar que en este entorno cambiante y de grandes datos (Big Data), la investigación no desaparece, sólo se adapta al entorno. La estadística y el análisis cualitativo siguen siendo los fundamentos. La investigación se transforma. Nuestro mensaje como investigadores es  aprovechar este conocimiento, hacerlo parte de nuestras disciplinas estadísticas y sociales  y buscar la forma de capitalizar oportunidades.

¬ŅC√≥mo te imaginas que ser√° la investigaci√≥n dentro de 10 a√Īos? ¬ŅA qu√© retos piensas que nos enfrentaremos, especialmente en Per√ļ?

La investigaci√≥n se transforma pero mantiene su esencia. Los pr√≥ximos diez a√Īos cambiar√°n a un ritmo mayor que el de los pasados diez a√Īos. Es dif√≠cil saber qu√© vendr√° ni qu√© nuevas¬† formas de investigar existir√°n, pero lo que s√≠ es seguro es que la interpretaci√≥n y el an√°lisis seguir√°n siendo fundamentales para entender a las personas. Cambiar√°n las herramientas y los m√©todos pero seguir√° siendo vital la lectura de la informaci√≥n¬† recogida. La investigaci√≥n en definitiva es y ser√° m√°s que s√≥lo recolecci√≥n de datos.

¬ŅQu√© pel√≠cula recomendar√≠as ver o qu√© libro recomendar√≠as leer a todo investigador/a?

No hay una ‚ÄúBiblia de Investigaci√≥n‚ÄĚ y tampoco creo que un solo libro sea suficiente. Como dec√≠a al inicio, la vida es un aprender sin l√≠mites y es ese aprendizaje constante el que va enriqueciendo nuestra visi√≥n y la lectura e interpretaci√≥n que hacemos de los datos. M√°s que un libro, lo que recomendar√≠a es no encasillarse en un solo tipo de lectura.

El primer libro que despertó mi interés por entender el comportamiento de las personas fueron Thérèse Desqueyroux de Francois Mauriac. Los libros de Alfredo Bryce Echenique, en especial Un Mundo para Julius, me gustan mucho pues en su narrativa se ponen en evidencia algunas características de la sociedad peruana.

Y por √ļltimo, tu lema vital en 1 tuit…

Ama la realidad que construyes.

Muchas gracias por tu tiempo y por tus inspiradoras respuestas, Urpi.

Categoría: H√©roes de la investigaci√≥n Trackback | Comentarios(0)

Bayesianos contra frecuentistas

Escrito por Carlos Ochoa el 17 de noviembre 2014

El edificio de la estadística descansa en el concepto de probabilidad. Y, sin embargo, no existe un consenso universal sobre cómo interpretar este concepto.

Existen dos formas de interpretar la idea de probabilidad: la interpretación clásica (o frecuentista) y la interpretación bayesiana. Mark C. Chu-Carroll nos da una buena explicación al respecto en su blog, que trataré de resumir aquí.

La interpretaci√≥n cl√°sica, mayoritaria por lo menos hasta ahora, define la probabilidad en t√©rminos de experimentaci√≥n. Si repites un experimento un n√ļmero infinito de veces y compruebas que en 350 de cada 1.000 ocasiones se ha producido ¬†un determinado resultado, un frecuentista dir√≠a que la probabilidad de ese resultado es del 35%. Bas√°ndose en esta definici√≥n, un frecuentista afirma que es posible asociar a cada evento una probabilidad de obtener un valor VERDADERO del mismo.

La aproximaci√≥n cl√°sica se basa por lo tanto en estudiar la probabilidad “real” de las cosas, tratando de determinar hasta qu√© punto una medici√≥n realizada sobre un conjunto de experimentos se aproxima a la probabilidad real que subyace. Es por ello que un frecuentista definir√≠a probabilidad como una expresi√≥n matem√°tica que predice en qu√© medida es veros√≠mil que ciertos eventos ocurran bas√°ndose en el patr√≥n observado hasta este momento.

