¡Descarga Técnicas estadísticas para análisis de relaciones en investigación de mercados y más Esquemas y mapas conceptuales en PDF de Comunicación Gráfica solo en Docsity!
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales, 339-
Aplicación de la investigación de mercados al
análisis de problemas de marketing
Autor: Miguel Santesmases Mestre Catedrático de Comercialización e Investigación de Mercados (Emérito) Universidad de Alcalá (Madrid)
Resumen La concepción actual del marketing parte del conocimiento de las necesidades y del comportamiento del consumidor con el fin de establecer relaciones estables, que beneficien tanto al comprador como al vendedor. Para obtener este conocimiento es preciso utilizar los métodos y técnicas de diseño de encuestas y análisis de datos que proporciona la investigación de mercados. Este artículo pretende exponer los métodos que deben llevarse a cabo para dise- ñar encuestas y otros estudios empíricos y cómo pueden ser aplicadas las distintas técnicas de análisis de datos que incluye la investigación de mercados. Todo ello con el fin último de obtener un conocimiento del consumidor/comprador que permita llevar a cabo un auténtico marketing de relaciones.
Palabras clave: investigación de mercados, técnicas de análisis de datos, análisis multivariable, marketing, consumidor.
I. Concepción actual del marketing a partir del conocimiento del consumidor/comprador El marketing parte de las necesidades y deseos del consumidor y tiene como fin su satisfacción del modo más beneficioso, tanto para el comprador o consumidor como para el vendedor. Para llevar a cabo esta relación de intercambio, el marketing diseña estrategias y utiliza un conjunto de métodos y técnicas que permiten identi- ficar las necesidades del consumidor y desarrollar la demanda para los productos que, diseñados de acuerdo con tales necesidades, se ofrecen al mercado. Para el análi sis del mercado y evaluación de estra te gias, la dirección de marketing aplica métodos y utiliza técnicas de análisis de la demanda y del comportamiento del consumidor, así como de segmentación de mercados, posicionamiento y, en general, de la investigación de mercados. El análisis de la demanda implica las tareas de medir, explicar y pronosticar. Medir supone cuantificar el alcance de la demanda, tanto actual como potencial. Explicar la demanda requiere identificar las variables que la determinan y averiguar cómo influyen en su comportamiento. Finalmente, pronosticar supone efectuar una previsión del nivel de demanda en el futuro, partiendo del comportamiento actual y pasado de la demanda y de las variables que influyen en dicho comportamiento. El estudio del comportamiento del consumidor se deriva del concepto actual del marketing. Dicho estudio constituye el punto de partida para la aplicación de un auténtico marketing de relaciones, puesto que difícilmente se podrán satisfacer de forma efectiva las necesidades del consumidor sin un conocimiento previo de los bie- nes y servicios que éste desea y de las actividades que el consumidor lleva a cabo para adquirirlos. El estudio del comportamiento del consumidor se refiere, por tanto, al conjunto de actividades que lleva a cabo una persona o una organización desde que tiene una necesidad hasta el momento que efectúa la compra y usa, posterior- mente, el producto. El estudio de tal comportamiento incluye también el análisis de todos los factores que influyen en el origen, desarrollo y ejecución de las acciones lle- vadas a cabo por el consumidor. Aunque se hace referencia a los consumidores, en general, como si fueran homo- géneos, en realidad no lo son. Los consumidores tienen características o atributos diversos, muchos tipos de necesidades diferentes y cuando compran un producto no buscan siempre los mismos beneficios. En consecuencia, no se puede considerar el mercado como una unidad y ofertar a todos sus integrantes los mismos productos o servicios. Si se quieren satisfacer realmente las necesidades del mercado e incre- mentar la demanda, debe proponerse una oferta diferenciada a cada uno de los gru- pos de consumidores que presentan características o necesidades distintas. La seg- mentación pone de manifiesto precisamente estas diferencias en las características y necesidades de los consumidores y permite detectar cuáles de ellas son relevantes, con el fin de llevar a cabo estrategias de marketing diferenciadas que permitan satis- facer de forma más efectiva las necesidades de los distintos grupos de consumidores.
340-
MIGUEL S ANTESMASES MESTRE
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales,
- Definición de los objetivos de la investigación.
- Determinación del tipo de diseño de investigación.
- Especificación de las hipótesis del estudio.
- Definición, clasificación y medida de las variables del estudio.
- Selección de las fuentes de información.
- Diseño del cuestionario o formulario para la captura de los datos.
- Diseño y selección de la muestra (si procede).
- Obtención y tratamiento de los datos.
- Análisis de los datos e interpretación de los resultados.
- Elaboración del informe de investigación.
