Menos es m谩s: encuestas en dispositivos m贸viles

Escrito por Albert Turbina el 24 de noviembre 2014

Que el smartphone est谩 entre nosotros y ha venido para quedarse no es ninguna novedad. Igual que tampoco lo es que Espa帽a sea el pa铆s europeo con mayor penetraci贸n de smartphones. Concretamente, se habla de un 66% de penetraci贸n seg煤n el informe sobre apps elaborado por 鈥淭he App Date鈥.

El crecimiento en usuarios que se conectan al internet mediante un smartphone o un tablet en Latinoam茅rica es muy alto. Costa Rica lidera el ranking con un crecimiento del 332% respecto el a帽o anterior. Brasil fue n掳2 en el crecimiento en usuarios del internet m贸vil (244%), seguido por Argentina (221%), Colombia (216%), M茅xico (213%), Chile (185%).

La realidad es esta, el mundo online transcurre en el pc, en la tablet y cada vez m谩s en el 聽smartphone.聽 Por lo tanto s贸lo nos queda una opci贸n: adaptarnos o morir.

post

驴D贸nde estamos?

Si navegamos por las webs m谩s modernas y m谩s de moda se puede observar f谩cilmente que las reglas generales de dise帽o han venido cambiando en los 煤ltimos tiempos. La tendencia va hacia un dise帽o web minimalista. El objetivo principal ahora es combinar dise帽o y funcionalidad de la forma m谩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 m贸vil para navegar, 聽no podemos mostrar lo mismo que antes. Simplemente no cabe en la pantalla y tenemos que ser conscientes de ello.

 

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

Hasta la aparici贸n del smartphone la dificultad del dise帽o 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贸mo pod铆a visualizarse correctamente desde todos ellos. Pero en esa 茅poca siempre se conviv铆a con tama帽os de pantalla muy similares.

Ahora a todo esto se a帽aden: 聽Androids, iOS, Windows phone, smartphones, tablets, phablets, ipads鈥 un mont贸n de palabras que no indican nada m谩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贸n que se ha aplicado de manera global se llama 鈥榬esponsive web design鈥 o dise帽o adaptativo, es decir, la web se adapta al tama帽o de la pantalla en el que est谩 siendo visualizada. De este modo solucionamos todo el problema de dispositivos. Os animo a que abr谩is la web de www.netquest.com y hag谩is la ventana m谩s estrecha, ver茅is como se adapta a la ventana, 隆es responsive!

Muy bien, pero yo soy investigador, 驴en qu茅 me afecta esto?

Probablemente seas poseedor de un smartphone y聽 hayas navegado por una web que no est谩 adaptada al m贸vil. Y, supongo que estaremos de acuerdo, la experiencia es muy desagradable.

Y eso en el caso en que se le pueda llamar 鈥渆xperiencia鈥濃,porque lo habitual es cerrar la web y pensar 鈥渓o miro esta noche en casa鈥, algo que probablemente no suceda porque nos olvidaremos.

A lo mejor piensas 鈥渘o lo entiendo, pero nosotros hacemos encuestas y no p谩ginas web, 驴no?鈥. S铆, pero las encuestas son p谩ginas web, est谩n online y por lo tanto accesibles desde cualquier dispositivo y desde cualquier lugar.

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

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

Si nos fijamos en Latinoam茅rica, por ejemplo en Brasil, los datos son entre un聽 8 y 10% en m贸vil y 2% en Tablet. M茅xico (13% smartphone y 4% en Tablet) o Argentina (10% m贸vil 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贸vil y as铆 ya no existe el problema.

Este es un enfoque que creo que es un error. Estar铆amos dejando fuera de nuestro an谩lisis entre un 10 y un 20% de la poblaci贸n online. Probablemente estos participantes que estamos dejando fuera son personas de un target dif铆cil de obtener, como son los j贸venes y adolescentes. O si hablamos de Latinoam茅rica, 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 m贸vil y llegar a un punto donde ves una bater铆a de preguntas de 10 filas y 10 columnas que no hay manera de responder porque no se entiende nada.

En un caso como 茅ste, es muy importante indicar al inicio de la encuesta que por el motivo que sea no se puede responder desde m贸vil. 聽Al fin y al cabo, seguro que encontrar谩s casos en los que la encuesta s贸lo 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 m贸vil. Pero es nuestra obligaci贸n informar al usuario y facilitarle el acceso desde otras plataformas como el tablet o PC.

  • Estrategia 3. Mobile first

Sin duda, 隆es la estrategia buena!

La tendencia dominante en dise帽o web es la del 鈥榤obile first鈥. Se trata simplemente de pensar primero en c贸mo se ver谩 el contenido en el smartphone. La idea de fondo es muy b谩sica: si algo se ve bien en el m贸vil seguro que se ver谩 bien en tablet o en PC.

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

En primer lugar, la forma en la que mostraremos las cosas es importante. No hagamos aquella bater铆a聽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贸n por otras v铆as totalmente nuevas, 驴qu茅 tal una pregunta de arrastrar los conceptos?

El contenido de la encuesta debe ser m谩s compacto, los enunciados m谩s cortos y las frases m谩s sint茅ticas. Al escribir la encuesta, cuando no estamos seguros de si algo se entender谩, lo f谩cil es poner m谩s y m谩s texto, lo dif铆cil es decirlo bien en pocas palabras.

Como dijo una vez Blaise Pascal al terminar una carta que envi贸 a un amigo: 鈥淵鈥 si he escrito esta carta tan larga, ha sido porque no he tenido tiempo de hacerla m谩s corta.鈥

Recomendaci贸n final

El m贸vil es una realidad y requiere ser atendida. Haz que sea usable y c贸modo responder una encuesta en 茅l,聽 usa botones de respuesta grandes, usa otras t茅cnicas; emplea colores en las escalas si crees que lo hace m谩s claro, di lo mismo de otra manera y si la encuesta es muy larga, div铆dela en dos.