Sir Ronald Fisher

Ronald Fisher. uno de los padres de la estadística frecuentista moderna

Por el contrario, la interpretaci√≥n bayesiana se basa en un conocimiento limitado de las cosas. Afirma que s√≥lo asocias una probabilidad a un evento porque hay incertidumbre sobre el mismo, es decir, porque no conoces todos los hechos. En realidad, un evento dado, o bien ocurrir√° (probabilidad=100%) o bien no ocurrir√° (probabilidad=0%). Cualquier otra cosa es una aproximaci√≥n que hacemos del problema a partir de nuestro conocimiento incompleto del mismo. El enfoque bayesiano se basa por lo tanto en la idea de refinar predicciones a partir de nuevas evidencias. Un bayesiano definir√≠a probabilidad como la expresi√≥n matem√°tica que mide el nivel de conocimiento que tenemos para hacer una predicci√≥n. Por lo tanto, para un bayesiano, estr√≠ctamente hablando es incorrecto decir “predigo que hay un 30% de probabilidades de que ocurra el evento P”, sino que deber√≠a decir “bas√°ndome en el conocimiento actual que tengo, tengo un 30% de certeza de que P ocurrir√°”.

bayes

Thomas Bayes. creador del concepto de probabilidad condicionada que rige el pensamiento bayesiano.

¬ŅImporta tanto la diferencia?

La dos formas de entender una probabilidad son m√°s relevantes de lo que pudiera parecer. Es muy diferente pensar en la probabilidad como el n√ļmero de veces en que un experimento arrojar√° un resultado, a concebirla como el grado de conocimiento que tengo sobre dicho resultado. En varios problemas, ambos enfoques pueden ser equivalentes. En otros, no tanto.

La aproximación bayesiana hace que algunas cosas sean más claras. Emplear una visión clásica lleva a muchas personas a confundir el significado de las estadísticas. Por ejemplo, si un estudio muestra que de cada 100 fumadores 10 van a desarrollar cáncer de pulmón, una interpretación clásica del dato puede llevarnos  pensar que si fumo, tengo un 10% de probabilidad de enfermar. Y esto no es cierto. Lo que realmente nos dice el estudio es que el dato (10 de cada 100 fumadores desarrollan cáncer) puede considerarse como un buen punto de partida para hacer una predicción sobre las opciones de desarrollar cáncer si fumo, pero un bayesiano dejaría muy claro que se trata de un conocimiento muy incompleto, y que por lo tanto no es de mucha utilidad a no ser que disponga de más información para incrementar mi certeza.

Como contrapartida, el razonamiento bayesiano puede llevarnos al absurdo. Un bayesiano cree que puedes hacer un análisis probabilístico prácticamente de cualquier cosa, simplemente alineando los factores que pueden influir en ella y combinando  adecuadamente tu conocimiento sobre esos factores. Esta idea ha sido empleada frecuentemente por auténticos obsesos del pensamiento bayesiano para asignar una probabilidad a la existencia de Dios, a que la tierra haya sido visitada por alienígenas, a que los artistas hayan incluído mensajes secretos en sus pinturas, etc.

Los frecuentistas no son víctimas de este problema. Un frecuentista considera que las probabilidades sólo tienen sentido en el ámbito de experimentos repetibles. Bajo este punto de visto, es absurdo asignar una probabilidad a la existencia de Dios, porque la existencia de un creador del universo no es un problema que podamos repetir y observar numerosas veces.

Los frecuentistas no creen que sea posible asignar una probabilidad a absolutamente cualquier cosa, algo que a menudo es ridículo.

Y entonces, ¬Ņqui√©n tiene raz√≥n?

Probablemente ambos tienen razón. O ambos están equivocados. Hay escenarios en los que la idea de una probabilidad fija basada en un modelo repetible y observable, en un experimento controlado, es demasiado simple. Y otros casos en que la idea de una probabilidad que mide el grado de conocimiento de una cosa es igualmente simplista.

Como en tantas otras cosas de la ciencia – y de la vida – no existe un enfoque universalmente v√°lido. La visi√≥n frecuentista ha aportado un rigor y un sistema de trabajo a muchos √°mbitos de la estad√≠stica, empezando por el c√°lculo del error muestral. La visi√≥n bayesiana, por el contrario, ha mostrado ser una buena herramienta para hacer predicciones sobre sucesos complejos, tomando datos de m√ļltiples fuentes de forma simult√°nea. Tambi√©n es la base de uno de los algoritmos m√°s exitosos en el an√°lisis de utilidad de estudios tipo Conjoint.

