C谩psula 10: Aplicaci贸n del Conjoint a un caso real

Escrito por Albert Turbina el 30 de enero 2015

Introducci贸n

Como remate final de la serie de posts sobre el conjoint, hoy vamos a hablar sobre la aplicaci贸n a un caso real.

Se trata de un estudio en el sector de los seguros de autom贸vil realizado en colaboraci贸n entre la consultora de investigaci贸n 鈥The Cocktail Analysis鈥 y Netquest.

logo logo-fd8ca707ce811be4ca6218b12af9427f

Tal como se describen ellos mismos: 鈥淭he Cocktail Analysis es una consultora de investigaci贸n de mercados especializada en tendencias de consumo, comunicaci贸n y nuevas tecnolog铆as.鈥

Descripci贸n del estudio y objetivos

La pregunta que 鈥楾he Cocktail Analysis鈥 se planteaba era: 鈥溌縌u茅 elementos son cr铆ticos para que nuestro producto sea el finalmente escogido por el consumidor?鈥 Es por eso que desde Netquest pod铆amos aportar nuestro conocimiento en Conjoints para solucionar este caso.

El reto es identificar la configuraci贸n id贸nea de un producto de seguros de autom贸vil, algo que puede resultar muy complejo debido a la variedad de compa帽铆as, tipos de seguros y par谩metros que definen cada producto.

El objetivo principal del proyecto es realizar un an谩lisis de preferencias de los distintos elementos que configuran el seguro de un coche.

M谩s concretamente hablamos de:

  • Conocer los aspectos m谩s importantes en la contrataci贸n y cuales menos importantes
  • Qu茅 relaci贸n hay entre la cobertura y el precio que se est谩 dispuesto a pagar
  • Qu茅 opciones dan valor a帽adido al producto
  • Qu茅 tendencias sociodemogr谩ficas existen en funci贸n de los distintos productos

驴Por qu茅 aplicar la metodolog铆a Conjoint a este estudio?

Siempre que queramos conocer qu茅 valor aporta al consumidor una caracter铆stica de nuestro producto, inevitablemente deber铆amos pensar en esta t茅cnica. La encuesta cl谩sica, en la que preguntamos directamente por cada atributo de un producto, simplemente no funciona.

El conjoint obliga al entrevistado a sospesar productos reales encontrando cosas que le gustan y otros que no, as铆 revelamos qu茅 factores son realmente claves en su toma de decisi贸n.

Dise帽o experimental

Tal como se explica en el cap铆tulo 4 de la serie de post sobre el conjoint,聽聽la selecci贸n de atributos y niveles a estudiar es un punto clave en todo el conjoint, pues de ello depende el dise帽o que se va a generar y los resultados obtenidos sean aplicables a la realidad.

En este caso los atributos y niveles seleccionados fueron los siguientes:

Sin t铆tulo

Se decidi贸 realizar el ejercicio de contrataci贸n 10 veces por persona.

Puede parecer un n煤mero alto, enfrentarse a 10 decisiones diferentes de seleccionar un producto, y pare ello mostramos solo 3 por pantalla, as铆 resulta m谩s sencillo tomar la decisi贸n y comparar entre los diferentes productos.

Para aumentar la variabilidad del dise帽o se realizaron 20 versiones diferentes del dise帽o, que fueron preguntadas aproximadamente a 450 personas.

En resumen:

  • 20 versiones
  • 10 sets (pantallas o preguntas realizadas)
  • 3 alternativas (productos por pantalla)
  • 6 atributos con hasta 8 niveles diferentes

En el algoritmo de dise帽o se incluyeron distintas restricciones para no obtener grupos de productos objetivamente mejores en el mismo set.

Un ejemplo de producto objetivamente mejor que el otro es el que tiene la misma configuraci贸n en todo, pero uno simplemente es m谩s econ贸mico que el otro.

Una configuraci贸n as铆 no aportar铆a informaci贸n relevante al conjoint, porque ya sabemos de antemano la informaci贸n que el precio es un factor que cuanto m谩s caro sea, menor utilidad tendr谩. (Por lo menos en productos de consumo est谩ndar, como es el caso de un seguro). Y eso no aportar铆a informaci贸n al algoritmo de an谩lisis.

Muestra y programaci贸n

El estudio se realiz贸 a poblaci贸n internauta que contrat贸 un seguro para el coche en el 煤ltimo a帽o, con un total de 469 entrevistas y una duraci贸n del cuestionario de 10 minutos.

El campo del estudio se realiz贸 durante el mes de noviembre de 2014.

En este enlace se puede realizar la encuesta y ver como se plante贸 el conjoint:

Esta es la muestra de las tarjetas que se mostraban como productos:

Sin t铆tulo

En este caso se quer铆a realizar un estudio sin considerar la opci贸n 鈥淣o contratar铆a ninguna鈥 as铆 obten铆amos m谩s informaci贸n acerca de las preferencias y no perd铆amos informaci贸n por culpa de esta opci贸n.

De todos modos para lograr saber a posteriori la penetraci贸n de mercado que tendr铆a un producto, necesitamos comprarlo con la opci贸n 鈥楴o lo contratar铆a鈥.

La decisi贸n que tomamos, es simplemente preguntarlo despu茅s. Justo cuando el entrevistado termina de seleccionar la opci贸n que le parece m谩s atractiva, le pregunt谩bamos si realmente contratar铆a esta opci贸n.

Sin t铆tulo2

Con esto se pretend铆a conseguir un doble an谩lisis mucho m谩s rico en informaci贸n entre productos y versus el mercado.

An谩lisis

En este caso se opt贸 por realizar un an谩lisis individual (M谩s info en la c谩psula 9 de conjoints) ya que se pretend铆a analizar comportamientos seg煤n perfil sociodemogr谩fico.

El m茅todo utilizado fue el Hierarchical Bayesian. Este an谩lisis parte del conjunto y particulariza los resultados de acuerdo a la informaci贸n disponible para cada individuo, as铆, si no dispone de informaci贸n suficiente de un individuo, la suple con la informaci贸n del grupo.

Es un resultado que requiere de cierto tiempo de ejecuci贸n pero que da buenos resultados cuando necesitamos realizar an谩lisis segmentados.

Resultados

Algunos de los resultados m谩s relevantes fueron los siguientes:

  • La importancia de los atributos reside b谩sicamente en el precio y las coberturas, soprendentemente la marca es un atributo sin apenas relevancia en la toma de decisi贸n.
    Sin t铆tulo3
  • El inter茅s de una contrataci贸n aumenta m谩s de un 30% si a帽adimos coche de sustituci贸n a la propuesta.
  • Pasar de 0 a 1 parte aumenta notablemente el inter茅s por contratar ese seguro, en este caso m谩s de un 30%. Pero ya pasar de 2 a 3 o m谩s tiene una influencia mucho menor en el inter茅s.
  • El conjoint permite realizar una simulaci贸n de marketshare seg煤n determinados grupos y caracter铆sticas de productos que se pueden ver, as铆 comparar el inter茅s real en la decisi贸n entre diferentes productos. Gracias a la opci贸n que incluimos asociada a cada pregunta sobre si contratar铆a o no ese seguro que hab铆a seleccionado, podemos incluir en el an谩lisis la opci贸n 鈥淣o contratar铆a ninguna opci贸n鈥 y obtener as铆 datos de mercado.

Sin t铆tulo4

  • A nivel sociodemogr谩fico tambi茅n se pueden realizar an谩lisis como para un determinado producto comparar entre sexos o entre tramos de edad.
    En la imagen siguiente se puede ver como para un determinado seguro, las p贸lizas b谩sicas plantean m谩s inter茅s en los hombres que en las mujeres y que las p贸lizas con m谩s coberturas generan m谩s inter茅s en la gente m谩s senior.

Sin t铆tulo5

Conclusiones

A nivel del estudio quiz谩s la mayor conclusi贸n que se puede observar es la poca influencia de la marca en la toma de decisi贸n, solo representa un 4% de ello. Los aspectos como el coche de sustituci贸n y los partes anuales aumentan el valor a帽adido de la oferta y lo valora positivamente.