Recuerda: Minimalista, responsivo y 隆piensa en m贸vil primero!

En definitiva, juega, piensa y aprende de nuevo, pero recuerda: ahora 鈥榤enos es m谩s鈥.

Categoría: moviles Trackback | Comentarios(0)

C谩psula 3: Fases de un Conjoint

Escrito por Carlos Ochoa el 20 de noviembre 2014

Tras dos posts dedicados a hacer una descripci贸n conceptual de un estudio del an谩lisis Conjoint, entramos por fin en materia. Anteriormente, hablamos del concepto de utilidad y en esta entrega de nuestra serie de publicaciones dedicadas a esta metodolog铆a te explicamos qu茅 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 an谩lisis Conjoint es algo m谩s que una encuesta. No nos limitamos a preguntar a una muestra de nuestros consumidores su opini贸n sobre un producto. Estamos sometiendo a nuestros consumidores a un experimento. Les mostramos unos est铆mulos siguiendo una planificaci贸n previa, observamos su comportamiento y analizamos los datos que obtenemos.

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

1 – Dise帽o experimental.

2 – 聽Ejecuci贸n del experimento, en nuestro caso es la programaci贸n y administraci贸n del cuestionario.

3 – An谩lisis de resultados.

Dise帽o 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贸n preferida entre los mostrados. Pero, 驴qu茅 productos debo mostrar y en qu茅 forma los agrupo? Dar respuesta a estas preguntas es hacer un dise帽o experimental. Un dise帽o es la definici贸n de qu茅 est铆mulos ver谩 la muestra con el objetivo de optimizar la informaci贸n que quiero obtener.

Elaborar un dise帽o experimental no es una tarea simple. Normalmente estudiaremos un producto con varios atributos, cada uno de ellos con diferentes niveles. Los posibles dise帽os experimentales que puedo hacer para estudiar un producto son m煤ltiples.

conjoint-atributos

Ve谩moslo con un ejemplo. Imaginemos que quiero hacer un Conjoint sobre coches y que hemos definido 4 atributos a estudiar (marca, carrocer铆a, potencia, color), cada uno con 5 niveles (por ejemplo, el color podr铆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贸n cual es su opci贸n preferida, podr铆a hacer un total de 625x624x623x622 = 1,5×1011 agrupaciones diferentes.

Viendo el ejemplo anterior, est谩 claro que no puedo hacer 鈥 salvo en ocasiones excepcionales 鈥 un dise帽o 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贸n no sesgada de todos los atributos y niveles.

Intuitivamente podemos pensar c贸mo debe ser un buen dise帽o. Los niveles de los diferentes atributos deber铆an aparecer un n煤mero parejo de veces y deber铆an compararse entre ellos por igual. Pero, 驴C贸mo logro este objetivo? En el pr贸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帽o.

Programaci贸n del cuestionario

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

La encuesta es un factor decisivo en la calidad de la informaci贸n que recolectamos. Expertos metod贸logos 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 qu茅 producto comprar铆a entre varias opciones.

Debemos programar encuestas que reproduzcan lo m谩s fielmente posible una situaci贸n de compra, que muestren los productos de forma realista, a ser posible usando fotograf铆as y descripciones similares a las que un consumidor encontrar铆a si fuese a comprar el producto. La simple enumeraci贸n de atributos de un producto, en formato tabla de caracter铆sticas t茅cnicas, puede producir resultados de baja calidad.

En el post #7 os explicaremos qu茅 tecnolog铆as se utilizan para programar cuestionarios Conjoint y qu茅 posibilidades nos ofrecen para capturar la atenci贸n del encuestado y obtener informaci贸n m谩s veraz.

An谩lisis de resultados

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

La principal decisi贸n que debemos tomar en el momento de analizar resultados es optar por un an谩lisis agregado o por un an谩lisis individualizado.

En un an谩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 鈥 siempre a nivel agregado 鈥 qu茅 atributos-niveles se perciben m谩s positivamente y qu茅 peso tiene cada atributo en la toma de decisiones. Tambi茅n puedo simular qu茅 porcentaje de consumidores va a elegir cada uno de los posibles productos que puedo crear mediante la combinaci贸n de atributos.

Sin embargo, el an谩lisis 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 informaci贸n 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 an谩lisis individual es la soluci贸n a este problema. Nos permite calcular utilidades distintas para cada encuestado. Una vez tenemos las utilidades, podemos promediarlas, pero tambi茅n podemos agrupar participantes, analizar utilidades por sexo, edad o cualquier otra variable, y hacer predicciones de market share m谩s precisas, capturando el comportamiento de cada individuo.

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

 

En el pr贸ximo post abordaremos c贸mo dise帽ar un an谩lisis聽Conjoint. Y lo haremos sin dar nada por sentado, empezando por c贸mo debemos elegir los atributos del producto que deben formar parte del experimento.

Categoría: conjoint Trackback | Comentarios(0)

H茅roes de la investigaci贸n: Urpi Torrado

Escrito por Oriol Llaurad贸 el 18 de noviembre 2014

En esta nueva entrega de nuestra secci贸n mensual H茅roes de la investigaci贸n hemos tenido la suerte de entrevistar a Urpi Torrado,聽Gerente General de Datum Internacional, y actual representante de ESOMAR en el Per煤. Ha sido 聽Presidenta de la APEIM (Asociaci贸n Peruana de Empresas de Investigaci贸n de Mercados)聽por dos periodos (2009-2010 y 2011-2012) y atesora una experiencia de m谩s de 20 a帽os en investigaci贸n de mercados.