En cualquier caso, la polarización de las ideas no suele ser una buena consejera para tomar buenas decisiones. Y en el momento de emplear un enfoque frecuentista o bayesiano de un problema, no deberíamos olvidar esta máxima.

Categoría: Sin categor√≠a | Comentarios desactivados

¬ŅPor qu√© cotilleamos?

Escrito por Oriol Llauradó el 14 de noviembre 2014

A todos nos gusta cotillear, reconozc√°moslo. Hablar sobre otras personas (en su ausencia) es m√°s bien f√°cil, nos cuesta poco, e incluso puede ser divertido.

La universalidad del fen√≥meno ha llamado la atenci√≥n de los antrop√≥logos y les ha llevado a preguntarse de d√≥nde surge esta pasi√≥n ancestral. Parece ser que el cotilleo ha sido durante miles de a√Īos una conducta adaptativa: los individuos que identificaban y seleccionaban a su pareja sin necesidad de entrar en conflicto con los dem√°s, obten√≠an una ventaja competitiva notable. Los individuos mejor informados ten√≠an una mayor probabilidad de alcanzar el √©xito reproductivo.

Desde hace siglos, el cotilleo ha sido una preciosa fuente de información y coordinación social. Hay antropólogos que consideran el fenómeno tan importante que piensan que nuestros antepasados ampliaron su léxico precisamente para poder chismorrear.

1397378849566

Por otro lado, cotillear nos proporciona un cierto estatus: nos hace sentir poseedores de un conocimiento especial y realza nuestro ego ante el grupo.

Aunque el cotilleo sea bienintencionado y tenga sus beneficios, no nos olvidemos de que puede destruir reputaciones y convertir en víctimas a inocentes, especialmente si es anónimo y masivo, como puede suceder en las redes sociales.

De hecho, hay una muy buena raz√≥n para hablar bien de los dem√°s, y es la llamada: “transferencia espont√°nea de rasgos“. Este fen√≥meno consiste en que la gente te atribuir√° los rasgos con los que t√ļ calificas a los dem√°s.¬†Es decir, si insistes llamando “inmorales” a tus compa√Īeros de trabajo, todo el mundo acabar√° asoci√°ndote con la falta de √©tica. O como sab√≠an las abuelas: si no puedes decir una cosa buena de alguien, es mejor no decir nada.

Por cierto, pese a la imagen que ilustra esta entrada, no hay ning√ļn estudio que demuestre que las mujeres cotillean m√°s que los hombres.

Para ampliar información:

http://blogs.elpais.com/verne/2014/11/por-que-nos-gusta-cotillear.html

http://www.newscientist.com/article/mg21128225.700-read-all-about-it-why-we-have-an-appetite-for-gossip.html

Categoría: Sin categor√≠a Trackback | Comentarios(0)

C√°psula 2: Entendiendo el concepto de utilidad

Escrito por Carlos Ochoa el 13 de noviembre 2014

Después de nuestra introducción a los análisis Conjoint, continuamos nuestra serie de posts dedicada a esta metodología hablando del concepto de utilidad, un concepto abstracto pero de enorme utilidad para describir el comportamiento del consumidor.

¬ŅQu√© es la utilidad?

En el anterior post¬† vimos que un estudio Conjoint es capaz de calcular unos n√ļmeros que representan la utilidad que nuestros consumidores asignan a cada uno de los atributos que forman un producto. Pero, ¬Ņqu√© es la utilidad y c√≥mo debemos interpretarla?

La utilidad es un t√©rmino usado en econom√≠a para describir el valor que recibe un consumidor de un bien (un producto, un servicio, una decisi√≥n cualquiera…). La utilidad puede medir cuanto disfruta alguien de una pel√≠cula, o la sensaci√≥n de seguridad que obtiene al comprar un candado. Es posible considerar la utilidad de cualquier objeto o circunstancia, desde comerse una manzana hasta votar por un candidato en unas elecciones. Cualquier decisi√≥n que un individuo hace en su vida diaria puede verse como una comparaci√≥n entre la utilidad que le proporciona esa decisi√≥n frente a otra. O frente a no tomar una decisi√≥n. En definitiva, el individuo elige aquellas elecciones que le proporcionan mayor utilidad.