Por lo que se refiere a la metodolog铆a usada, nos ha permitido realizar un an谩lisis en mucha profundidad de los par谩metros que componen un producto de una aseguradora, adem谩s de poder analizarlo por diferentes perfiles y configuraciones.

 

Si quer茅is consultar el informe completo de resultados, estad atentos al blog de 鈥The Cocktail Analysis鈥:

隆En los pr贸ximos d铆as podr茅is consultarlo!

Categoría: conjoint Trackback | Comentarios(0)

5 principios para ser m谩s creativo

Escrito por Silvia Vi帽uales el 28 de enero 2015

Todo el mundo habla sobre ella, todo el mundo la valora, es una de aquellas palabras talism谩n de nuestra sociedad actualidad. Te la presentamos, es la creatividad.

Sin embargo, puestos a explicarla en profundidad, parece que nadie se pone de acuerdo. Las definiciones de la misma son amplias, confusas y tan ilimitadas como aquel que las enuncia, pero de alguna manera dir铆amos que聽la creatividad es una manera de resolver problemas para los que las soluciones viejas no sirven.

 

creativo-principios

La creatividad es aquella cualidad que se ejercita precisamente en situaciones de crisis, cuando nos vemos forzados a buscar nuevas salidas cuando las soluciones a nuestro alcance han fallado. Sin embargo, ni la creatividad es consecuencia 煤nica de la crisis, ni toda creatividad es adecuada, ni toda innovaci贸n es buena.

La creatividad es una manera de producir intencionadamente novedades eficientes. Y subrayo lo de eficientes. Veamos a continuaci贸n algunos de los principios por los que se rige:

 

Principio N.1: Creatividad como capacidad

El primer principio es darnos cuenta de que la creatividad es una capacidad, es una competencia. No es una actividad especial al que solo puedan acceder los artistas o los creativos publicitarios. Sin embargo y como todas las competencias, necesita ser ejercitada constantemente.

Todos tenemos que enfrentarnos a problemas para los que no tenemos soluci贸n: la felicidad, las relaciones de pareja, la justicia social. Estos problemas exigen una creatividad humilde, pero fundamental para la supervivencia

Principio N.2:聽La anticipaci贸n

El segundo principio es detectar lo que ya no vale, pero detectarlo a tiempo y tener la firme voluntad de cambiarlo. A veces es necesario destruir para crear, la creatividad nos da las herramientas para deshacernos de lo que ya no nos sirve y a fin de cuentas, dejar de hacer lo mismo de siempre.

Si detectamos a tiempo nuestras carencias y anticipamos el fin de una etapa podremos sobreponernos mejor a la siguiente. Podremos valorar con libertad el punto en el que nos encontramos y proponer soluciones a la altura que se requiere.

creatividad

Principio N.3: 聽Eliminar prejuicios

A veces es necesario cambiar de sitio para empezar a ver las cosas de forma diferente. Es importante que dejemos de juzgar las cosas como hac铆amos a priori para entrar en una fase de libertad, de libre asociaci贸n de ideas.

Cualquier prejuicio que tengamos y especialmente, el rechazo natural que todos tenemos al cambio, es uno de los principales obst谩culos que ponemos sin querer a nuestra creatividad.

Principio N.4: Lee, inf贸rmate, cultur铆zate

驴De d贸nde salen las ideas? Ante nosotros la pregunta del mill贸n. Si las buenas ideas son tan valiosas es debido a su escasez: no se pueden comprar ni producir en masa.

Sin embargo, pocas ideas son puramente originales. Voluntariamente o no, todos robamos ideas, o al menos las hacemos nuestras y adaptamos a partir de una inspiraci贸n. Robar quiz谩 como har铆a un artista (ver libro聽steal like an artist)

La mejor manera de encontrar ideas es leer. Leer de todo y a todas horas. Estar permanentemente informado, alerta, receptivo para poder crear. Sin un conocimiento del exterior y una predisposici贸n a ella, la creatividad se queda en el aire.

Principio N.5: 聽Espontaneidad no es creatividad

El oficio acaba en una cosa concreta, que hay que hacer, concretar. A veces se confunde el ser espont谩neo con ser creativo. Nada m谩s lejos de la realidad, tenemos un dicho: 鈥淢i burro, que es muy espont谩neo, solo sabe rebuznar y dar coces鈥

 

As铆, una vez hemos eliminado los prejuicios, estamos al d铆a de lo que acontece y hemos desmitificado algunos dogmas estamos m谩s cerca de empezar a ejercitar nuestra creatividad eficazmente. Como 煤ltima recomendaci贸n, buscar side projects, hobbies u objetivos a largo plazo que nos vayan estimulando durante el proceso.

隆Buena suerte, creativos!

 

Citas:

Entrevista a Jose Antonio Marina, Fil贸sofo

Steal like an Artist, Austin Kleon

 

Categoría: Art铆culos Trackback | Comentarios(0)

Evento Observatorio del Turismo Rural

Escrito por Silvia Vi帽uales el 26 de enero 2015

observatorio-turismo-rural-2015

 

El pasado 22 de enero Netquest asisti贸 al evento organizado por el CETT (Escuela Universitaria de Hosteler铆a y Turismo de la UB) sobre el proyecto Observatorio del Turismo Rural. Netquest participa en esta iniciativa como socio tecnol贸gico 聽junto a Escapada Rural y el propio CETT para analizar en profundidad el sector del Turismo Rural en Catalu帽a.

La actualidad de un sector maduro

Como breve introducci贸n al sector en cuesti贸n, Ram贸n Serrat, consultor y experto en turismo apunt贸 ciertos datos interesantes:

El turismo rural, a pesar de ser una alternativa en alza (41% de los establecimientos catalanes) supone tan solo un 4% de las plazas totales ofrecidas en la comunidad. Adem谩s, el grado de ocupaci贸n de estos establecimientos es relativamente baja, del 18,3% anual, siendo su punto 谩lgido en agosto, superando por poco la mitad de la ocupaci贸n total.

Sin embargo, este tipo de turismo se trata de un producto ya maduro en el mercado que se debe renovar y relanzar antes de que entre en declive. Serrat apuntaba, como propuesta interesnte, el fortalecimiento del turismo de interior y no tanto el de costa o el aprovechamiento del atractivo de Barcelona capital聽para ofrecer nuevas rutas cercanas desde la capital.

Datos del Turismo Rural en Catalu帽a

netquest-turismo-rural

 

A continuaci贸n, Enric L贸pez (CETT) y Ana Alonso (Escapada Rural) analizaron los datos desprendidos del estudio. Se entrevistaron 2.009 viajeros y 299 propietarios, dando un total de 11.500 respuestas, una cifra fiable y de envergadura.

Las preguntas realizadas a los primeros indagaron entre sus h谩bitos de consumo, presupuesto, destino etc. As铆 se desprende que el turista catal谩n es, en su mayoria, mujer (76,9 de los encuestados), tiene 41 a帽os, su destino favorito es su propia comunidad (72%), seguido de Arag贸n y viaja una vez al a帽o. En Catalu帽a, se prefiere el turismo聽rural聽de proximidad y poco frecuente.

Respecto a los propietarios, tienen una media de 48 a帽os, hombres y mujeres casi por igual, dedican unos 500 a 1.500鈧 a la promoci贸n de sus establecimientos y en su mayor铆a, combinan esta actividad con alguna otra (68,9%)

Parte importante de los nuevos h谩bitos聽de consumo en el sector, destaca la adaptaci贸n a las nuevas tecnolog铆as (redes sociales para promoci贸n y fidelizaci贸n, reservas por internet y email etc) como parte constante y clave del negocio.