La identificación del problema supone partir de una definición clara y precisa del problema que se va a estudiar (“un problema bien definido es un problema medio resuelto”). Para identificar mejor el problema a investigar es necesario revisar previa- mente los estudios de mercado y científicos que se han realizado sobre el tema de investigación o análogos. La definición de los objetivos de la investigación implica concretar y enumerar los fenómenos que se quieren investigar y las relaciones que puedan existir entre ellos, para así poder especificar posteriormente las hipótesis que se quieren contras- tar (Zikmund, 1998). La determinación del tipo de diseño de investigación se deriva de la clase de problema a estudiar y de los fines de la investigación. Según su diseño, los estudios pueden ser exploratorios, descriptivos y experimentales. El exploratorio es un estu- dio preliminar, muy flexible y poco formal, que se basa en el estudio de datos ya existentes, en entrevistas con personas expertas y en el examen de situaciones aná- logas, mediante casos de estudio y simulaciones. Este tipo de estudios ayuda al investigador a formular hipótesis o a clarificar conceptos y le permiten familiarizarse con el problema (Churchill, 2001). El estudio descriptivo o correlacional es el más usual en investigación de mercados. Tiene como finalidad describir las característi- cas de ciertos grupos, determinar la frecuencia con que ocurre algo, estimar la rela- ción entre dos o más variables o efectuar predicciones. Los estudios descriptivos son más formales que los exploratorios y establecen modelos basados en hipótesis. En este tipo de estudios, la encuesta constituye el método más habitual de obtener información. Finalmente, los estudios experimentales son idóneos para contrastar hipótesis y establecer relaciones de causa-efecto, por el control que proporcionan al investigador. Las hipótesis son una afirmación o proposición no probada sobre un fenómeno, el comportamiento de una o más variables o la relación entre dos o más de ellas. Las hipótesis ponen de manifiesto lo que se está buscando y anticipan las respuestas posi- bles a las cuestiones planteadas en la investigación. Las hipótesis tienen que ser pro- posiciones únicas (no múltiples) sobre los resultados esperados de la investigación.
342-
MIGUEL S ANTESMASES MESTRE
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales,
Tienen que estar formuladas de modo afirmativo, no como pregunta con interrogan- tes. Es una hipótesis, por ejemplo, afirmar que el hábito de fumar aumenta el riesgo de accidente laboral, o que la edad influye positivamente sobre el comportamiento de compra de un determinado producto. Los resultados del estudio tendrán que con- firmar o rechazar las hipótesis. Las hipótesis pueden derivarse de la teoría, de investi- gaciones exploratorias previas o de la experiencia del investigador (Aaker y Day, 1980). La definición de las variables permite hacer operativos y susceptibles de medida los problemas básicos a investigar (Simon, 1969). Una variable es una magnitud cuyos valores son objeto de estudio. Puede referirse a un individuo, grupo de perso- nas u organización. En función del fenómeno que miden y sin ánimo de ser exhausti- vos, las variables pueden clasificarse en comportamientos, atributos, percepciones, preferencias, valores, estilos de vida, opiniones, actitudes, motivaciones, deseos y necesidades. Según la relación causa-efecto analizada, las variables pueden dividirse, de acuerdo con el papel que desempeñen en la relación causal, en dependientes e independientes. En función de los valores que pueden adoptar, las variables se clasi- fican en continuas, discretas, dicotómicas, binarias, ficticias y tipificadas. La medida de las variables viene determinada por la escala utilizada. El tipo de escala, a su vez, condiciona la elección de la técnica estadística de análisis de los datos. Según la cla- sificación de Stevens (1946), pueden distinguirse cuatro tipo de escalas: nominales (indican sólo la pertenencia a una clase o categoría), ordinales (implican una orde- nación de las categorías de una variable nominal), interválicas (además de ordena- ción, las distancias entre los valores o intervalos de la escala son iguales, aunque no existe proporcionalidad entre ellos ni el valor 0 de la escala es absoluto) y proporcio- nales o de razón (además de ordenación e intervalos iguales, existe proporcionalidad entre los valores de la escala y el valor 0 es absoluto). Las fuentes de información en investigación de mercados son las personas, orga- nización u objetos de los que se obtienen los datos para ser analizados. Las fuentes de información, por su propósito, pueden ser primarias o secundarias, y por su ori- gen, internas o externas (Luque, 1997). Un dato primario es aquel que se obtiene de modo específico para la investigación a efectuar. Un dato secundario es aquel que ya está disponible, que se ha obtenido en estudios anteriores y que sirve subsi- diariamente para el propósito de la investigación a realizar. Son internos los datos obtenidos dentro de la propia organización o entidad que desarrolla la investiga- ción. Los datos externos pueden ser públicos o privados (Pedret, Sagnier y Camp, 2000). El cuestionario es el formulario que contiene las preguntas o variables de la investigación y en el que se registran las respuestas de los encuestados. El diseño del cuestionario no es sencillo y presenta ciertas dificultades. Si bien preguntar es relati- vamente fácil, hacer buenas preguntas es un arte que requiere imaginación y expe- riencia (Simon, 1969). Para un diseño apropiado del cuestionario es fundamental