Sólo las diferencias en utilidad importan

Podemos ir un poco m√°s all√° y cuantificar num√©ricamente la utilidad, de manera que no s√≥lo podamos decir que una decisi√≥n es m√°s √ļtil que otra, sino cuanto m√°s √ļtil es. Eso es justamente lo que hace un an√°lisis Conjoint. Estos n√ļmeros usados para medir utilidades s√≥lo son v√°lidos para hacer comparaciones.

Veamos algunos ejemplos que ilustran este principio. Afirmar que la utilidad que me proporciona el producto A es 100 no me da ninguna información. No significa nada en sí mismo. Utilidad=100 no tiene sentido al ser considerado de forma aislada.

Si la utilidad que me proporciona el producto A es 100 y la del producto B es 12.000, las utilidades empiezan a cobrar sentido. La comparaci√≥n de ambas cantidades me informa de que B es m√°s √ļtil para m√≠ que A, y que por lo tanto voy a elegir B. Sin embargo, no podr√≠a afirmar que B me proporciona 120 veces m√°s utilidad que A, porque la utilidad no es una cantidad.

Del mismo modo, el signo de la utilidad puede ser positivo o negativo, no afecta a su interpretación. Si una opción A tiene una utilidad de -15 y una opción B de -10, seleccionaré la segunda por ser mayor que la primera. La mayor preferencia que tendré por B es idéntica a la que tendría si las utilidades fuesen 0 y 5 respectivamente: hay una diferencia de 5 en la utilidad en ambos casos.

La utilidad: racional pero subjetiva

En econom√≠a asumimos que el individuo se comporta de forma racional, y que por tanto siempre maximiza la utilidad en su toma de decisiones. Cada vez que un individuo elige, act√ļa racionalmente si elige la opci√≥n de mayor utilidad.

utilidad_conjoint

Sin embargo, la utilidad no es un concepto objetivo, sino que se define respecto a un individuo, teniendo en cuenta todas las circunstancias que lo rodean. La decisi√≥n de comer una chocolatina puede ser da√Īina para la salud de una persona, inconveniente si la comparamos con comer una pieza de fruta. Pero si el individuo, en el momento de tomar su decisi√≥n, ignora este da√Īo o simplemente prioriza el disfrute que el chocolate le va a proporcionar en ese momento,¬† estar√° percibiendo mayor utilidad de la chocolatina que de la fruta. El c√°lculo de utilidad tiene en cuenta todos los factores que conducen a una decisi√≥n determinada.

Relación entre utilidad y elección

Un individuo siempre elige la opci√≥n que m√°s utilidad le proporciona. Si A tiene una utilidad de 100 y B de 120, elegir√° B. Y si A tiene una utilidad de 100 y B de 101, seguir√° eligiendo B. Entonces, ¬Ņqu√© importancia tiene la diferencia de utilidad? ¬ŅAcaso s√≥lo importa el hecho de que una opci√≥n tenga mayor o menor utilidad que otra?

Estrictamente es cierto: una vez conocemos la utilidad que percibe una persona de las diferentes opciones, sólo importa cuál es la de mayor utilidad. El individuo siempre elegirá esa opción, no importa lo cerca o lejos que estén las utilidades del resto de opciones.

El problema es que no podemos conocer a ciencia cierta la utilidad que percibe una persona. Sólo podemos tratar de medirla a través de diferentes métodos. El Conjoint es uno de esos métodos.

¬ŅPor qu√© es importante la distinci√≥n entre conocer la utilidad y medirla? Porque toda medici√≥n conlleva un error. Supongamos que mido utilidades a trav√©s de un Conjoint, preguntando a un individuo sobre sus preferencias respecto a varias comparaciones de productos. Si el individuo se equivoca al responder una pregunta, estar√° introduciendo un error en mi medida de su utilidad. Asimismo, si cuando le describo los productos no he incluido los atributos que realmente afectan a su decisi√≥n, puede ser que su respuesta sea diferente a su decisi√≥n en circunstancias reales. Tanto una cosa como la otra ‚Äď errores de respuesta y factores no observados ‚Äď introducen cierto error de medida en la utilidad.