 

Netquest, Big Data y Turismo Rural

nacho-roses-netquest

 

En 煤ltimo lugar, Netquest, a trav茅s de Nacho Ros茅s (Director de Paneles) hizo una sencilla introducci贸n al Big Data y su colaboraci贸n como proveedor de la herramienta de gesti贸n de datos. Gracias a un sistema denominado Netquest Visual Data, se recopilan opiniones de viajeros y propietarios聽para despu茅s ofrecer la libre descarga de los datos estad铆sticos en forma de reports personalizados directamente en formato Powerpoint.

Esta herramienta consta de tres m贸dulos diferentes: Storyteller, donde se recopilan y exportan los datos; Generaci贸n de Tablas, donde encontramos las tablas con sus respectivos filtros y settings y finalmente el de Creaci贸n de Gr谩ficos, para el estudio visual de los resultados.

Netquest Visual Data no solo es 煤til para los propietarios, sino que ofrece una visi贸n adaptada a las necesidades de nuevos viajeros, medios de comunicaci贸n, institutos o estudiantes que necesiten analizar el estado del sector en Catalu帽a.

La jornada, que acab贸 con una animada mesa de debate entre propietarios, asociaciones de establecimientos rurales y asistentes al evento, puso en relavancia la importancia del sector en una comunidad que es n煤mero 2 a nivel nacional en lo que a turismo rural se refiere.

 

Enlaces de inter茅s聽>>

Categoría: Big data | Eventos Trackback | Comentarios(0)

El nuevo respondiente: aprendiendo a capturar informaci贸n fiable

Escrito por Cristina Medina el 23 de enero 2015

comunicacion-marcas-research

 

El trabajo de forjar la identidad de una marca es un trabajo arduo y constante. Es una labor detallista en la que deben participar todos los p煤blicos que se encuentran involucrados, ya sea directa o indirectamente.

Es cierto que la comunicaci贸n tradicional tiene un papel muy importante. Con ella podemos transmitir nuestro beneficio, un buen posicionamiento y todas las razones por las que nuestros clientes deben creer en ella. Aportamos valor con las palabras y con las intenciones. Pero en un mundo cada vez m谩s interconectado y en el que cada detalle importa, a menudo son las personas que trabajan alrededor de una marca las que acaban construyendo su verdadera personalidad.

La marca es un punto de encuentro entre la identidad y la imagen de una empresa. Es el resultado de la confluencia entre la voluntad de qui茅n la gestiona y la percepci贸n que tienen sus p煤blicos de ella. Por lo tanto, resulta dif铆cil entender la gesti贸n estrat茅gica de una marca sin establecer un di谩logo entre los diferentes puntos de vista que existen sobre ella. Directivos, empleados, distribuidores, clientes y consumidores: todos conforman d铆a a d铆a la fortaleza o que la marca acabar谩 teniendo en su mercado.

Debe ser, por eso, una participaci贸n real; que vaya m谩s all谩 de recoger opiniones de los consumidores en las redes sociales. Se trata de un verdadero cambio de filosof铆a de empresa. Un cambio que impregne el comportamiento de todos y cada uno de los p煤blicos involucrados, empezando claro est谩 por la propia organizaci贸n.

 

market-research-brands

 

Existe en el sector de la investigaci贸n de mercados una firme voluntad de trabajar bajo los m谩ximos est谩ndares de calidad. A ra铆z de esta voluntad, surge un nuevo conocimiento sobre c贸mo debe investigarse en Internet, qu茅 factores influyen en la validez y en la fiabilidad de los datos que obtenemos, qu茅 efectos tienen en los datos las m煤ltiples formas de capturar informaci贸n que se nos ofrecen hoy en d铆a.

Las redes sociales y los m煤ltiples foros de discusi贸n en los que los consumidores actuales dejan rastro de sus opiniones pueden darnos una falsa impresi贸n de que la informaci贸n es m谩s f谩cil de obtener de lo que realmente es, por lo menos la informaci贸n valiosa. Debemos aprender a capturar la informaci贸n fiable del nuevo respondiente.

De un respondiente que ya no se ve a s铆 mismo como un individuo pasivo sino como un actor autorizado, activo y determinante en la relaci贸n comercial. Un respondiente que participa proactivamente en su relaci贸n con las marcas con las que convive. Un respondiente que debemos aprender a escuchar, pero sin dejar que el enorme ruido que puede llegar a generar Internet oculte las motivaciones y percepciones 煤ltimas del individuo, motivaciones que muy frecuentemente no vamos a encontrar en las redes sociales. Son motivaciones que habr谩 que buscar a trav茅s de un contacto directo, profundo y met贸dico con el respondiente.

En esta nueva era, no vale con recoger datos, sino que es necesario establecer un canal de comunicaci贸n que permita alzar la voz del consumidor.

 

 

Categoría: Comunidades | Encuestas Online Trackback | Comentarios(0)

Previsiones en la Investigaci贸n de Mercados 2015

Escrito por Silvia Vi帽uales el 21 de enero 2015

Una de las聽secciones destacadas en el blog durante el pasado a帽o y que continuaremos durante el presente es H茅roes de la Investigaci贸n. Este peque帽o rinc贸n lo destinamos聽a entrevistar a aquellos聽personajes m谩s destacados dentro del sector de la Investigaci贸n de Mercados en Espa帽a y Latinoam茅rica.

Puedes recordar聽聽aqu铆 los 8 h茅roes que pasaron por buestro blog durante el 2014:

A partir de las respuestas que nos dieron tratamos de analizar las l铆neas聽que marcar谩n este a帽o en lo que al sector se refiere. Analizamos las claves que nos proponen nuestros expertos para encarar esta pr贸xima etapa con 茅xito.

 

market-research-2015

 

“El futuro de la Investigaci贸n de Mercado: lo que nos espera en 2015. 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.”聽(Urpi Torrado)

聽*

“Personalmente creo que el cambio m谩s grande va a pasar por nuestra funci贸n. Porque lo que est谩 sucediendo es que est谩n cambiando radicalmente los modos de obtener datos. Hay cada vez mayor cantidad de datos comportamentales disponibles y empresas de extracci贸n tecnol贸gica mucho mejor preparadas que nuestra industria para acceder a ellos y ordenarlos. Pero nosotros seguimos teniendo una mezcla muy valiosa de profesionales de diferentes especialidades capaces de dar sentido a esos datos en contexto y transformarlos en informaci贸n 煤til.”聽(Santiago Kahane)

聽*

Mirando hacia delante con ilusi贸n, pero acomodado en el pasado. Hay muchas empresas que se esfuerzan por innovar. Trabajan en el desarrollo de soluciones m贸viles, t茅cnicas de neurociencia…y hacen todo lo posible por convencer a sus clientes para que las incorporen a sus estudios. La realidad es que la mayor铆a de profesionales siguen satisfechos con las encuestas y los focus groups de toda la vida.”聽(Annie Petit)

聽*

“Considero que la investigaci贸n est谩 en un momento de oro. Nuestro sector es de alta relevancia en el contexto contempor谩neo de explosi贸n de comunicaci贸n y tecnolog铆a. Por otra parte, me agrada ver c贸mo se vuelve cada vez m谩s frecuente la inclusi贸n de la dimensi贸n humana al hablar de la investigaci贸n.” 聽(Alejandro Garnica)

聽*

“Recursos escasos. Nuevas din谩micas sociales. Nuevas realidades. Nuevas tipolog铆as de datos para estudiarlas (big data) y, por tanto, nuevos enfoques y nuevas metodolog铆as.” (Mireia Fern谩ndez-Ard猫vol)

聽*

“Estamos en una transici贸n y, a煤n y as铆, las inversiones de las empresas en esta industria contin煤an creciendo.聽Existe una b煤squeda e inter茅s creciente por los 鈥渋nsights鈥, la innovaci贸n, el conocimiento, las tendencias y una mayor contribuci贸n estrat茅gica para se puedan elaborar planes de comunicaci贸n y de negocios m谩s adecuados a la complejidad de la situaci贸n actual, al cambio constante y a una mayor competitividad entre mercados. (Nelson Marngoni)