343-
APLICACIÓN DE LA INVESTIGACIÓN DE MERCADOS AL ANÁLISIS DE PROBLEMAS DE MARKETING
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales,
III. Técnicas de análisis de datos para detectar y solucionar problemas de marketing La finalidad del análisis de los datos es su transformación en información rele- vante para la toma de decisiones. La información es relevante si sirve para identificar y solucionar los problemas objeto de investigación. Esto implica que la información debe contribuir a reducir la incertidumbre, ha de ser susceptible de influir en las decisiones y ha de justificar su coste (Gandz y Whipple, 1977), aunque esto último no implica que su rentabilidad deba medirse únicamente en términos económicos. La aplicación de técnicas estadísticas de análisis de datos, especialmente las más sofisticadas, ha tenido en los últimos años un crecimiento muy importante en la investigación de mercados, especialmente desde la mayor disponibilidad y abarata- miento de los medios electrónicos de cálculo y el desarrollo de paquetes de progra- mas estadísticos. Esta capacidad creciente de obtener y procesar información que permiten las nuevas tecnologías está produciendo cambios importantes en el papel de la investigación de mercados (Perreault, 1992; Luque, 1997 y 2000). En función del número de variables analizadas simultáneamente, las técnicas de análisis de datos pueden clasificarse en univariables, bivariables y multivariables, según que analicen, respectivamente, una sola variable, la relación o dependencia entre dos variables y la relación o interdependencia entre más de dos variables. El análisis estadístico multivariable es el más completo y permite un mejor acer- camiento a la realidad de los fenómenos económicos y sociales. Tales fenómenos sue- len ser complejos y no se limitan a un número reducido de dimensiones, sino que, por el contrario, son multidimensionales, y su estudio precisa de herramientas ade- cuadas que no supongan una simplificación de la realidad. Ésta es la principal contri- bución del análisis multivariable a la investigación de mercados. Las técnicas que se incluyen en el análisis multivariable suelen clasificarse en dos grandes grupos, según analicen relaciones de dependencia o de interdependencia entre variables u objetos (Morrison, 1976; Sheth, 1977; Green, 1978; Cuadras, 1981; Berenson, Levine y Goldstein, 1983; Luque, 2000). En el primer caso, el análi- sis multivariable permite estudiar la medida o intensidad con que se da la dependen- cia entre las variables y determina, por lo general, una relación funcional. En el caso de interdependencias, el análisis multivariable estudia las interrelaciones entre todas las variables o agrupa los sujetos u objetos por su similitud, de acuerdo con los valo- res mostrados por las variables analizadas. En los apartados siguientes se desarrolla cada uno de estos tipos de técnicas.
III.1. Análisis de relaciones de dependencia (relaciones causa-efecto) Una dependencia es una relación o asociación entre dos o más variables en la que el comportamiento o el valor de una o más de ellas (variables dependientes, cri- terio o a explicar) es el efecto (depende) del valor de otra u otras variables causales
345-
APLICACIÓN DE LA INVESTIGACIÓN DE MERCADOS AL ANÁLISIS DE PROBLEMAS DE MARKETING
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales,
(independientes, predictoras o explicativas). Una relación de dependencia es, por ejemplo, la que se da entre el número de periódicos que se lee diariamente (variable a explicar) y la edad, sexo y nivel de estudios del individuo (variables explicativas). El comportamiento de la primera variable puede estar en función o “depender” (por esto se la denomina variable dependiente) de las otras variables consideradas expli- cativas (identificadas como variables independientes). Las relaciones de dependencia entre variables pueden referirse a sólo dos grupos de variables (uno de variables dependientes y otro de independientes) o a un mayor número de grupos, en los que las variables que en un momento dado son dependien- tes de otras pueden, a su vez, actuar posteriormente como variables independientes de otra u otras variables. El primer caso hace referencia a las técnicas clásicas de análisis multivariable, mientras que en el segundo se incluyen los modelos causales de ecuaciones estructurales
III.1.1. Técnicas estadísticas multivariables de análisis de dependencias entre dos gru- pos de variables Estas técnicas se subdividen, a su vez, en dos tipos:
a. Técnicas que analizan la relación de dependencia entre una sola variable dependiente o a explicar y múltiples independientes o explicativas. b. Técnicas que analizan la relación de dependencia entre múltiples variables dependientes y múltiples variables independientes.
Dentro del primer grupo se incluyen las técnicas siguientes:
- Análisis de regresión múltiple.