Empecemos. Urpi, cuando eras peque帽a, de mayor quer铆as ser…

El problema es que quer铆a ser todo; doctora, abogada, administradora, traductora, soci贸loga, antrop贸loga, estad铆stica鈥n el colegio me fascinaba dibujar pir谩mides poblacionales y los idiomas. Quer铆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帽os, me di cuenta que fue esta inquietud la que me trajo hasta la investigaci贸n de mercados.

驴Cu谩ndo y c贸mo iniciaste tu carrera como investigadora?

Cuando estaba en la universidad, decid铆 hacer encuestas para ayudar a Datum, pues la empresa es familiar y atravesaba una crisis en ese momento. El trabajo de campo me gust贸 mucho y me fui involucrando cada vez m谩s, mientras terminaba mi carrera. Fue as铆 como fui pasando por distintas 谩reas de la empresa y conociendo todos los procesos de la investigaci贸n. Sin darme cuenta hab铆a encontrado un mundo fascinante en el que decid铆 quedarme. Este camino lo inici茅 en 1992.

Urpi Torrado

驴Qui茅n ha sido tu h茅roe/hero铆na en el mundo de la investigaci贸n?

Muchos, todos…la vida es un aprender sin l铆mites, aprendemos siempre. 聽Sin embargo, no puedo dejar de destacar a algunos. Manuel Torrado, mi padre que dej谩ndome ser, supo orientarme y transmitir sus a帽os de experiencia, pues como uno de los pioneros de la investigaci贸n en el Per煤 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 驴cu谩l crees que es la cualidad que deber铆a atesorar todo investigador social?

La curiosidad, buscar m谩s all谩 del dato y eso implica tener un ojo cr铆tico que no se conforme, que est茅 permanentemente analizando e interpretando. Los seres humanos somos muy complejos y una lectura poco profunda puede llevarnos a interpretaciones err贸neas.

驴C贸mo te inspiras para crear? 驴Qu茅 mundos fuera del mundo de la investigaci贸n te inspiran m谩s?

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

驴Cu谩l dir铆as que es la investigaci贸n o el proyecto m谩s interesante que has llevado a cabo?

Cada proyecto es 煤nico. El primero que me impact贸 fue un estudio con j贸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贸n.

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

驴C贸mo definir铆as el momento en el que se encuentra nuestro sector? 驴Qu茅 se deber铆a cambiar para agregar valor a las otras piezas del marketing y en 煤ltima instancia al ciudadano?

La investigaci贸n est谩 pasando por un momento cr铆tico. Por un lado, las nuevas tecnolog铆as, la globalizaci贸n y el Internet nos motivan a innovar en un mundo cambiante y con un consumidor/ciudadano en evoluci贸n permanente. Por otro lado, los clientes todav铆a est谩n encasillados en la investigaci贸n tradicional, y dudosos en dar el salto, a pesar de sentirse atra铆dos por nuevas t茅cnicas y metodolog铆as.

Cabe resaltar que en este entorno cambiante y de grandes datos (Big Data), la investigaci贸n no desaparece, s贸lo se adapta al entorno. La estad铆stica y el an谩lisis cualitativo siguen siendo los fundamentos. La investigaci贸n se transforma. Nuestro mensaje como investigadores es聽 aprovechar este conocimiento, hacerlo parte de nuestras disciplinas estad铆sticas y sociales聽 y buscar la forma de capitalizar oportunidades.

驴C贸mo te imaginas que ser谩 la investigaci贸n dentro de 10 a帽os? 驴A qu茅 retos piensas que nos enfrentaremos, especialmente en Per煤?

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

驴Qu茅 pel铆cula recomendar铆as ver o qu茅 libro recomendar铆as leer a todo investigador/a?

No hay una 鈥淏iblia de Investigaci贸n鈥 y tampoco creo que un solo libro sea suficiente. Como dec铆a al inicio, la vida es un aprender sin l铆mites y es ese aprendizaje constante el que va enriqueciendo nuestra visi贸n y la lectura e interpretaci贸n que hacemos de los datos. M谩s que un libro, lo que recomendar铆a es no encasillarse en un solo tipo de lectura.

El primer libro que despert贸 mi inter茅s por entender el comportamiento de las personas fueron Th茅r猫se 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 caracter铆sticas de la sociedad peruana.

Y por 煤ltimo, tu lema vital en 1 tuit…

Ama la realidad que construyes.

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

Categoría: H茅roes de la investigaci贸n Trackback | Comentarios(0)

Bayesianos contra frecuentistas

Escrito por Carlos Ochoa el 17 de noviembre 2014

El edificio de la estad铆stica descansa en el concepto de probabilidad. Y, sin embargo, no existe un consenso universal sobre c贸mo interpretar este concepto.

Existen dos formas de interpretar la idea de probabilidad: la interpretaci贸n cl谩sica (o frecuentista) y la interpretaci贸n bayesiana. Mark C. Chu-Carroll nos da una buena explicaci贸n al respecto en su blog, que tratar茅 de resumir aqu铆.

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

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

Sir Ronald Fisher

Ronald Fisher. uno de los padres de la estad铆stica frecuentista moderna

Por el contrario, la interpretaci贸n bayesiana se basa en un conocimiento limitado de las cosas. Afirma que s贸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谩 (probabilidad=100%) o bien no ocurrir谩 (probabilidad=0%). Cualquier otra cosa es una aproximaci贸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铆a probabilidad como la expresi贸n matem谩tica que mide el nivel de conocimiento que tenemos para hacer una predicci贸n. Por lo tanto, para un bayesiano, estr铆ctamente hablando es incorrecto decir “predigo que hay un 30% de probabilidades de que ocurra el evento P”, sino que deber铆a decir “bas谩ndome en el conocimiento actual que tengo, tengo un 30% de certeza de que P ocurrir谩”.

bayes

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

驴Importa tanto la diferencia?