聽*

“La investigaci贸n se est谩 convirtiendo en inteligencia y conocimiento para la acci贸n. La etapa en la que se hablaba de la investigaci贸n como t茅cnicas de recolecci贸n, cuantitativas o cualitativas, afortunadamente est谩 acabando.” (Heriberto L贸pez)

聽*

“Hoy la informaci贸n vive desde las nubes hasta las minas, en tiempo real. Las cosas 鈥渉ablan entre s铆鈥, nuestras prendas de ropa son terminales de nuestra presencia en Internet, nuestro organismo albergar谩 chips鈥 En breve no nos conectaremos a Internet, sino que estaremos en Internet. Esta masa de datos hace cada vez m谩s necesaria la b煤squeda de lo relevante. 隆Es fascinante!” (Luis Miguel Barral)

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

Neuromarketing: ad茅ntrate en la mente de tu cliente

Escrito por Cristina Medina el 16 de enero 2015

驴Te has parado alguna vez a pensar por qu茅 tomas las decisiones de la manera en que lo haces? La mayor铆a creemos que las decisiones que tomamos est谩n bien fundadas y razonadas. Escogemos el producto con el mayor descuento o aquel que nos deja la ropa m谩s limpia y nos felicitamos por haber tomado una buena decisi贸n. Sin embargo, solo el 5% de las decisiones que tomamos son conscientes, el 95% restante se toman de forma inconsciente.

consciencia

Con la consciencia sucede lo mismo que con la atenci贸n. Nuestro cerebro no puede percibir todo aquello que ocurre a nuestro alrededor, por lo que s贸lo prestamos atenci贸n a aquello que nos atrae m谩s (pod茅is hacer la prueba con este famoso test de atenci贸n).

Un estudio realizado en 2008 por un equipo de cient铆ficos demostr贸 c贸mo nuestro cerebro decide qu茅 opci贸n vamos a escoger unos 8 segundos antes de que incluso nosotros mismos seamos conscientes de ello.

Lo que 茅ste estudio sugiere es que nuestro cerebro consume mucha energ铆a. Ser conscientes de algo requiere la activaci贸n de numerosas partes de nuestro cerebro. Aunque su tama帽o sea relativamente peque帽o, en comparaci贸n con otras partes del cuerpo humano, el cerebro consume el 20% de nuestra energ铆a. Por ello, la gran mayor铆a de las decisiones las tomamos en modo 鈥減iloto autom谩tico鈥. Piensa en ir en bici, 驴ser铆as capaz de ser consciente de todos y cada uno de los movimientos y sensaciones que experimentas? Ser铆a realmente agotador. Piensa ahora en la 煤ltima vez que fuiste al supermercado 驴fuiste consciente de todas y cada una de las marcas de yogur que hab铆a en la estanter铆a? Estoy segura de que no.

 

El cerebro est谩 programado para detectar aquellas cosas que nos gustan m谩s de entre todas las opciones existentes. Y aqu铆 es donde las marcas pueden hacer mucho para crear ese valor a帽adido que las haga memorables y f谩cilmente detectables y que las convierta en la opci贸n elegida. Trabajar para forjar v铆nculos emocionales o para reforzar la experiencia del consumidor en todos sus puntos de contacto con la marca no es algo banal.

El motivo por el que la consciencia es importante hablando de marketing es porque, si todo fuera consciente, incluidos nuestros pensamientos, decisiones y emociones, podr铆amos conocer el comportamiento de los consumidores solo pregunt谩ndoles. Pero, si la mayor铆a de nuestras decisiones son tomadas bajo el umbral de la consciencia, 驴C贸mo podemos conocer los verdaderos impulsores que motivan una u otra elecci贸n? Necesitamos otras metodolog铆as que nos ayuden a entender la mente no consciente del consumidor.

Existen multitud de metodolog铆as de la neurociencia que, aplicadas al marketing, pueden ayudarnos a estar un poco m谩s cerca de la verdad:

  • EEG o Electroencefalograma. Es una herramienta usada en por los especialistas en neuromarketing para obtener im谩genes del cerebro mientras se est谩 realizando una tarea cognitiva. Consiste en un gorro de pl谩stico, como de nataci贸n, lleno de electrodos.
  • FMRI o Resonancia Magn茅tica Funcional. Mide la actividad cerebral observando los cambios en el flujo sangu铆neo y tambi茅n se utiliza mientras la persona est谩 realizando una actividad.
  • Tecnolog铆a eye-tracking. Consiste en unas gafas con c谩mara que sirven para rastrear el movimiento de los ojos, la dilataci贸n de la pupila y el parpadeo, entre otros factores.

EEG Eye Tracking

 

El neuromarketing es capaz de obtener respuestas neurofisiol贸gicas de los entrevistados, sin que medie una verbalizaci贸n o expresi贸n escrita, por lo que muchos creen que es una de las pocas metodolog铆as que puede obtener respuestas verdaderamente fiables. Las t茅cnicas usadas en neuromarketing son capaces de detectar lo que los consumidores comprar谩n realmente y no lo que dicen que comprar谩n.

Pero no debemos creer que es la panacea. Son muchos otros los profesionales que reconocen que el neuromarketing no est谩 exento de peligros. Sin embargo, puede enriquecer estudios llevados a cabo mediante m煤ltiples metodolog铆as.

 

Para acabar, dejo aqu铆 algunos datos interesantes que surgieron en la conferencia global de TAAN el pasado mes de noviembre:

  • El cerebro humano toma 500 millones de decisiones al d铆a y el 70% de esas decisiones, seg煤n Gallup, se toman emocionalmente.
  • El cerebro siempre tiene la culpa. Como dijo David Ogilvy: 鈥淓l problema es que la gente no piensa lo que siente, no dice lo que piensa y no hace lo que dice鈥.
  • Recientes estudios cient铆ficos demuestran que nuestro subconsciente controla todas nuestras decisiones en un proceso autom谩tico y emocional.
  • Las 3 谩reas del cerebro que gobiernan nuestras decisiones son: el sistema de recompensas (N煤cleo Accumbens), el sistema emp谩tico (Sistema de Neuronas Espejo) y el sistema de procesamiento de emociones (Cortex Prefrontal Medio).
  • Mostrar a personas en la publicidad crea importantes desencadenantes emocionales que influyen positivamente en la decisi贸n de compra.

 

Fuentes: http://www.franklinstreet.com/neuromarketing-trendwatching-and-bicycles-field-report-from-taan
https://www.facebook.com/pages/Consumer-Behaviour-Neuromarketing-Trends/1453699534893820
http://www.telegraph.co.uk/news/science/science-news/9984498/Neuromarketing-can-science-predict-what-well-buy.html

Categoría: Estudios Trackback | Comentarios(0)

C谩psula 9: An谩lisis Individual de un Conjoint

Escrito por Carlos Ochoa el 15 de enero 2015

[Este post forma parte de una serie de 10 publicaciones. Puedes leer m谩s accediendo al anterior post. El siguiente post a煤n no ha sido publicado]

En el 煤ltimo post vimos un m茅todo de an谩lisis que nos permit铆a estimar utilidades para el conjunto de la muestra. Hoy veremos un m茅todo que nos permite calcular las utilidades de cada individuo. Es el modelo Jer谩rquico Bayesiano.

 

Limitaciones del modelo MNL

En el 煤ltimo post vimos el modelo MNL, capaz de estimar las utilidades de los atributos de un Conjoint a partir de las respuestas a las encuestas. Este modelo s贸lo permite analizar la muestra como un todo. Pero, 驴por qu茅 no podemos usar este modelo persona por persona?

T茅cnicamente, nada nos impide usar el modelo MNL para analizar partes de la muestra o incluso individuos. Para hacerlo, simplemente tendr铆amos que analizar las respuestas de cada individuo por separado. En lugar de un an谩lisis MNL har铆amos tantos an谩lisis como personas han participado en la encuesta.

