December 11, 2014 | Carlos Ochoa

Cápsula 6: Diseño experimental y estrategias para encontrar un buen diseño

En el último post vimos cómo debe ser un buen diseño experimental Conjoint. También vimos cómo calcular una medida que permite comparar diseños: la eficiencia. En este post veremos cómo construir un diseño que se ajuste a nuestros criterios (número de sets, alternativas por sets, etc.) y que sea eficiente.

¿Y si lo dejamos al azar?

Un buen diseño, en realidad, es un diseño perfectamente aleatorio. Queremos que todos los niveles aparezcan por igual, que todas las comparaciones de niveles aparezcan un número similar de veces… si generamos el diseño estrictamente al azar, dando la misma probabilidad de inclusión a todos los niveles, deberíamos lograr nuestro objetivo. Es lo que se conoce como diseño aleatorio.

Bien, lo anterior no es del todo cierto. Dejar las cosas al azar tiene sus riesgos. Si la muestra fuese muy grande, con una gran cantidad de sets mostrados, seguramente dejar las cosas al azar funcionaría. Pero la realidad es que la muestra es costosa y no podemos permitirnos muestras de miles de personas para todos los estudios.

Por ello es más conveniente fijar un diseño concreto, especialmente pensado para un tamaño de muestra prefijado, de forma que aseguremos que el diseño va a estar equilibrado. Esta estrategia se conoce como diseño planificado.

Diseños planificados predefinidos

plan-diseño-conjoint

 

Como puedes imaginar, no vas a ser el primero que necesite crear un diseño para un experimento Conjoint. Muchos otros investigadores han pasado por ello. ¿No existirán ya diseños hechos que puedan resultar de utilidad?

Efectivamente, existen diseños predefinidos. Para ciertas combinaciones de número de atributos y niveles por atributo, existen diseños ideales – perfectamente balanceados y ortogonales – que podemos usar para nuestro estudio. Estos diseños ideales se construyen mediante un instrumento matemático conocido “arrays ortogonales”. A continuación verás algunas de las combinaciones de atributos y niveles para los que existen estos diseños ideales. El diseño se muestra en formato matriz. Cada fila es un producto mostrado, cada columna es el nivel de atributo correspondiente.

Diseño para 3 atributos, con 2 niveles por atributo (se suele expresar como 2x2x2 o 23)

1 1 1

2 1 2

1 2 2

2 2 1

Diseño para 2 atributos, uno con 2 niveles y otro con 3 (2131)

1 1

1 2

1 3

2 1

2 2

2 3

Diseño para 7 atributos de 2 niveles (27)

1 1 1 1 1 1 1

2 1 2 1 2 1 2

1 2 2 1 1 2 2

2 2 1 1 2 2 1

1 1 1 2 2 2 2

2 1 2 2 1 2 1

1 2 2 2 2 1 1

2 2 1 2 1 1 2

 

El problema es que no siempre vamos a encontrar un diseño pre-establecido que se ajuste a nuestro problema real. En general, rara vez podremos aprovechar estos diseños. Necesitamos una solución alternativa para generar diseños a medida de nuestro problema de investigación.

Creación de diseños a medida

Para crear diseños a medida necesitamos usar un algoritmo de búsqueda. Existen diferentes algoritmos. Para ilustrar cómo son estos algoritmos, explicaremos el que usa Netquest para construir los diseños de los estudios Conjoint solicitados por sus cliente. Este algoritmo se basa en el mecanismo propuesto por primera vez por Warren F. Kuhfeld en 1994, inspirado a su vez por un algoritmo propuesto por Federov.

La idea es la siguiente:

  1. Elaboramos una lista de candidatos: son todos los posibles productos que puede incluir el Conjoint. Estos productos son todas las combinaciones posibles de los niveles de los atributos que hayamos definido.
  2. Ordenamos la lista aleatoriamente.
  3. Se crea un primer diseño mediante una selección aleatoria de los posibles productos.
  4. Evaluamos la eficiencia-D normalizada del diseño aleatorio inicial.
  5. Reemplazamos el primer producto incluido en el diseño por cada uno de los productos de la lista de candidatos.
  6. Evaluamos para cada reemplazo si la eficiencia-D mejora o empeora. Si mejora aceptamos el cambio, si empeora lo rechazamos.
  7. Repetimos la operación (5) y (6) para todos los productos del diseño.
  8. Una vez hemos tratado de reemplazar todos los productos del diseño, volvemos a empezar: tratamos nuevamente de reemplazar todos los productos.
  9. Este algoritmo se lanza múltiples veces, empezando cada vez con un diseño inicial aleatorio diferente. Nos quedamos con el diseño resultante que mejor eficiencia haya obtenido.

El algoritmo descrito es especialmente útil para proyectos Conjoint reales, en los que el número de atributos y la cantidad de niveles de cada atributo no se ajustan a un patrón pre-establecido. Otra ventaja es la posibilidad de incluir en el algoritmo lo que se conoce como restricciones de diseño.