- Análisis de regresión logística binaria.
- Análisis de clasificación múltiple.
- AID (Automatic Interaction Detection).
- CHAID (Chi Square Automatic Interaction Detection).
- Análisis conjunto categórico.
- Análisis conjunto ordinal (monanova).
El análisis de regresión múltiple es la más conocida de las técnicas de análisis de dependencias. En ella se establece una relación funcional entre una variable depen- diente Y y una serie de variables independientes X 1 , X 2 , X 3 , ..., Xn , que se expresa formalmente con la ecuación: Y = a + ß 1 X 1 + ß 2 X 2 + ß 3 X 3 + ... + ß (^) n Xn + e , en la que los coeficientes a , ß 1 , ß 2 , ..., ß (^) n son parámetros a estimar y se denominan coe- ficientes de regresión. El parámetro a representa el valor que toma la variable depen- diente en el supuesto de que el valor de las variables independientes sea igual a cero. Los demás coeficientes determinan el efecto que tienen las variaciones de las varia-
346-
MIGUEL S ANTESMASES MESTRE
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales,
u ordinales, y la variable dependiente o a explicar debe estar medida con una escala métrica (proporcional o interválica) o dicotómica (valores 1 ó 0). El análisis CHAID ( Chi Square Automatic Interaction Detection ) se fundamenta en los trabajos estadísticos de Kass (1980) y es similar al análisis AID, aunque presenta algunas diferencias, entre ellas el que tanto la variable dependiente como las inde- pendientes son categóricas. Al igual que el AID identifica las diferencias en la distri- bución de las respuestas de la variable criterio sobre la base de las características de las variables predictoras. El CHAID realiza también una partición secuencial de los elementos de la muestra, formando grupos, pero la partición no es necesariamente dicotómica, como en el AID, sino que pueden generarse más de dos grupos en cada subdivisión. También se diferencia del AID en el criterio para efectuar la partición de la variable dependiente. En el AID se basa en un análisis de la varianza de las diferencias entre las medias de todos los grupos dicotómicos posibles. En el CHAID, en cambio, al ser la variable dependiente categórica, se efectúan todas las tabulacio- nes cruzadas posibles con las variables independientes, se calcula en cada tabla cru- zada el estadístico ji -cuadrado y se elige la agrupación de las categorías de la variable independiente que presenta el nivel de significación más alto. Una vez obtenido el primer nivel de agrupación de las variables independientes, se procede con el siguiente nivel, subdividiendo los grupos obtenidos de forma similar a la efectuada en el primer nivel. El análisis conjunto o medición conjunta ( conjoint measurement ) es una técnica de análisis multivariable de dependencias que, como su propio nombre indica, trata de determinar el efecto conjunto de dos o más atributos de las variables estímulo (independientes) sobre la evaluación global de un objeto o sujeto (variable depen- diente). El objetivo es descomponer la medida de la evaluación total en los compo- nentes que se pueden imputar a los atributos de las variables estímulo. El criterio para medir la bondad de la descomposición es el grado de acuerdo entre los valores originales de la evaluación y los valores estimados por el análisis conjunto (Sheth, 1977). El análisis conjunto trata de estimar las utilidades para el decisor que se deri- van de la valoración de los atributos de un producto u objeto a partir de las preferen- cias manifestadas a distintas combinaciones de estos atributos. La variable depen- diente puede ser categórica, ordinal o numérica, mientras que las variables indepen- dientes (dos o más), son siempre categóricas. Esta técnica, por tanto, mide el efecto conjunto de dos o más variables independientes no métricas sobre la clasificación, ordenamiento o valoración de una variable dependiente. Además de ser una técnica de análisis de dependencias, la medición conjunta puede concebirse también como una metodología de la investigación que se apoya en diseños experimentales (Varela y Braña, 1996). Se distingue entre el análisis conjunto categórico, desarrollado por Carroll y Chang (Carroll, 1969; Carroll y Chang, 1993) y el ordinal (MONANO- VA), propuesto por Kruskal (1965). En el primero la variable dependiente es categó- rica, mientras que en el segundo puede ser ordinal o numérica.
348-
MIGUEL S ANTESMASES MESTRE
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales,
Dentro del grupo de técnicas que analizan la relación de dependencia entre múl- tiples variables dependientes y múltiples variables independientes, se integran las siguientes:
- Análisis discriminante múltiple.
- Análisis de correlaciones canónicas.
- Redes neuronales artificiales.