Pero hacer algo as铆 no es buena idea. El problema es que en un experimento Conjoint obtenemos muy poca informaci贸n de cada persona, por lo que el an谩lisis MNL nos dar铆a resultados muy poco fiables, demasiado ajustados al caso concreto que ha visto cada individuo. Este problema, que en ingl茅s se conoce como 鈥渙verfitting鈥, se produce siempre que tratamos de generalizar conclusiones a partir de muy pocas observaciones. Para entendernos, ser铆a como lanzar una moneda al aire, obtener 3 veces 鈥渃ara鈥 y afirmar a continuaci贸n que esa moneda tiene un 100% de probabilidades de arrojar 鈥渃ara鈥 como resultado.

 

Cantidad de informaci贸n recogida

Durante un estudio Conjoint realizamos cientos de preguntas mostrando una gran variedad de comparaciones de productos. 驴C贸mo es posible que un experimento as铆 proporcione poca informaci贸n?

Para responder, pensemos con detenimiento cuanta informaci贸n obtenemos realmente. En un Conjoint t铆pico con 5 atributos y 5 niveles por atributo, podemos generar 5x5x5x5x5 = 3.125 productos diferentes. Si preguntamos, por ejemplo, 10 preguntas a cada persona, cada una con 3 productos diferentes, como m谩ximo un individuo va a ver 30 de los 3.125 productos posibles. No llega al 1%.

Si pensamos en el total de comparaciones de productos que podemos hacer, son un total de 9.762.500. En un cuestionario con 10 preguntas y 3 productos por pregunta, como m谩ximo podemos hacer 30 comparaciones diferentes. Visto as铆, ya no parece tanta la informaci贸n que observamos, 驴no?.

Estos n煤meros nos muestra una realidad: en un estudio Conjoint un individuo concreto ve muy pocos productos, a duras penas lograremos que vea unas pocas veces cada nivel de cada atributo, y es muy posible que algunas comparaciones de niveles no las vea nunca.

A este problema se a帽ade otro: la cantidad de informaci贸n que proporciona cada elecci贸n del respondiente. Cuando un individuo ve tres productos A, B y C, y nos dice que prefiere la opci贸n C, nos informa de que la utilidad de C es mayor que la de A y la de B, pero no nos dice si es mucho mayor o s贸lo ligeramente. Tampoco nos dice si A>B o B>A. Dicho de otra manera, las elecciones entre productos contienen muy poca informaci贸n.

 

驴Y qu茅 podemos hacer?

El modelo MNL no es apropiado para analizar un individuo, pero s铆 para analizar un conjunto de individuos, gracias a los cuales obtenemos mucha m谩s informaci贸n. 驴Por qu茅 no usamos la informaci贸n del conjunto para completar la informaci贸n que nos falta de cada individuo?

Esta idea es la que est谩 detr谩s del algoritmo Jer谩rquico Bayesiano (Hierarchical Bayesian, HB). Este algoritmo combina informaci贸n individual y agregada para mejorar la capacidad de estimaci贸n de cada persona. Siguiendo con la anterior met谩fora de la moneda, ser铆a algo as铆 como lanzar una moneda 3 veces al aire, obtener 3 鈥渃aras” y, sabiendo que otras monedas como esa han arrojado un 50% de veces un resultado de 鈥渃ara鈥, decir que esa moneda tiene una ligera tendencia (52%, por ejemplo) a arrojar m谩s 鈥渃aras鈥 que 鈥渃ruces鈥.

 

El modelo jer谩rquico

Veamos con un poco m谩s de detalle c贸mo funciona el modelo HB. Se trata de un modelo con dos niveles, de ah铆 que se conozca como 鈥渏er谩rquico鈥:

  1. En el nivel m谩s bajo, tenemos a los individuos. Cada individuo se comporta de acuerdo a un modelo MNL convencional independiente. Por lo tanto, cada persona asigna sus propias utilidades a los diferentes atributos, y su probabilidad de elecci贸n responde a la f贸rmula MNL.
  2. En el nivel m谩s alto, las utilidades de cada atributo siguen una distribuci贸n de probabilidad concreta, generalmente una distribuci贸n normal multivariante. Por lo tanto, las utilidades de las diferentes personas de la muestra forman parte de esta distribuci贸n.

El doble nivel de este modelo permite resolver el problema de la falta de informaci贸n individual. Al imponer que las utilidades de cada persona formen parte de una distribuci贸n de probabilidad conjunta, impedimos resultados disparatados a nivel individual. La visi贸n conjunta obliga a que la utilidad individual se adec煤e a una mirada global.

 

El enfoque bayesiano

Hemos visto porqu茅 el modelo se denomina 鈥渏er谩rquico鈥. Veamos porqu茅 tambi茅n se llama 鈥淏ayesiano鈥.

En casi todos los m茅todos de an谩lisis encontramos tres elementos comunes: los datos observados, el modelo que esperamos que nos ayude a explicar los datos y los par谩metros que gobiernan el modelo. En un an谩lisis convencional (no Bayesiano) lo que tratamos de obtener es la distribuci贸n de probabilidad de los datos dado el modelo y sus par谩metros. Buscando los datos m谩s probables encontramos los par谩metros 贸ptimos del modelo.

En un an谩lisis Bayesiano damos la vuelta al problema: investigamos la distribuci贸n de probabilidad de los par谩metros, dados los datos. Este tipo de modelos evitan tener que maximizar una funci贸n, sino que nos dan la probabilidad de cada posible valor de los par谩metros. Otra virtud del enfoque Bayesiano: podemos incorporar al modelo informaci贸n a priori que podamos tener, por ejemplo gracias a estudios anteriores.

 

Un modelo complejo

驴C贸mo se analiza un modelo como el descrito anteriormente? Es mucho m谩s complejo que un simple MNL. Piensa que ya no estamos buscando unas utilidades para cada nivel de cada atributo. Ahora debemos encontrar valores para:

  • Las utilidades de cada nivel de cada atributo de cada individuo en la muestra.
  • Las medias y varianzas-covarianzas de la distribuci贸n de probabilidad de las utilidades.

Por otra parte, nos enfrentamos a un problema mayor. A diferencia del modelo MNL, las expresiones matem谩ticas que describen la probabilidad de elecci贸n en el modelo HB no son cerradas, sino que contienen integrales que no tienen soluci贸n anal铆tica. Para poder resolver el modelo, es necesario usar simulaci贸n.

La simulaci贸n es uno de los grandes avances en la resoluci贸n de modelos estad铆sticos avanzados. Se trata de un mecanismo que permite sortear un c谩lculo complejo mediante la extracci贸n aleatoria de muestras de una distribuci贸n de probabilidad. Se basa en lo que se conoce como el muestreo de Gibbs.

De forma muy simplificada, podemos describir este m茅todo de la siguiente manera. Pretendemos obtener muestras de las utilidades que provengan de la distribuci贸n real. Para ello, la dificultad es que tenemos 3 grupos de par谩metros: las utilidades, un vector de medias de la distribuci贸n de probabilidad que gobierna las utilidades y una matriz de varianzas-covarianzas de la misma distribuci贸n. El muestreo de Gibbs obtiene sucesivamente muestras de cada uno de estos 3 grupos de par谩metros, fijando los dos restantes (condicionando sobre los dos restantes).聽 Es posible demostrar que operando de esta forma, los par谩metros convergen a los valores reales que buscamos.

 

Tiempo de c谩lculo

El proceso de simulaci贸n puede durar entre unos pocos minutos y varias horas, dependiendo de la complejidad del Conjoint. Habitualmente se itera un n煤mero de veces suficiente para garantizar que el algoritmo converge y, a partir de ese momento, se itera un n煤mero similar de veces para obtener valores v谩lidos, los cuales promediamos para obtener resultados fiables.

T铆picamente, la convergencia puede requerir 10.000 iteraciones y el periodo sobre el que se promedian los valores v谩lidos suelen ser 10.000 iteraciones m谩s.

En la siguiente ilustraci贸n puedes ver c贸mo es el proceso. Inicialmente las utilidades se fijan a 0. En cuanto el algoritmo empieza su ejecuci贸n, las utilidades empiezan a desplazarse hasta que llegan a un punto en el que se estabilizan: ese punto es la convergencia. Promediando los valores a partir de ese punto tendr铆amos la estimaci贸n de utilidades que buscamos.

utilidad-conjoint

驴Qu茅 hacer con las utilidades individuales?