La dos formas de entender una probabilidad son m谩s relevantes de lo que pudiera parecer. Es muy diferente pensar en la probabilidad como el n煤mero de veces en que un experimento arrojar谩 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 aproximaci贸n bayesiana hace que algunas cosas sean m谩s claras. Emplear una visi贸n cl谩sica lleva a muchas personas a confundir el significado de las estad铆sticas. Por ejemplo, si un estudio muestra que de cada 100 fumadores 10 van a desarrollar c谩ncer de pulm贸n, una interpretaci贸n cl谩sica del dato puede llevarnos 聽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 c谩ncer) puede considerarse como un buen punto de partida para hacer una predicci贸n sobre las opciones de desarrollar c谩ncer si fumo, pero un bayesiano dejar铆a 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 m谩s informaci贸n para incrementar mi certeza.

Como contrapartida, el razonamiento bayesiano puede llevarnos al absurdo. Un bayesiano cree que puedes hacer un an谩lisis probabil铆stico pr谩cticamente de cualquier cosa, simplemente alineando los factores que pueden influir en ella y combinando 聽adecuadamente tu conocimiento sobre esos factores. Esta idea ha sido empleada frecuentemente por aut茅nticos obsesos del pensamiento bayesiano para asignar una probabilidad a la existencia de Dios, a que la tierra haya sido visitada por alien铆genas, a que los artistas hayan inclu铆do mensajes secretos en sus pinturas, etc.

Los frecuentistas no son v铆ctimas de este problema. Un frecuentista considera que las probabilidades s贸lo tienen sentido en el 谩mbito 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 rid铆culo.

Y entonces, 驴qui茅n tiene raz贸n?

Probablemente ambos tienen raz贸n. O ambos est谩n 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谩lido. La visi贸n frecuentista ha aportado un rigor y un sistema de trabajo a muchos 谩mbitos de la estad铆stica, empezando por el c谩lculo del error muestral. La visi贸n bayesiana, por el contrario, ha mostrado ser una buena herramienta para hacer predicciones sobre sucesos complejos, tomando datos de m煤ltiples fuentes de forma simult谩nea. Tambi茅n es la base de uno de los algoritmos m谩s exitosos en el an谩lisis de utilidad de estudios tipo Conjoint.

En cualquier caso, la polarizaci贸n 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 deber铆amos olvidar esta m谩xima.

Categoría: Sin categor铆a | Comentarios desactivados

驴Por qu茅 cotilleamos?

Escrito por Oriol Llaurad贸 el 14 de noviembre 2014

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

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

Desde hace siglos, el cotilleo ha sido una preciosa fuente de informaci贸n y coordinaci贸n social.聽Hay antrop贸logos que consideran el fen贸meno tan importante que piensan que nuestros antepasados ampliaron su l茅xico 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 v铆ctimas a inocentes, especialmente si es an贸nimo y masivo, como puede suceder en las redes sociales.

De hecho, hay una muy buena raz贸n para hablar bien de los dem谩s, y es la llamada: “transferencia espont谩nea de rasgos“. Este fen贸meno consiste en que la gente te atribuir谩 los rasgos con los que t煤 calificas a los dem谩s.聽Es decir, si insistes llamando “inmorales” a tus compa帽eros de trabajo, todo el mundo acabar谩 asoci谩ndote con la falta de 茅tica. O como sab铆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煤n estudio que demuestre que las mujeres cotillean m谩s que los hombres.

Para ampliar informaci贸n:

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铆a Trackback | Comentarios(0)

C谩psula 2: Entendiendo el concepto de utilidad

Escrito por Carlos Ochoa el 13 de noviembre 2014

Despu茅s de nuestra introducci贸n a los an谩lisis Conjoint, continuamos nuestra serie de posts dedicada a esta metodolog铆a hablando del concepto de utilidad, un concepto abstracto pero de enorme utilidad para describir el comportamiento del consumidor.

驴Qu茅 es la utilidad?

En el anterior post聽 vimos que un estudio Conjoint es capaz de calcular unos n煤meros que representan la utilidad que nuestros consumidores asignan a cada uno de los atributos que forman un producto. Pero, 驴qu茅 es la utilidad y c贸mo debemos interpretarla?

La utilidad es un t茅rmino usado en econom铆a para describir el valor que recibe un consumidor de un bien (un producto, un servicio, una decisi贸n cualquiera…). La utilidad puede medir cuanto disfruta alguien de una pel铆cula, o la sensaci贸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贸n que un individuo hace en su vida diaria puede verse como una comparaci贸n entre la utilidad que le proporciona esa decisi贸n frente a otra. O frente a no tomar una decisi贸n. En definitiva, el individuo elige aquellas elecciones que le proporcionan mayor utilidad.

S贸lo las diferencias en utilidad importan

Podemos ir un poco m谩s all谩 y cuantificar num茅ricamente la utilidad, de manera que no s贸lo podamos decir que una decisi贸n es m谩s 煤til que otra, sino cuanto m谩s 煤til es. Eso es justamente lo que hace un an谩lisis Conjoint. Estos n煤meros usados para medir utilidades s贸lo son v谩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 informaci贸n. No significa nada en s铆 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贸n de ambas cantidades me informa de que B es m谩s 煤til para m铆 que A, y que por lo tanto voy a elegir B. Sin embargo, no podr铆a afirmar que B me proporciona 120 veces m谩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 interpretaci贸n. Si una opci贸n A tiene una utilidad de -15 y una opci贸n B de -10, seleccionar茅 la segunda por ser mayor que la primera. La mayor preferencia que tendr茅 por B es id茅ntica a la que tendr铆a 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铆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煤a racionalmente si elige la opci贸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贸n de comer una chocolatina puede ser da帽ina 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贸n, ignora este da帽o o simplemente prioriza el disfrute que el chocolate le va a proporcionar en ese momento,聽 estar谩 percibiendo mayor utilidad de la chocolatina que de la fruta. El c谩lculo de utilidad tiene en cuenta todos los factores que conducen a una decisi贸n determinada.