El análisis discriminante permite explicar la pertenencia de individuos u objetos a grupos preestablecidos (por ejemplo: comprador habitual, comprador ocasional o no comprador). Las variables dependientes están formadas por las categorías o clases de una variable no métrica. Si sólo son dos categorías, se trata de un discriminante simple. Si hay más de dos categorías, es un discriminante múltiple. Las variables independientes son métricas. El resultado del análisis discriminante es un conjunto de funciones que son una combinación lineal de las variables explicativas o indepen- dientes de forma que maximizan la distancia o separación entre grupos. Se obtienen tantas funciones discriminantes como grupos menos uno. Los coeficientes de las fun- ciones discriminantes indican la medida en que las variables explicativas determinan la inclusión de los individuos u objetos en los grupos preestablecidos. Los n grupos se pueden transformar en n -1 variables ficticias y resolverse el problema aplicando el método general de análisis de correlaciones canónicas (Holbrook y Moore, 1982). El análisis de correlaciones canónicas es una técnica poco conocida y utilizada, pero que es de gran utilidad para el análisis de relaciones de dependencias entre múltiples variables dependientes e independientes. Supone una extensión del análi- sis de regresión múltiple, por cuanto permite estimar no sólo la relación funcional de múltiples variables independientes con una variable dependiente, sino con múltiples dependientes. Puede decirse, por tanto, que el análisis de regresión múltiple es un caso particular del análisis de correlaciones canónicas, en el que sólo hay una varia- ble dependiente y se obtiene una única función lineal. En el análisis de correlaciones canónicas, como caso general, hay dos o más variables dependientes y el número de funciones que se estima es igual al número de variables dependientes. El número de variables independientes tiene que ser igual o mayor que el de dependientes (Hair, Anderson, Tatham y Black, 1999). Al igual que en el análisis de regresión múltiple, las relaciones estimadas entre las variables dependientes e independientes son linea- les. Asimismo, las variables tienen que ser todas métricas, medidas con escalas pro- porcionales o interválicas. Para poder analizar variables categóricas tienen que trans- formarse previamente en ficticias. Las redes neuronales artificiales tratan de identificar relaciones en estructuras de datos. Se relacionan con los sistemas expertos y utilizan un enfoque estadístico. Los algoritmos de las redes neuronales se basan en el funcionamiento del cerebro huma- no (Hair et al ., 1999; Corchado et al ., 2000). Las redes neuronales tratan de reprodu-
349-
APLICACIÓN DE LA INVESTIGACIÓN DE MERCADOS AL ANÁLISIS DE PROBLEMAS DE MARKETING
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales,
ser exógenas o endógenas. Las exógenas son aquellas que no están causadas o no dependen de ninguna otra variable. Son, por tanto, variables independientes cuya variabilidad se atribuye a causas externas. Sus valores se determinan fuera del mode- lo. Las variables endógenas, en cambio, son aquellas cuyo valor depende de otras variables en el modelo, tanto exógenas como endógenas (Bagozzi, 1980; Luque, 2000). En un modelo de ecuaciones estructurales se integran simultáneamente un con- junto de ecuaciones de regresión múltiple diferentes pero a la vez interdependientes, ya que las variables que son dependientes en una relación pueden ser independien- tes en otra relación dentro del mismo modelo (Luque, 2000). Los modelos de ecuaciones estructurales son adecuados para problemas en los que se quiere analizar una relación compleja entre varios grupos de variables. En el modelo se establece una serie de relaciones simultáneas, en la que, de modo secuen- cial y en una sola dirección, se plantean asociaciones causa-efecto entre variables latentes (constructos). Estas variables pueden actuar como independientes y explicar otras variables dependientes que, a su vez, pueden explicar otras posteriores. Para estimar los coeficientes de los modelos de ecuaciones estructurales puede utilizarse diversos programas, como LISREL (LInear Structural RELationship) (Jöreskog y Sörbom, 1993; Kelloway, 1998), EQS (Byrne, 2006), AMOS (Byrne,
- y SmartPLS (Ringle, C.M.; Wende, S.; Will, S., 2005). Esta última técnica es especialmente adecuada para el análisis de muestras pequeñas y datos que no mues- tran necesariamente una distribución normal multivariable (Barroso et al , 205; Aldás, 2010).
III.2. Análisis de interdependencias entre variables y detección de dimensio- nes subyacentes Dentro de las técnicas de análisis de interdependencias que miden la interrela- ción entre varias variables, cabe incluir las siguientes:
- Análisis de componentes principales.
- Análisis factorial de correspondencias.
- Análisis multidimensional (métrico y no métrico).