Poder asignar un conjunto de utilidades a cada individuo en lugar de tener unas mismas utilidades para toda la muestra proporciona importantes ventajas:

  1. Podemos promediar utilidades por segmentos de poblaci贸n y ver si hay diferencias entre ellos (hombres vs mujeres, j贸venes vs mayores鈥)
  2. La predicci贸n de elecciones futuras es m谩s precisa. En lugar de predecir qu茅 elegir谩 el conjunto de la muestra usando unas utilidades agregadas, podemos predecir la decisi贸n de cada individuo y promediar dichas decisiones.
  3. Podemos buscar correlaciones entre utilidades y otras variables de los individuos.

 

En el pr贸ximo y 煤ltimo post desarrollaremos un caso real completo, desde el dise帽o hasta el an谩lisis, para poder mostrar los contenidos explicados. Te esperamos.

[Este post forma parte de una serie de 10 publicaciones. Puedes leer m谩s accediendo al anterior post. El siguiente post a煤n no ha sido publicado]

Categoría: conjoint Trackback | Comentarios (2)

Top #5 art铆culos blog de Netquest 2014

Escrito por Silvia Vi帽uales el 12 de enero 2015

resumen-netquest-2014

 

Reci茅n comenzado un nuevo a帽o lleno de retos hemos recopilado en este articulo especial los 5 post que marcaron el pasado 2014. En esta selecci贸n destacamos las entradas m谩s populares de nuestra bit谩cora que quiz谩 marcar谩n la gu铆a de 2015 en lo que a la investigaci贸n de mercado se refiere.

Si quieres hacer un repaso r谩pido de lo que se m谩s se coment贸 durante el 煤ltimo a帽o en el sector no dejes de echarle un vistazo:

1. 6 Factores Clave de la Investigaci贸n de Mercados en聽2014

Como cabeza de nuestro top no pod铆a faltar el resumen de previsiones para el pasado a帽o en lo que respecta a la investigaci贸n de mercados. Bas谩ndonos en el Grit Report, el informe trimestral del portal GreenBook, resumimos las tendencias que sin duda marcaron el 2014.

Entre ellas, la prevalencia de los Webinars 聽y los eventos como v铆a聽de informaci贸n para los investigadores, un an谩lisi de c贸mo los clientes escogen a sus proveedores, o las encuesta online y 聽m贸viles聽como nuevas 谩reas de mayor crecimiento.

2.Netquest y Wakoopa unen sus fuerzas

Probablemente la noticia del a帽o, la asociaci贸n entre Netquest y la empresa Holandesa de behavioural聽tracking Wakoopa encabeza el top 2 de nuestra lista.

A comienzos de septiembre del pasado a帽o dimos a conocer la noticia聽que sin duda supuso un gran avance para la compa帽铆a, al permitir una investigaci贸n m谩s fluida de la opini贸n y comportamientos de nuestro panel en Internet.

3.C贸mo hacer preguntas abiertas

A pesar de que la mayor铆a de las encuestas se basan en聽preguntas cerradas, en este post hablamos sobre c贸mo llevar a cabo adecuadamente preguntas abiertas, sin lista de alternativas de respuesta.

Identificamos dos subtipos de preguntas abiertas en funci贸n de la extensi贸n de la respuesta del encuestado y analiz谩bamos los principales inconvenientes de permitir a nuestro panel “explayarse” en la encuesta.

4.C贸mo identificar a un entrevistado deshonesto

En Internet es particularmente dif铆cil asegurar la honestidad de los participantes de una encuesta. Netquest, como proveedor de panel online, tiene un reto importante a la hora de conseguir respuestas fiables para sus clientes.

En este post hablados de los m茅todos y estrategias m谩s 煤tiles para “cazar” a los encuestados que no prestan atenci贸n, como usar preguntas trampa de varios tipos a lo largo del cuestionario.

5.Por qu茅 creo que el Big Data no acabar谩 con los estudios de mercado

Un post que dio mucho que hablar ya que hac铆a referencia a una de las tendencias en boca de todos estos meses: el Big Data. En este breve post analiz谩bamos algunas de las claves por las cuales esta herramienta destinada a descubrir patrones en la informaci贸n es tan popular.

Asimismo nos adentramos en las limitaciones que igualmente presenta y como, de acuerdo a la opini贸n del autor, no presentar铆a una amenaza real a la Investigaci贸n de Mercados tal y como la conocemos.

Categoría: Destacados Trackback | Comentarios(0)

C谩psula 8 – An谩lisis agregado de un Conjoint

Escrito por Carlos Ochoa el 9 de enero 2015

[Este post forma parte de una serie de 10 publicaciones. Puedes leer m谩s accediendo al anterior post o al siguiente post]

Podemos analizar un Conjoint de diferentes maneras. Cada una de ellas se basa en un modelo de comportamiento: una forma matem谩tica de describir c贸mo deciden las personas. El modelo m谩s simple es el modelo Log铆stico Multinomial.

C贸mo se analiza un Conjoint

El an谩lisis Conjoint siempre sigue el siguiente proceso:

  1. Definimos un modelo de comportamiento que relaciona las utilidades de los productos con las decisiones de las personas. Este modelo permite predecir, a partir de las utilidades, la probabilidad de que un individuo elija un producto entre varios disponibles.
  2. El an谩lisis consiste en hacer el camino contrario. Viendo las decisiones de las personas frente a unos productos, buscamos las utilidades que explican mejor las decisiones que hemos observado.

modelo-comportamiento-conjoint

El modelo log铆stico multinomial (MNL)

En este post veremos el modelo m谩s simple empleado para an谩lisis Conjoint, el modelo log铆stico multinomial (MNL 鈥 MultiNomial Logistic). Este modelo acepta unas hip贸tesis bastante restrictivas que, a cambio, hacen que el an谩lisis sea extremadamente simple. Piensa que el modelo fue desarrollado en los a帽os 70, en una 茅poca en la que los ordenadores no ten铆an la capacidad de c谩lculo actual. Disponer de un modelo simple era una ventaja crucial.

Hip贸tesis del modelo MNL

Todo modelo de comportamiento asume unas hip贸tesis sobre los respondientes y la forma en que se comportan. El modelo MNL se basa en las siguientes hip贸tesis:

  • El error en las estimaciones de utilidad sigue una distribuci贸n de probabilidad tipo valor extremo: Esta distribuci贸n es similar a la normal 鈥 la probabilidad es m谩xima en un valor central y decrece r谩pidamente cuando nos alejamos – pero se describe mediante una funci贸n integrable. Esta hip贸tesis simplifica las expresiones matem谩ticas del modelo.
  • La parte de la utilidad que no observamos est谩 incorrelada entre atributos: Es una hip贸tesis un poco t茅cnica, pero importante. En el modelo MNL estamos suponiendo que hay unos factores que no estamos considerando pero que afectan al respondiente y que son la causa de que nuestra estimaci贸n de utilidad no sea perfecta. Los factores no observados son el origen del error de estimaci贸n. Pues bien, la hip贸tesis que debemos aceptar es que no hay correlaci贸n en la forma en que estos factores no observados afectan a unos y otros atributos. Dicho de otra forma, tener mucho error en un atributo deber铆a ser independiente de tener error en otro atributo.
  • Independencia de alternativas Irrelevantes (IAI). A consecuencia de la hip贸tesis anterior, el modelo MNL nos dice que la probabilidad relativa de elegir una opci贸n A frente a otra opci贸n B no cambia por la presencia o ausencia de otras opciones (son alternativas irrelevantes). La hip贸tesis de IAI es el fundamento de muchos modelos de decisi贸n, pero ha sido cuestionada por varios estudios psicol贸gicos que muestran que el ser humano no siempre decide as铆.