Relaci贸n entre utilidad y elecci贸n

Un individuo siempre elige la opci贸n que m谩s utilidad le proporciona. Si A tiene una utilidad de 100 y B de 120, elegir谩 B. Y si A tiene una utilidad de 100 y B de 101, seguir谩 eligiendo B. Entonces, 驴qu茅 importancia tiene la diferencia de utilidad? 驴Acaso s贸lo importa el hecho de que una opci贸n tenga mayor o menor utilidad que otra?

Estrictamente es cierto: una vez conocemos la utilidad que percibe una persona de las diferentes opciones, s贸lo importa cu谩l es la de mayor utilidad. El individuo siempre elegir谩 esa opci贸n, no importa lo cerca o lejos que est茅n las utilidades del resto de opciones.

El problema es que no podemos conocer a ciencia cierta la utilidad que percibe una persona. S贸lo podemos tratar de medirla a trav茅s de diferentes m茅todos. El Conjoint es uno de esos m茅todos.

驴Por qu茅 es importante la distinci贸n entre conocer la utilidad y medirla? Porque toda medici贸n conlleva un error. Supongamos que mido utilidades a trav茅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谩 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贸n, puede ser que su respuesta sea diferente a su decisi贸n en circunstancias reales. Tanto una cosa como la otra 鈥 errores de respuesta y factores no observados 鈥 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, podr铆a ser que los errores de medida est茅n desviando mi medici贸n lo suficiente como para que en realidad la utilidad de B sea 99. Si eso pasa, mis mediciones me estar铆an diciendo que el individuo elegir谩 B pero en realidad elegir谩 A. Sin embargo, si la medida de A es 100 y la de B es 12.000, es mucho m谩s dif铆cil que los errores puedan hacer que en realidad la utilidad de B est茅 por debajo de A. Mi previsi贸n de la elecci贸n del individuo es mucho m谩s robusta.

utilidad_conjoint2

Probabilidades de elecci贸n

Llegamos as铆 a un concepto clave, el concepto de probabilidad de elecci贸n: es la probabilidad de que un individuo tome una decisi贸n concreta, teniendo en cuenta la utilidad que he medido para cada opci贸n y la posibilidad de que el error debido a factores no observados cambie esas utilidades.

Si determinamos que la opci贸n A y la opci贸n B tienen id茅ntica utilidad, diremos que la probabilidad de elecci贸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贸n B tiene una probabilidad de elecci贸n mayor que la de A, pero s贸lo ligeramente, porque un peque帽o error de medici贸n podr铆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贸n de B se acercar谩 al 100%.

S贸lo nos queda resolver una cuesti贸n. 驴C贸mo determinamos la relaci贸n entre utilidad y probabilidad de elecci贸n? 驴Qu茅 determina si la diferencia de utilidad de 1 unidad es grande o peque帽a?

Modelo de comportamiento

La respuesta nos la facilita el modelo de comportamiento. Es el modelo estad铆stico que determina la relaci贸n entre las utilidades y las decisiones de los consumidores (es decir, las probabilidades de elecci贸n). Lo veremos con mayor detalle en posteriores posts, pero aqu铆 os damos una visi贸n general de esta cuesti贸n.

Existen diferentes modelos de comportamiento. Unos son m谩s simples y otros m谩s complejos. Tendremos que elegir el mejor modelo para el problema que est茅 estudiando聽 (y para las capacidades de an谩lisis que tengo).

Veamos un ejemplo. El modelo de comportamiento m谩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贸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贸n. Seg煤n este modelo, si observ谩semos todos los atributos de los productos, ese error ser铆a nulo y podr铆amos predecir perfectamente las decisiones de las personas.

Sabemos que en la pr谩ctica no es posible observar todos los factores, por lo tanto siempre tendremos error debido a factores no observados. MNL modela este error mediante una distribuci贸n de probabilidad conocida como distribuci贸n de valor extremo (extreme value). Es una distribuci贸n parecida a la normal o gaussiana: tiene mayor densidad en su zona central (el valor 0 es el m谩s probable) y un r谩pido decaimiento a medida que nos alejamos del valor central. Pero a diferencia de la distribuci贸n normal, la distribuci贸n tipo valor extremo es integrable y nos permite conseguir una simple f贸rmula que relaciona utilidades y probabilidades de elecci贸n.

Para un caso con 3 opciones (A, B y C) para las que estimamos que la utilidad de cada opci贸n 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贸rmula para cualquier n煤mero de opciones. Y puedes comprobar f谩cilmente que la f贸rmula tiene muy buenas propiedades:

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

驴C贸mo nos ayuda esto en un estudio Conjoint?

La f贸rmula anterior predice qu茅 opci贸n elegir谩 un individuo si conocemos las utilidades de las opciones. Un estudio Conjoint trata de resolver el caso contrario: los individuos nos dicen qu茅 opciones prefieren y nosotros calculamos las utilidades de las opciones.

Esta f贸rmula nos da la clave para el an谩lisis, como veremos en posteriores posts. Debemos calcular las utilidades que predicen mejor las elecciones que hemos observado.