El análisis de componentes principales (ACP) es una técnica de análisis factorial que trata de identificar la estructura de un conjunto de variables observadas. Impli- ca el estudio de las interrelaciones entre las variables (determinadas por las correla- ciones o por las covarianzas) con el fin de hallar un nuevo conjunto de variables, menor en número que el de variables originales, que exprese las dimensiones que hay en común en las variables originales (Harman, 1976; Rummel, 1970). Cuando el número de variables originales es muy grande, con el análisis factorial se puede
351-
APLICACIÓN DE LA INVESTIGACIÓN DE MERCADOS AL ANÁLISIS DE PROBLEMAS DE MARKETING
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales,
reducir este conjunto a otro menor de factores, reteniendo la mayor parte de la varianza de las variables originales (Stewart, 1981; Hair et al ., 1999; Luque, 2000). Con el ACP se obtienen tantos factores o componentes como variables tiene el conjunto de datos analizado. Un factor es una combinación lineal de las variables originales. Los factores se representan geométricamente por ejes, que son ortogona- les, es decir, perpendiculares, lo que implica que los factores son independientes y no está correlacionados entre sí. Los factores se generan de forma ordenada, según su importancia en la explicación de la varianza de las variables originales considera- das (Green y Carroll, 1976). Con un número de factores reducido, inferior al núme- ro de variables originales, se puede conseguir explicar la mayor parte de la varianza de las mismas. El análisis factorial de correspondencias es una modalidad de análisis factorial desarrollada en 1963 por Benzecri (1980). El análisis factorial de correspondencias (AFC) permite representar de forma simultánea, en una configuración multidi- mensional, las variables filas y columnas de una tabla de contingencia (Lefebvre, 1983). El método que desarrolla el AFC está basado en la descomposición de la ji cuadrado de una tabla de contingencia (Foucart, 1982). El estudio de las interrela- ciones entre variables fila y columna se realiza por medio de las representaciones gráficas de las variables en un espacio n -dimensional. Estas representaciones gráfi- cas se obtienen a partir de los valores de las coordenadas calculadas por el AFC. A partir de la tabla de contingencia, se calcula una matriz de covarianzas de las variables columna, que luego se factoriza aplicando el análisis de componentes principales (Cuadras, 1981). Las raíces y los vectores característicos que se obtie- nen permiten calcular las coordenadas de las variables filas y columnas. La correla- ción de cada variable con cada uno de los ejes factoriales obtenidos depende del valor de la coordenada respecto del eje considerado y las restantes coordenadas con los demás ejes. El análisis multidimensional parte de una matriz simétrica en la que se expresan las similitudes entre pares de objetos (marcas, empresas, personas, conceptos, etc.). La finalidad es determinar las coordenadas y representar estos n objetos en un espa- cio de t dimensiones (normalmente dos o tres), de modo que las distancias entre los puntos en el espacio concuerden lo máximo posible con las similitudes observadas (Luque, 2000; Hair, Anderson, Tatham y Black, 1999). Las similitudes (o disimilitu- des) pueden ser calculadas por el programa (por ejemplo, con la distancia euclídea) o estimadas subjetivamente por los encuestados (mediante evaluaciones cuantitati- vas o cualitativas). Las escalas de medida de las variables pueden ser métricas o no métricas, lo que da lugar al análisis multidimensional métrico y no métrico, respecti- vamente. Al igual que en el análisis factorial, hay un problema de interpretación subjetiva de las dimensiones, que tendrán que identificarse en función de la posición que ocupan los objetos en el espacio configurado (Schiffman, Reynolds y Young, 1981).
352-
MIGUEL S ANTESMASES MESTRE
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales,
En primer lugar, el problema a investigar puede suponer el análisis de una rela- ción simple entre dos variable o grupos de variables, o bien un análisis más complejo, que entrañe múltiples relaciones entre múltiples variables o grupos de variables. En el primer supuesto, será suficiente utilizar técnicas de análisis de dependencias, bien con una única variable dependiente o con varias dependientes, como las que se han descrito en el apartado III.1.1. En el caso de que se requiera analizar la interdepen- dencia entre múltiples variables y exista una relación de causalidad, de modo que una o varias variables dependan de otras y a su vez éstas actúen como independien- tes y expliquen otras variables dependientes, entonces las técnicas de análisis ade- cuadas son los modelos de ecuaciones estructurales, expuestos en el apartado III.1.2. Si no se supone la existencia de relaciones causales entre las variables y se quiere conocer sólo las interrelaciones o asociaciones existentes entre ellas y, por tanto, comprobar cómo