Un ejemplo: el famoso problema del autob煤s rojo 鈥 autob煤s azul. Un viajero tiene la opci贸n de ir al trabajo en autom贸vil o en un autob煤s azul. Supongamos que la utilidad de los dos medios de transporte es la misma, de tal manera que las probabilidades de elecci贸n son iguales: Pcoche=Pbus_azul=1/2. En este caso, el ratio de probabilidades es uno: Pcoche/Pbus_azul=1.

bus-rojo-azul

 

Ahora imagina que se introduce una nueva opci贸n de transporte, un autob煤s rojo, y que el viajero considera que el autob煤s rojo es exactamente igual que el autob煤s azul. La probabilidad de que el viajero elija el autob煤s rojo es por lo tanto la misma que para el autob煤s azul, de manera que el ratio de sus probabilidades es uno: Pcoche/Pbus_azul=1. Sin embargo, el modelo MNL exige que el ratio Pcoche/Pbus_azul siga siendo el mismo (1), haya o no una nueva alternativa. Las 煤nicas probabilidades de elecci贸n que respetan ambas condiciones son Pcoche=Pbus_azul=Pbus_rojo=1/3, que son justamente las probabilidades que el modelo MNL predice.

No parece una buena predicci贸n鈥 En el mundo real, ser铆a de esperar que la probabilidad de que el viajero eligiese el autom贸vil se mantuviese igual cuando un nuevo autob煤s exactamente igual al ya existente estuviese disponible. Es decir, esperar铆amos una soluci贸n Pcoche=1/2 y Pbus_azul=Pbus_rojo=1/4. En un caso as铆 el modelo MNL falla, aunque ciertamente es un caso excepcional.

  • Todos los individuos perciben la misma utilidad de un atributo. El modelo MNL no admite variaci贸n aleatoria de preferencias entre individuos. 驴Qu茅 quiere decir esto? Quiere decir que dos personas id茅nticas no pueden tener preferencias diferentes. Toda diferencia tiene que venir explicada por un factor objetivo, est茅 o no est茅 en el modelo.

Pero, si todos los individuos iguales perciben igual utilidad de los atributos, 驴c贸mo explica el modelo que no todos ellos respondan igual el cuestionario Conjoint? Para el modelo MNL las diferencias en sus respuestas se deben a factores que no estamos observando y que generan error de estimaci贸n.

Esta hip贸tesis puede parecer muy limitante, pero no lo es tanto. En la pr谩ctica puedes ver el asunto de una manera m谩s simple: el modelo MNL estima para cada atributo la utilidad media en la poblaci贸n. Es por ello que nos referimos a un modelo de an谩lisis agregado, no individual.

Probabilidad de elecci贸n MNL

Hemos dicho que un modelo de comportamiento nos permite predecir qu茅 van a elegir las personas a partir de la utilidad de los productos. Veamos c贸mo funciona esta relaci贸n en el modelo MNL.

Supongamos que un individuo debe elegir entre 4 productos diferentes. Imaginemos que conocemos la utilidad de esos 4 productos: U1, U2, U3 y U4. El modelo MNL prev茅 una probabilidad de que el decisor elija la primera opci贸n de:

P1 = eU1 /( eU1+ eU2+ eU3+ eU4)

Para el resto de opciones, las probabilidades ser铆an equivalentes. Como puedes ver, es una expresi贸n sencilla, s贸lo tenemos que exponenciar las utilidades (鈥渆鈥 es el operador exp() de Excel). Esta f贸rmula es muy simple gracias a que hemos considerado que el error de estimaci贸n sigue una distribuci贸n tipo valor extremo.

Veamos un ejemplo. Imagina que hemos estimado la utilidad que tienen dos atributos con dos niveles en un estudio Conjoint sobre coches:

Atributo 1 = Color.
  • Blanco -> Ublanco=-0,5
  • Negro-> Unegro=0,2
Atributo 2 = Marca.
  • VW -> Uvw=1,2
  • Renault-> Urenault=0,8

Si queremos predecir qu茅 probabilidad hay de que un comprador elija uno de los 4 posibles coches que resultan de estos atributos (suponiendo que estuviese forzado a comprar una de las 4 opciones), deber铆amos realizar la siguiente operaci贸n.

  1. Calcular las utilidades de las diferentes opciones como suma de las utilidades de los atributos que las componen.
Coche 1, VW Blanco 脿 U1 = Uvw + Ublanco =1,2-0,5=0,7
Coche 2, VW Negro 脿 U1 = Uvw + Unegro =1,2+0,2=1,4
Coche 3, Renault Blanco 脿 U1 = Urenault + Ublanco =0,8-0,5=0,3
Coche 4, Renault Negro 脿 U1 = Urenault + Unegro =0,8+0,2=1,0

 

  1. Evaluar las probabilidades de las opciones
Pcoche1= eU1 /( eU1+ eU2+ eU3+ eU4)= e0,7 /( e0,7+ e1,4+ e0,3+ e1,0)=20%
Pcoche2= e1,4 /( e0,7+ e1,4+ e0,3+ e1,0)=40%
Pcoche3= e0,3 /( e0,7+ e1,4+ e0,3+ e1,0)=13%
Pcoche4= e1,0 /( e0,7+ e1,4+ e0,3+ e1,0)=27%

grafico-conjoint

Ya tenemos una f贸rmula que nos permite predecir en qu茅 proporci贸n se elegir谩 un producto a partir de su utilidad y la de sus competidores. Es decir, el market share entre compradores.

Y el an谩lisis, 驴c贸mo se hace?

Ya sabemos pasar de utilidades a probabilidades. Pero lo que queremos hacer es lo contrario. Piensa qu茅 tipo de informaci贸n obtenemos en una encuesta Conjoint. Las respuestas de los participantes son elecciones (=decisiones) frente a un oferta de dos o m谩s productos. Si pedimos a 100 personas que elijan entre la opci贸n A y la B, y 20 optan por la A, podemos inferir que el 20% de la poblaci贸n prefiere A frente a B.

Pues bien, ese % de gente que ha optado por A frente a B es equivalente a la probabilidad de elecci贸n de A frente a B. Vi茅ndolo as铆, la tarea de an谩lisis ser谩 buscar las utilidades de A y de B que predigan una probabilidad de elecci贸n de A frente a B del 20%.

Parece f谩cil, pero no lo es tanto. A y B son productos compuestos por varios atributos, y es la utilidad de esos atributos lo que tenemos que encontrar. Y esos atributos se combinar谩n de diferentes formas para formar productos C, D, E, etc. cuyas probabilidades de elecci贸n estimadas tendremos gracias a la encuesta Conjoint. Al final, la encuesta nos dar谩 datos de muchas elecciones respecto a m煤ltiples combinaciones de atributos.

驴C贸mo podemos encontrar utilidades que cuadren con todas las elecciones de los encuestados a la vez?

La respuesta es que no podemos lograrlo. Pero s铆 podemos lograr estimar las utilidades que se equivoquen lo menos posible en la predicci贸n. Para hacerlo, lo habitual es usar el siguiente m茅todo:

  1. Partimos de unas utilidades iguales para todos los atributos.
  2. Calculamos las probabilidades de elecci贸n para cada situaci贸n de elecci贸n de la encuesta.
  3. Calculamos el error cometido entre nuestra predicci贸n y las respuestas de la encuesta.
  4. Modificamos las utilidades de la forma que m谩s reduzcan el error.
  5. Repetimos los pasos 2-4 hasta que no logremos reducciones apreciables en el error.

 

El an谩lisis mediante el modelo Logit Multinomial es una forma simple de analizar un Conjoint, pero s贸lo nos permitir谩 obtener conclusiones a nivel agregado. Podremos hablar de las preferencias de la muestra, pero no de las preferencias de un individuo o grupo de individuos concreto. En el pr贸ximo post, veremos un m茅todo m谩s sofisticado que nos ser谩 de mucha ayuda.