En el pr贸ximo post abordaremos, por fin, c贸mo llevar a cabo un estudio Conjoint. Qu茅 fases comprende y qu茅 opciones tenemos para cada una. Te esperamos.

Categoría: conjoint Trackback | Comentarios (2)

La mirada sociol贸gica

Escrito por Oriol Llaurad贸 el 11 de noviembre 2014

Dicen que una vez Tales de Mileto cay贸 en un hoyo y se rompi贸 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 empez贸 con la sociolog铆a. No me atrevo a escribir la pedanter铆a de que estudiar sociolog铆a me cambi贸 la vida. Pero s铆 que me entren贸 a mirar de una manera sutilmente diferente.

Hay una mirada sociol贸gica sobre casi todo, y te animo a aplicarla, est茅s donde est茅s:

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

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

  • En un atasco, puedes estudiar la correlaci贸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.

M谩s all谩 de convertirte en un Sherlock Holmes de bolsillo, la mirada sociol贸gica te inspirar谩 ideas, te confirmar谩 teor铆as, o te evocar谩 nuevas posibilidades creativas.

Y sobre todo, lograr谩 que nunca te aburras.

Categoría: Investigacion de Mercados Trackback | Comentarios (1)

3 tendencias emergentes en investigaci贸n de mercados

Escrito por Oriol Llaurad贸 el 7 de noviembre 2014

Acabamos de conocer los resultados de la 15陋 edici贸n del informe GRIT (Greenbook Research Industry Trends). Se trata de un estudio que realiza el portal GreenBook聽y聽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帽o 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:聽es la metodolog铆a m谩s usada, el 89% de los encuestados declara haberla empleado.

2.聽Respecto a las nuevas metodolog铆as, sigue consolid谩ndose el uso de las聽encuestas a trav茅s dispositivos m贸viles y las comunidades online (MROCs), siendo ya dos m茅todos ampliamente adoptados.

3. Todo apunta a que el an谩lisis de datos volcados masivamente en las redes sociales es una t茅cnica muy pr贸xima a consolidarse,聽dado el crecimiento que experimenta ola tras ola.

Te animamos a leer y descargar una copia gratuita del informe聽aqu铆.

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

C谩psula 1: Qu茅 es un estudio Conjoint y como utilizarlo

Escrito por Cristina Medina el 6 de noviembre 2014

Iniciamos con este post una serie de 10 entregas que publicaremos cada jueves, a trav茅s de las cuales queremos explicar qu茅 son los estudios Conjoint, para qu茅 se utilizan y c贸mo puedes llevarlos a cabo. Nuestro prop贸sito es romper el mito que rodea a esta metodolog铆a y que hace creer a muchos investigadores de mercado que un Conjoint no est谩 a su alcance. Para ello, explicaremos paso a paso todo lo que deber铆as saber sobre esta forma de investigaci贸n, sin dar nada por sabido, entrando en detalle cuando lo creamos conveniente, pero manteniendo siempre un lenguaje llano y directo. 隆A ver si lo conseguimos!

驴Qu茅 es un estudio Conjoint?

Es una t茅cnica estad铆stica que permite evaluar en qu茅 medida los consumidores valoran las caracter铆sticas que componen un producto o servicio. Esta evaluaci贸n se hace pidiendo a una muestra de la poblaci贸n que indique sus preferencias respecto a una sucesi贸n de posibles productos, cada uno definido por unas caracter铆sticas determinadas. El an谩lisis de sus preferencias nos permite conocer c贸mo valoran los consumidores cada una de las caracter铆sticas que componen el producto.

Antes de seguir, un poco de terminolog铆a. A partir de este momento, usaremos la palabra atributo para referirnos a una caracter铆stica de un producto: el color de un coche, el precio del computador, la marca de unos pantalones… Las diferentes alternativas que puede tener un atributo, las denominaremos niveles. As铆, por ejemplo, el atributo color de un coche podr铆a tener 5 niveles 鈥渂lanco, negro, rojo, azul y verde鈥. Por 煤ltimo, el valor que un usuario percibe de un atributo-nivel recibe el nombre utilidad. Trataremos de respetar esta nomenclatura de aqu铆 en adelante.

conjoint_atributos

Usando esta terminolog铆a, podemos decir que un Conjoint permite calcular qu茅 utilidad perciben los consumidores de los diferentes niveles de cada atributo de un producto.

Pero, 驴por qu茅 hace falta un estudio Conjoint para medir la utilidad de los atributos? 驴No podemos preguntar directamente a los consumidores por los atributos? La respuesta es no. Preguntar directamente no funciona. Veamos un ejemplo. Supongamos que queremos determinar qu茅 valora m谩s un conductor en el momento de comprar un coche. Si le preguntamos en qu茅 medida le importan la seguridad, el precio y el confort, seguramente nos responder谩 que todo es importante. Apenas obtendremos informaci贸n de sus respuestas.

Un estudio Conjoint combina los diferentes niveles de los atributos para crear productos realistas. Por ejemplo, podr铆amos preguntar por un coche muy seguro, pero muy caro y con bajo nivel de confort. O por un coche menos seguro, pero muy econ贸mico y con un nivel medio de confort. Al preguntar por productos, combinamos atributos buenos y malos para el respondiente, y le obligamos a decidir en funci贸n de qu茅 es m谩s importante para 茅l. Estas decisiones contienen informaci贸n realista que nos permite estimar qu茅 atributos est谩n siendo m谩s valorados por el decisor (es decir, tienen mayor utilidad).

conjoint-atributos

Un poco de historia…

El origen de esta t茅cnica debemos buscarlo en el 谩rea de la psicolog铆a matem谩tica, en los a帽os 70. La idea naci贸 de Paul Green en la Wharton School de la Universidad de Pensilvania. Green fue el primero en preguntar sobre productos compuestos para medir atributos. En los a帽os 80, Jordan Louviere (Universidad de Iowa) desarroll贸 una mejora decisiva de esta t茅cnica: en lugar de medir la preferencia del consumidor mediante escalas num茅ricas, propuso emplear comparaciones entre diferentes productos. Analizando las elecciones del encuestado era posible inferir qu茅 valor ten铆a cada atributo. De esta forma, Louviere dio lugar a lo que hoy en d铆a se conoce como t茅cnicas Choice-based Conjoint (CBC) y a otras t茅cnicas relacionadas, como el Maxdiff, de las que hablaremos m谩s adelante.