se agrupan esas variables, en este caso es adecuado utilizar las téc- nicas de análisis de interdependencias entre variables y detección de dimensiones subyacentes, descritas en el apartado III.2. Si en lugar de variables se quiere conocer cómo se agrupan individuos u objetos por su similitud o proximidad, entonces resul- tan apropiadas las técnicas de análisis de grupos o cluster analysis , descritas en el apartado III.3. Los objetivos del estudio, así como las hipótesis especificadas, determinarán tam- bién las técnicas apropiadas a utilizar. Si se quieren contrastar relaciones causa-efec- to, las técnicas de análisis de dependencias, descritas en el apartado III.1, serán las adecuadas. Si el objetivo es descubrir dimensiones subyacentes en las interrelaciones entre variables, las técnicas de análisis factorial y multidimensional, descritas en el apartado III.2., serán las apropiadas. Finalmente, si el objetivo es comprobar cómo se agrupan individuos u objetos homogéneos, en función de su similitud o proximidad, las técnicas de análisis de grupos, descritas en el apartado III.3, permitirán alcanzar dicho objetivo. Dentro de cada grupo de técnicas de dependencias entre variables, interrelacio- nes entre variables o agrupamiento de individuos u objetos, la escala de medida de las variables condiciona también la técnica adecuada a elegir. Aunque cualquier variable medida en una escala métrica puede convertirse en otra medida en una escala no métrica, y a la inversa, si bien con pérdida de información, hay técnicas que están diseñadas específicicamente para determinados tipos de variables. Así, en el análisis de dependencias, el ACM y el AID son técnicas diseñadas para los supuestos en que las variables independientes sean no métricas; el CHAID y el aná- lisis conjunto, para variables dependientes e independientes no métricas y el análisis discriminante múltiple, para variables dependientes no métricas. Dentro de las téc- nicas de análisis de interdependencias, que en general requieren variables métricas, el análisis factorial de correspondencias opera con variables categóricas, a partir de una tabla de contingencia de frecuencias y el análisis multidimensional no métrico utiliza como input variables medidas con una escala ordinal. También hay técnicas
354-
MIGUEL S ANTESMASES MESTRE
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales,
de cluster analysis que pueden determinar grupos a partir de variables cualitativas o no métricas.
V. Conclusiones Para que el marketing pueda cumplir sus fines de conocer las necesidades y deseos del consumidor y tratar de satisfacerlos del modo más efectivo, debe analizar el mer- cado y aplicar los métodos y técnicas que proporciona la investigación de mercados. La investigación de mercados implica buscar y analizar, de modo sistemático y objetivo, la información que es relevante para identificar y solucionar problemas de marketing. Toda investigación de mercados ha de fundamentarse en un diseño o plan para la recogida y análisis de los datos. El plan de investigación ha de partir de la identifica- ción del problema que se va a investigar e incluir los objetivos a alcanzar, las hipóte- sis a contrastar, las fuentes de información a utilizar, la forma de definir, clasificar y medir las variables del estudio y su plasmación en un formulario o cuestionario, como pasos previos al análisis de los datos y la interpretación de los resultados. La finalidad del análisis de los datos es su transformación en información rele- vante para la toma de decisiones. La complejidad del mismo está en función del número de variables que se analizan simultáneamente. Así, las técnicas de análisis de datos, como se ha expuesto en este artículo, pueden clasificarse en univariables, bivariables y multivariables, según que analicen, respectivamente, el comportamien- to de una sola variable, la relación o dependencia entre dos variables y la relación o interdependencia entre más de dos variables. El análisis estadístico multivariable es el más completo y permite aproximarse mejor a la realidad de los fenómenos económicos y sociales. Las técnicas que incluye suelen clasificarse en dos grandes grupos, según analicen relaciones de dependencia o de interdependencia entre variables u objetos. A lo largo de este artículo se han descrito las características y aplicaciones de las distintas técnicas de análisis multivariable y se han propuesto criterios para elegir las más adecuadas en función de la naturaleza del problema a investigar, de los objetivos planteados, de las hipótesis especificadas y de las escalas de medida de los datos. Ninguna de las técnicas descritas sirve para analizar todo tipo de problema y es nece- sario siempre el buen criterio y experiencia del investigador para elegir y combinar adecuadamente las técnicas que permitan descubrir mejor la información que subya- ce en los datos obtenidos.
Bibliografía Aaker, David A.; Day, George S. (1980), Marketing Research: Private and Public Sector Decisions , John Wiley & Sons, New York.