Restricciones de diseño

Un Conjoint permite estudiar diferentes tipos de productos: coches, seguros, tarjetas de crédito, contratos de telefonía… Cada tipología de producto tiene características propias. Los atributos y la forma en que se combinan para crear productos, varía mucho de un sector a otro. En ocasiones, el responsable de producto que está detrás de un estudio Conjoint quiere imponer ciertas restricciones a los productos que vamos a mostrar en la encuesta.

Una restricción muy habitual es la de definir productos prohibidos, combinaciones de atributos que nunca deben mostrarse. Por ejemplo, en un estudio Conjoint sobre coches, podría darse el caso de que una de las marcas estudiadas no ofrezca coches de un color determinado y otra no ofrezca motores diésel. Si ejecutamos un algoritmo de creación de diseños estándar, estas combinaciones aparecerían.

diseño-conjoint-problemas

 

Otra restricción frecuente es la de definir comparaciones prohibidas, productos que no deberían aparecer dentro de un set. Por ejemplo, podemos querer impedir comparaciones de productos dominantes. Se dice que un producto domina a otro cuando el primero es objetivamente mejor a otro. Imaginemos en nuestro estudio de coches dos productos idénticos en todos los atributos (misma marca, misma potencia, mismo color) pero uno tiene un precio inferior a otro. Cualquier respondiente racional seleccionará el producto de precio inferior. Incluir esta pregunta en el estudio no produciría ningún problema, incluso nos permitiría detectar respuestas incoherentes, pero no nos aportaría información relevante.

Algoritmos personalizados

La buena noticia es que el algoritmo descrito anteriormente puede personalizarse a medida de un problema de investigación concreto. Por ejemplo, el problema de los productos prohibidos se resuelve eliminando dichos productos de la lista de candidatos a partir de la cual se crean los diseños. Las combinaciones prohibidas pueden controlarse añadiendo un paso al algoritmo, de manera que antes de incluir o reemplazar un producto en el diseño, verifique que ese producto puede convivir con los que están ya en el set de destino.

La mala noticia es que en ocasiones las reglas que definen los productos y comparaciones prohibidas no son simples. Podemos enfrentarnos a restricciones totalmente personalizadas para un problema concreto, por lo que necesitaremos que un programador reformule el algoritmo de búsqueda de diseños eficientes.

Otro problema de la (excesiva) personalización de los diseños es el efecto que pueden tener sobre la eficiencia. Ya hemos explicado que un diseño eficiente está balanceado y es ortogonal, lo que equivale a decir que es un diseño idealmente aleatorio, sin correlaciones entre atributos. Imponer reglas sobre cómo se combinan atributos, en el fondo, está imponiendo correlaciones y por lo tanto reduce la eficiencia del diseño.

Por lo tanto, debemos usar las restricciones lo menos posible. Que una combinación de atributos no exista en el mercado, no significa que no debamos incluirla en el experimento. Estamos tratando de medir cómo valora el consumidor cada atributo, y esas combinaciones inexistentes pueden darnos mucha información. Por ejemplo, aunque una marca de coches no comercialice vehículos en color rojo, nada impide medir qué respuesta generaría esta propuesta a los clientes.

 

Con esta capsula ponemos fin a la extensa explicación sobre cómo debemos diseñar experimentos Conjoint. En la próxima cápsula abordaremos cómo debe programarse un cuestionario Conjoint, para pasar en siguientes posts a un aspecto clave de estos estudios: el análisis.

 

Download Netquest panel book

  

¿Te ha gustado el post? ¿Quieres profundizar más sobre el tema? Pues hemos preparado una serie de diez cápsulas sobre Conjoint. ¡No te pierdas ninguna!

ÍNDICE: Serie Cápsulas sobre Conjoint

Cápsula 1: Qué es un estudio Conjoint y cómo utilizarlo

Cápsula 2: Entendiendo el concepto de utilidad

Cápsula 3: Fases de un Conjoint

Cápsula 4: Diseño experimental, parámetros de diseño

Cápsula 5: Diseño experimental, calidad de un diseño

Cápsula 6: Diseño experimental y estrategias para encontrar un buen diseño

Cápsula 7: Programación de cuestionarios Conjoint

Cápsula 8 - Análisis agregado de un Conjoint

Cápsula 9: Análisis Individual de un Conjoint

Cápsula 10: Aplicación del Conjoint a un caso real

Carlos Ochoa

About the author

Carlos Ochoa | Chief Client Officer

FREE EBOOK

The essentials of online data collection

Download ebook

Netquest Blog Archives

Search and discover over last years latest market research topics.

View the archives

Suscribete a nuestro blog

Recibe las últimas noticias en tu email.

Subscribe to our blog

netquest-blog-suscription-shape-illustration

Hey!

It looks that you are enjoying what you've been reading

Want to read more?

Hey!

It looks that you are enjoying what you've been reading

Want to read more?

Have access to more genuine content, subscribe to our blog.

I'm already subscribed. Close