La metodolog铆a Conjoint pronto recibi贸 gran atenci贸n por parte de profesionales de la psicolog铆a, el marketing, la publicidad, economistas y dise帽adores. Sin embargo, su uso se ha visto limitado durante muchos a帽os principalmente por dos razones. La primera, la complejidad de dise帽ar, ejecutar y analizar un estudio de este tipo, algo que a menudo ha intimidado a profesionales que potencialmente podr铆an haberse beneficiado de esta t茅cnica. La segunda raz贸n, la potencia de los ordenadores de los a帽os 80 y 90 no permit铆a analizar estudios Conjoint medianamente complejos.

En los 煤ltimos 5 a帽os esta t茅cnica ha vuelto a recibir la atenci贸n de los investigadores. Por una parte, los ordenadores actuales pueden llevar a cabo an谩lisis complejos en minutos, o unas pocas horas como m谩ximo. Este factor ha permitido el desarrollo de nuevos modelos matem谩ticos para estimar utilidades con mayor precisi贸n, llegando incluso a estimar la utilidad a nivel de individuo. Por 煤ltimo, la irrupci贸n del cuestionario online ha mejorado la obtenci贸n de informaci贸n de los consumidores.

En qu茅 casos es 煤til un Conjoint

Algunas de las cosas que podemos hacer gracias a los resultados de los estudios Conjoint son:

  • Detectar qu茅 niveles de los atributos de un producto son m谩s valorados por los consumidores.
  • Saber cu谩nto pesa un atributo en la decisi贸n de compra.
  • Predecir el 茅xito que podemos esperar de un nuevo producto.
  • Evaluar el market share que resultar铆a de enfrentar diversos productos, nuestros o de la competencia.
  • Identificar los productos m谩s rentables (combinando utilidad y coste).
  • Identificar nichos de mercado en los que un determinado producto tendr谩 mejor acogida.

En definitiva, Conjoint proporciona unas valoraciones num茅ricas 鈥 las utilidades 鈥 de cada nivel-atributo que podemos transformar en una predicci贸n de consumo.

Tipos de Conjoints

Existen diversos tipos de Conjoint. El Conjoint tradicional, conocido como CVA o Conjoint Value Analysis, fue la primera t茅cnica desarrollada en los a帽os 70, aunque actualmente su uso es escaso. Este m茅todo muestra al respondiente una selecci贸n de diferentes productos, resultado de combinar los niveles de los diferentes atributos, y pide al respondiente que exprese su preferencia mediante una escala num茅rica (este producto me gusta 鈥2鈥,este otro me gusta 鈥8鈥).

conjoint-escala

El an谩lisis de este tipo de Conjoint es simple. Parte de la hip贸tesis de que la valoraci贸n asignada por el encuestado es directamente la utilidad que percibe del producto. La utilidad de las partes que componen el producto se calcula mediante una regresi贸n lineal m煤ltiple.

Posteriormente al CVA se desarroll贸 una t茅cnica mejorada conocida como Conjoint Adaptativo (ACA 鈥 Adaptative Conjoint Analysis), que permit铆a analizar m谩s atributos que el Conjoint tradicional. Para ello, mostramos productos descritos s贸lo con una parte de los atributos (no todos a la vez). Para optimizar la cantidad de informaci贸n que obtenemos, el ACA es capaz de decidir sobre la marcha, dependiendo de lo que vaya respondiendo el encuestado, qu茅 productos es m谩s conveniente mostrar.

Sin embargo, la aut茅ntica revoluci贸n del Conjoint lleg贸 con el CBC o Choice-based Conjoint. En un cuestionario CBC, en lugar de pedir al encuestado que asigne una valoraci贸n a cada producto, le mostramos un grupo de productos y le pedimos que elija cu谩l de ellos prefiere. Elegir entre productos en lugar de asignar un n煤mero a cada uno es m谩s natural para el participante. A fin de cuentas, elegir entre varias alternativas es lo que hacemos como consumidores en nuestro d铆a a d铆a.

conjoint-seleccion

Como contrapartida, una elecci贸n proporciona menos informaci贸n que una valoraci贸n. Si alguien nos dice que prefiere A frente a B, s贸lo sabemos que A>B. Pero no sabemos si es mucho mayor o s贸lo un poco. Si le obligamos a asignar un n煤mero (A=9 y B=2) s铆 obtenemos informaci贸n sobre la intensidad de la preferencia. Pero, 驴significa lo mismo un valor 9 para todos los consumidores? 驴Hasta qu茅 punto es fiable una escala num茅rica? Las elecciones son datos m谩s puros, pero nos obliga a hacer m谩s preguntas para medir intensidad de preferencia.

Otra contrapartida del CBC es el an谩lisis. El modelo que permite calcular las utilidades de los niveles-atributos es mucho m谩s complejo que una regresi贸n lineal. Se necesitan modelos no lineales, conocidos como modelos de elecci贸n discreta.