Estos errores de medida hacen que las diferencias de utilidades cobren importancia. Si la utilidad que he medido de A es 100 y la de B es 101, podría ser que los errores de medida estén desviando mi medición lo suficiente como para que en realidad la utilidad de B sea 99. Si eso pasa, mis mediciones me estarían diciendo que el individuo elegirá B pero en realidad elegirá A. Sin embargo, si la medida de A es 100 y la de B es 12.000, es mucho más difícil que los errores puedan hacer que en realidad la utilidad de B esté por debajo de A. Mi previsión de la elección del individuo es mucho más robusta.

utilidad_conjoint2

Probabilidades de elección

Llegamos así a un concepto clave, el concepto de probabilidad de elección: es la probabilidad de que un individuo tome una decisión concreta, teniendo en cuenta la utilidad que he medido para cada opción y la posibilidad de que el error debido a factores no observados cambie esas utilidades.

Si determinamos que la opci√≥n A y la opci√≥n B tienen id√©ntica utilidad, diremos que la probabilidad de elecci√≥n tanto de A como de B es del 50%. Si la utilidad de A es 10 y la utilidad de B es 11, diremos que la opci√≥n B tiene una probabilidad de elecci√≥n mayor que la de A, pero s√≥lo ligeramente, porque un peque√Īo error de medici√≥n podr√≠a hacer que A superase a B. Sin embargo, si la utilidad de A es 10 y la de B es 12.000, la probabilidad de elecci√≥n de B se acercar√° al 100%.

S√≥lo nos queda resolver una cuesti√≥n. ¬ŅC√≥mo determinamos la relaci√≥n entre utilidad y probabilidad de elecci√≥n? ¬ŅQu√© determina si la diferencia de utilidad de 1 unidad es grande o peque√Īa?

Modelo de comportamiento

La respuesta nos la facilita el modelo de comportamiento. Es el modelo estadístico que determina la relación entre las utilidades y las decisiones de los consumidores (es decir, las probabilidades de elección). Lo veremos con mayor detalle en posteriores posts, pero aquí os damos una visión general de esta cuestión.

Existen diferentes modelos de comportamiento. Unos son más simples y otros más complejos. Tendremos que elegir el mejor modelo para el problema que esté estudiando  (y para las capacidades de análisis que tengo).

Veamos un ejemplo. El modelo de comportamiento m√°s ampliamente usado en estudios Conjoint es el Logit Multinomial (MNL en adelante). Este modelo es muy popular por su simplicidad, gracias a algunas hip√≥tesis que no siempre vamos a poder asumir. La principal es asumir que la utilidad es la misma para todo el mundo y que si los individuos eligen diferente, se debe a atributos no observados, que pueden ser diferentes para diferentes personas, y que generan error de medici√≥n. Seg√ļn este modelo, si observ√°semos todos los atributos de los productos, ese error ser√≠a nulo y podr√≠amos predecir perfectamente las decisiones de las personas.

Sabemos que en la práctica no es posible observar todos los factores, por lo tanto siempre tendremos error debido a factores no observados. MNL modela este error mediante una distribución de probabilidad conocida como distribución de valor extremo (extreme value). Es una distribución parecida a la normal o gaussiana: tiene mayor densidad en su zona central (el valor 0 es el más probable) y un rápido decaimiento a medida que nos alejamos del valor central. Pero a diferencia de la distribución normal, la distribución tipo valor extremo es integrable y nos permite conseguir una simple fórmula que relaciona utilidades y probabilidades de elección.