[Este post forma parte de una serie de 10 publicaciones. Puedes leer m谩s accediendo al anterior post o al siguiente post]

Categoría: conjoint Trackback | Comentarios (2)

El caso Kodak, mucho que aprender

Escrito por Carlos Ochoa el 5 de enero 2015

Las empresas forman un ecosistema en que el darwinismo aplica toda su crudeza. Algunas de ellas evolucionan, se adaptan con 茅xito a los cambios de su entorno y perduran. El resto, desaparecen. Jim Collins tiene un excelente libro, Built to Last, sobre qu茅 factores determinan la durabilidad de las empresas.

Siempre me ha resultado dif铆cil entender c贸mo empresas que parec铆an pr谩cticamente indestructubles, l铆deres indiscutibles en sus sectores, acaban siendo una sombra de lo que fueron o incluso desapareciendo.

Mi inter茅s en estos casos es doble. Por un parte, Netquest forma parte de la industria de investigaci贸n de mercados, una industria dedicada a orientar a las empresas para que tomen sabias decisiones que les ayuden a perdurar. Y del mismo modo que como sector nos atribu铆mos m茅ritos en las buenas decisiones empresariales de las cuales participamos, tambi茅n debemos cargar con parte de la culpa en estas c茅lebres fallidas empresariales.

Por otra parte, me interesan estos casos en relaci贸n a Netquest como empresa. Netquest se enfrenta en los pr贸ximos a帽os a buenas oportunidades y a grandes retos, a entornos altamente inestables, similares a los que han enfrentado algunas de las empresas tr铆stemente c茅lebres por su falta de capacidad de adaptaci贸n. 脡xitos presentes no garantizan 茅xitos futuros. Tal vez entender porqu茅 estas grandes corporaciones no pudieron sobreponerse a las dificultades pueda ayudarnos a evitar sus errores (y tal vez a cometer otros diferentes, claro).

Muchos son los casos de empresas que parec铆an indestructibles y que han acabado ocupando una posici贸n secundaria en sus mercados, absorbidas por sus competidores o desaparecidas: Nokia, Olivetti, PanAm, Blockbuster, Arthur Andersen, Compaq, Rover,… Entre todas ellas, el caso de Kodak me parece fascinante.

kodak-crisis

Kodak, 130 a帽os de historia

La Eastman Kodak Company, popularmente conocida como Kodak, fue fundada en 1888. Su 茅xito inicial se debi贸 a la introducci贸n del carrete de papel en el mercado, reemplazando las placas de cristal que se empleaban hasta entonces, as铆 como al lanzamiento de las primeras c谩maras que empleaban carretes circulares. Su lema en aquella 茅poca describe bastante bien su propuesta de valor: “Usted aprieta el bot贸n, nosotros hacemos el resto”.

Desde su aparici贸n, Kodak lider贸 el desarrollo comercial de la fotograf铆a. Gracias a innovaciones tecnol贸gicas que gozaron de ciclos de vida extensos, Kodak disfrut贸聽durante 130 a帽os de una posici贸n envidable en el mercado. Un l铆der con todas las de la ley, casi un monopolio (70% de cuota de mercado en los a帽os 90) que le permiti贸 emplear una estrategia orientada a la alta rentabilidad. Kodak lleg贸 a ocupar la posici贸n n潞18 en la lista Forbes de mayores empresas norteamericanas.

Esta situaci贸n cambi贸 con la llegada del siglo XXI. Para entender la dimensi贸n del desastre, basta decir que la acci贸n de Kodak en el a帽o 2004 cotizaba a 30$ y que en 2012 se desplom贸 hasta los聽27 centavos.

驴Qu茅 factores explican esta debacle? 驴C贸mo una empresa l铆der durante 130 a帽os puede desmoronarse como un castillo de naipes en unos pocos a帽os? He aqu铆 algunas explicaciones, extra铆das de los m煤ltiples estudios de este caso que se han realizado hasta la fecha (por ejemplo, el de Eduardo Esteva聽o el de Camilo Matiz).

Una lectura limitada de su misi贸n

La misi贸n de Kodak era y es “proveer a sus consumidores con las soluciones necesarias para capturar, almacenar, procesar, generar y comunicar im谩genes donde sea y cuando sea”. Resulta sorprendente: una misi贸n as铆 deber铆a haber impulsado a Kodak a sumarse, cuando no a liderar, el desarrollo de la fotograf铆a digital.

Sin embargo, Kodak actu贸 en primera instancia de forma excesivamente conservadora ante la irrupci贸n de las nuevas tecnol贸gicas. Y cuando las cosas se complicaron, en lugar de inspirarse en su misi贸n para reaccionar, buscaron refugio en subsectores en los que seguir rentabilizando su antiguo know-how (imagen m茅dica, impresi贸n r谩pida, impresi贸n de libros bajo demanda…) en lugar de afrontar las dificultades y ser fieles a si mismos.

kodak-caso

Orientaci贸n a la rentabilidad, no al cliente

驴Sab铆an que en 1996 Kodak ya contaba con un modelo de c谩mara fotogr谩fica digital? Sin embargo, la direcci贸n de Kodak cuestionaba que la fotograf铆a digital pudiese reemplazar a la fotograf铆a tradicional.

脡ste es un error recurrente en las grandes fallidas empresariales: la resistencia al cambio y la argumentaci贸n sesgada de directivos que lleva a las empresas a rechazar la realidad que se avecina. La historia est谩 plagada de frases lapidarias que muestran la incapacidad de una gran mayor铆a de empresarios de dimensionar correctamente la magnitud de un cambio social: “el cine con sonido es una moda pasajera”, “la gente no necesita ir todo el d铆a con un tel茅fono en el bolsillo”, “los coches el茅ctricos no tienen futuro”,…

Kodak tuvo la聽oportunidad de liderar la revoluci贸n digital en los 90, pero opt贸 por seguir exprimiendo la vaca lechera de la fotograf铆a tradicional. El negocio de los carretes y el revelado era altamente rentable, mientras que la fotograf铆a digital implicaba un concepto “do it yourself” que requer铆a pensar en nuevos modelos de negocio. Sin embargo, 驴acaso el hecho de que el nuevo mundo digital no fuese tan rentable justificaba la decisi贸n de aferrarse al negocio de siempre? La respuesta es NO. Si Kodak no daba el salto, otros lo iban a dar. Y siempre es mejor pasar de un negocio grande a uno mediano, que quedarse con un negocio inexistente.

Empresas como Canon, Nikon o Sony dieron ese salto. Ten铆an poco a perder y su estrategia fue mucho m谩s atrevida. Cuando Kodak quiso reaccionar, no era nadie en el mundo de la fotograf铆a digital.

Infravalorar a los competidores

He visto este fen贸meno numerosas veces en mi vida. Siempre que hablo con personas empleadas en empresas l铆deres de su sector (ya sea banca, telecomunicaciones, seguros, b煤squedas en internet…) percibo cierto complejo de superioridad. Es un fen贸meno curioso, en cierto modo comprensible. Las empresas “ganadoras” generan una fuerte cultura empresarial que impregna a todos sus colaboradores y que, en el fondo, puede hacer la empresa m谩s d茅bil.

Kodak subestim贸 a sus competidores. O sobrestimaron el poder de su marca, pensando que podr铆an sumarse a la carrera digital en cualquier momento y gozar de 聽ventaja sobre sus competidores por el simple hecho de ser Kodak. Se equivocaron, el consumidor aprendi贸 pronto qui茅nes eran los referente en la era digital, y Kodak no estaba entre ellos.

Lecciones aprendidas

Los errores de Kodak se han estudiado en escuelas de negocio, se conocen sobradamente. Y a煤n as铆, se volver谩n a producir. Hoy en d铆a nos cuesta pensar en un futuro sin Google, Apple, Facebook, Microsoft, SAP o Zara. Pero un cambio tecnol贸gico o social repentino, y una reacci贸n inadecuada, pueden acabar con cualquiera de las empresas indestructibles antes mencionadas. No tengo聽la menor duda.

Categoría: Art铆culos | Investigacion de Mercados | Sin categor铆a Trackback | Comentarios(0)