Se estima que cerca del 90% de los estudios Conjoints que se realizan actualmente se basan en la elecci贸n (son CBC). Este dato habla de la potencia de esta metodolog铆a, por lo que a partir de este momento nos centraremos en ella.

El Maxdiff, un caso especial

El Maxdiff es una t茅cnica que se incluye habitualmente dentro de las metodolog铆as Conjoint, aunque estrictamente no es as铆. Permite medir el grado de preferencia respecto a diferentes niveles de un 煤nico atributo. Por lo tanto, no estamos combinando atributos, que es lo que define un estudio Conjoint.

Sin embargo, la forma en que Maxdiff logra sus objetivos es muy similar a la del Conjoint CBC. Muestra un conjunto de conceptos y pregunta al respondiente que elija el mejor y el peor. El an谩lisis de resultados es id茅ntico al empleado en CBC.

conjoint-tipos

MaxDiff es una t茅cnica que da muy buenos resultados para medir con precisi贸n las preferencias, aprovechando las virtudes de elegir respecto a valorar. Se emplea con 茅xito para medir preferencia por marcas, elegir nombres de productos, formatos de envases, logotipos, etc. Ofrece resultados mucho m谩s diferenciados que una valoraci贸n mediante escalas likert tradicional, tal y como ya explicamos en su d铆a.

聽Casos de 茅xito

Los an谩lisis Conjoint y las t茅cnicas de an谩lisis de la decisi贸n en general, se usan con 茅xito en diferentes entornos. Un caso emblem谩tico es el de la disputa de Apple y Samsung respecto al uso de patentes. 驴Qu茅 puede aportar el Conjoint en problemas de este tipo? La simulaci贸n de escenarios de mercado que no se han podido dar en realidad. Apple us贸 esta t茅cnica para estimar cuanto negocio habr铆a obtenido si los productos de Samsung no hubiesen usado prestaciones sobre las que Apple reclamaba exclusividad de uso.

Los modelos estad铆sticos empleados por el Conjoint se emplean con frecuencia para evaluar escenarios hipot茅ticos. Daniel McFadden, premio nobel de econom铆a, ya en los 70 aplic贸 con 茅xito estas t茅cnicas para predecir el n煤mero de viajeros que elegir铆an un nuevo sistema de transporte urbano en San Francisco.

Esta capacidad de predecir escenarios ha motivado el uso de estas t茅cnicas por parte de entidades reguladoras que deben imputar el beneficio 鈥 o el perjuicio 鈥 que un cambio legal puede ocasionar. Kenneth E. Train reporta en su libro M茅todos de elecci贸n discreta con simulaci贸n c贸mo se usan para calcular compensaciones econ贸micas por casos de contaminaci贸n o para evaluar en qu茅 medida soportan la carga de un impuesto diferentes segmentos de poblaci贸n.

En el pr贸ximo post profundizaremos en el concepto de utilidad, la clave para comprender qu茅 nos aporta un estudio Conjoint.

隆Os esperamos!

Categoría: conjoint Trackback | Comentarios (1)

Lo que nos deja el refer茅ndum en Escocia

Escrito por Oriol Llaurad贸 el 4 de noviembre 2014

TNS ha dado a conocer los resultados de una encuesta realizada en Escocia tras el refer茅ndum del 18 de septiembre sobre la independencia.

La principal conclusi贸n es que la celebraci贸n del refer茅ndum parece haber aumentado las ganas de participar de los ciudadanos. Un tercio de los encuestados declar贸 sentirse m谩s propenso a participar en futuras elecciones tras la votaci贸n. Los menores de 35 a帽os son el grupo cuya probabilidad de participar ha aumentado m谩s. Y la involucraci贸n se extiende m谩s all谩 del hecho de votar: un 32% declar贸 estar m谩s abierto que en el pasado a participar en futuros debates sobre cuestiones de inter茅s p煤blico.

Refer茅ndum Escocia

Las actividades previas a la celebraci贸n del refer茅ndum nos recuerdan la importancia que todav铆a tienen los canales tradicionales: el 62% de los encuestados declar贸 haber hablado sobre el refer茅ndum con amigos o familiares, y el 60% 聽hab铆a visto al menos un debate televisado. En cambio, solo un 11% dijo haber participado en una discusi贸n a trav茅s de Internet.

Cabe destacar que la forma en la que se ha desarrollado el proceso ha sido ejemplar:

  • En primer lugar, el clima de consenso聽ha permitido concluir que votar era una buena opci贸n y que el resultado final ser铆a reconocido por unos y por otros. Tanto los independentistas como los unionistas se comportaron con correcci贸n, manifestando su opini贸n con serenidad.
  • Ha habido un amplio debate previo sobre los pros y los contras de la independencia. Esto posibilit贸 que los ciudadanos pudieran tomar una decisi贸n informada.

No sabemos si esta inercia se mantendr谩 pero, a d铆a de hoy, una de las lecciones que nos ha dejado el refer茅ndum en Escocia es que la creaci贸n de espacios de di谩logo descentralizados y abiertos reduce la desafecci贸n pol铆tica.聽Tal y como prescribe el informe Citizens as partners de la OCDE, en el futuro m谩s inmediato, el 茅xito de la Administraci贸n depender谩 de su capacidad para escuchar y trabajar conjuntamente con los ciudadanos para lograr un mayor bienestar. Estrechar la relaci贸n con los ciudadanos parece una buena inversi贸n para revitalizar la confianza de 茅stos en la Administraci贸n.

Leer m谩s:

Referendum effect set to increase political activity

Los paneles ciudadanos, una nueva metodolog铆a de investigaci贸n

Categoría: Encuestas Online | Estudios | Noticias | Sin categor铆a Trackback | Comentarios(0)