Para un caso con 3 opciones (A, B y C) para las que estimamos que la utilidad de cada opción es Ua, Ub y Uc, la probabilidad de que un individuo elija cada una de las opciones es.

utilidad_conjoint3

Es posible extender esta f√≥rmula para cualquier n√ļmero de opciones. Y puedes comprobar f√°cilmente que la f√≥rmula tiene muy buenas propiedades:

  • Es f√°cil de calcular, las probabilidades siempre son positivas y suman 1.
  • Si todas las opciones tienen la misma utilidad, las probabilidades de elecci√≥n son id√©nticas.
  • Si una opci√≥n tiene mayor utilidad que el resto, su probabilidad ser√° m√°s alta que la del resto. Y cuanto mayor sea la diferencia entre utilidades, mayor ser√° su probabilidad de elecci√≥n. Esto recoge la idea de que si la diferencia es muy grande, es m√°s dif√≠cil que el error produzca un cambio en las elecciones.

¬ŅC√≥mo nos ayuda esto en un estudio Conjoint?

La fórmula anterior predice qué opción elegirá un individuo si conocemos las utilidades de las opciones. Un estudio Conjoint trata de resolver el caso contrario: los individuos nos dicen qué opciones prefieren y nosotros calculamos las utilidades de las opciones.

Esta fórmula nos da la clave para el análisis, como veremos en posteriores posts. Debemos calcular las utilidades que predicen mejor las elecciones que hemos observado.

En el próximo post abordaremos, por fin, cómo llevar a cabo un estudio Conjoint. Qué fases comprende y qué opciones tenemos para cada una. Te esperamos.

Categoría: conjoint Trackback | Comentarios (2)

La mirada sociológica

Escrito por Oriol Llauradó el 11 de noviembre 2014

Dicen que una vez Tales de Mileto cayó en un hoyo y se rompió la pierna, por culpa de ir mirando las estrellas. Confieso que a menudo corro el mismo riesgo, pero no por andar escrutando el firmamento, sino por observar a quienes me rodean.

Todo empezó con la sociología. No me atrevo a escribir la pedantería de que estudiar sociología me cambió la vida. Pero sí que me entrenó a mirar de una manera sutilmente diferente.

Hay una mirada sociológica sobre casi todo, y te animo a aplicarla, estés donde estés:

  • Paseando por la ciudad, puedes averiguar qu√© clase social vive en ese barrio, c√≥mo habla, d√≥nde compra.

  • Cuando est√©s secuestrado en la en√©sima reuni√≥n del comit√© de tu departamento, puedes curiosear qui√©n se sienta al lado de qui√©n, c√≥mo viste cada uno, qui√©n r√≠e espont√°neamente y qui√©n solo lo finge.

  • En un atasco, puedes estudiar la correlaci√≥n entre el volumen al que suenan las radios y las marcas de coche.

Las posibilidades son incontables…en los autobuses, en las colas de los supermercados, en los conciertos: nada escapa a su dominio.

Más allá de convertirte en un Sherlock Holmes de bolsillo, la mirada sociológica te inspirará ideas, te confirmará teorías, o te evocará nuevas posibilidades creativas.

Y sobre todo, lograr√° que nunca te aburras.

Categoría: Investigacion de Mercados Trackback | Comentarios (1)

3 tendencias emergentes en investigación de mercados

Escrito por Oriol Llauradó el 7 de noviembre 2014

Acabamos de conocer los resultados de la 15ª edición del informe GRIT (Greenbook Research Industry Trends). Se trata de un estudio que realiza el portal GreenBook y que resume el estado de nuestra industria y detecta las principales tendencias de futuro.

Los datos se obtienen mediante una encuesta realizada dos veces al a√Īo a los profesionales de nuestro sector que, a fin de cuentas, son quienes conocemos de primera mano las herramientas utilizadas y las necesidades de nuestros clientes.

De entre todas las tendencias apuntadas, destacamos 3:

1. Sigue creciendo el uso de las encuestas online: es la metodología más usada, el 89% de los encuestados declara haberla empleado.

2. Respecto a las nuevas metodologías, sigue consolidándose el uso de las encuestas a través dispositivos móviles y las comunidades online (MROCs), siendo ya dos métodos ampliamente adoptados.

3. Todo apunta a que el análisis de datos volcados masivamente en las redes sociales es una técnica muy próxima a consolidarse, dado el crecimiento que experimenta ola tras ola.

Te animamos a leer y descargar una copia gratuita del informe aquí.

Categoría: Big data | Comunidades | Encuestas Online | Estudios | Investigacion de Mercados | Noticias | Paneles Online Trackback | Comentarios(0)