355-
APLICACIÓN DE LA INVESTIGACIÓN DE MERCADOS AL ANÁLISIS DE PROBLEMAS DE MARKETING
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales,
Churchill, Gilbert A., Jr. (2001), Basic Marketing Research , 4ª ed., The Dryden Press, For Worth. Corchado, Juan Manuel; Díaz, Fernando; Borrajo, Lourdes; Fernández, Florenti- no (2000), Redes Neuronales Artificiales: un enfoque práctico , Servicio de Publi- caciones, Universidad de Vigo. Cuadras, C. M. (1981), Métodos de Análisis Multivariante , Eunibar, Barcelona. Foucart, Thierry (1982), Analyse Factorielle. Programmation sur microordinateurs , Masson, París. Gandz, Jeffrey; Whiplle, Thomas W. (1977), “Making Marketing Research Accountable”, Journal of Marketing Research , XIV, 2, mayo, págs. 202-208. Green, Paul E. (1978), Analyzing Multivariate Data , The Dryden Press, Hinsdale, Illinois. Green, Paul E.; Carroll, J. Douglas (1976), Mathematical Tools for Applied Multi- variate Analysis , Academic Press, New York. Green, Paul E., Donald S. Tull y Gerald Albaum (1988), Research for Marketing Decisions , 5ª ed., Prentice-Hall, Englewood Cliffs, New Jersey. Green, Paul E.; Wind, Yoram (1973), Multiatribute Decisions in Marketing , The Dryden Press, Hinsdale, Illinois. Hair, Joseph F., Jr.; Anderson, Rolph E.; Tatham, Ronald L.; Black, William C. (1999), Análisis Multivariante , 5ª ed., Prentice-Hall, Madrid. Harman, Harry (1976), Modern Factor Analysis, 3ª ed. , The University of Chicago Press, Chicago. Hartigan, J. A. (1975), Clustering Algorithms , John Wiley & Sons, New York. Holbrook, Morris B.; Moore, William L. (1982), “Using Canonical Correlation to Construct Product Spaces for Objetcs with Known Features Structures”, Jour- nal of Marketing Research , XIX, 1, febrero, págs. 87-98. Johnson, S. C. (1967), “Hierarchical Clustering Schemes”, Psychometrika , 32, págs. 241-254. Johnston, J. (1975), Métodos de Econometría, 3a. ed. , Editorial Vicens Vives, Barcelona. Jöreskog, K. G. y Sörbom, D. (1993), LISREL VIII: Structural equation modeling with the SIMPLIS command language, Hilsdale, N.J. Scientific Software. Kass, Gordon V. (1980), “An Exploratory Technique for Investigating Large Quantities of Categorical Data”, Applied Statistics , 29, 1980, págs. 119-127. Kelloway, E. Kevin (1998): Using LISREL for Structural Equation Modeling, Sage Publications, Thounsand Oaks, California. Kruskal, Joseph B. (1965), “Analysis of Factorial Experiments by Estimating Monotone Transformations of the Data”, Journal of the Royal Statistical Society , Series B, 27, 2, págs. 251-263. Lefebvre, Jacques (1983), Introduction aux Analyses Statistiques Multidimension- nelles, 3ª ed. , Masson, Paris.
357-
APLICACIÓN DE LA INVESTIGACIÓN DE MERCADOS AL ANÁLISIS DE PROBLEMAS DE MARKETING
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales,
Luque, Teodoro (1997), Investigación de marketing. Fundamentos , Editorial Ariel, Barcelona. Luque Martínez, Teodoro (coordinador) (2000), Técnicas de análisis de datos en investigación de mercados , Ediciones Pirámide, Madrid. Morgan, James N.; Sonquist, John A. (1963), “Problems in the Analysis of Sur- vey Data, and a Proposal”, Journal of the American Statistical Association , 58, junio, págs. 415-435. Morrison, Donald F. (1976), Multivariate Statistical Methods , McGraw-Hill Kogakusha, Tokyo. Pedret, Ramón; Sagnier, Laura; Camp, Francesc (2000), La investigación comercial como soporte del marketing , Ediciones Deusto, Bilbao. Perreault, William D., Jr. (1992), “The Shifting Paradigm in Marketing Research”, Journal of the Academy of Marketing Science , 20, 4, otoño, págs. 367-387. Punj, Girish; Stewart, David W. (1983), “Cluster Analysis in Marketing Research: Review and Suggestions for Application”, Journal of Marketing Research , XX, 2, mayo, págs. 134-148. Ringle, C.M.; Wende, S.; Will, S. (2005): SmartPLS 2.0 (M3) Beta, Hamburg. Roscoe, A. Marvin, Jr.; Lang, Dorothy; Sheth, Jagdish N. (1975), “Follow-up Methods, Questionnaire Length, and Market Differences in Mail Surveys”, Journal of Marketing , 39, 2, abril, págs. 20-27. Rummel, R. J. (1970), Applied Factor Analysis , Northwestern University Press, Evanston. Rumelhart, D. E.; Hinton, G. E.; Williams, R.J. (1986), “Learning internal repre- sentations by error propagation”, en D. E. Rumelhart y J. L. McClelland (eds.), Parallel Distributed Processing: explorations in the microstructure of congni- tion, vol. 1: Foundations , Cambridge: The MIT Press. Sánchez Herrera, Joaquín (1999), “Las redes neuronales artificiales y su aplica- ción en marketing”, IPMARK , 520, abril, págs. 47-49. Santesmases Mestre, Miguel (1982), “Aplicación del análisis de clasificación múl- tiple en investigación comercial”, Esic Market , 39, septiembre-diciembre, págs. 95-105. ________ (1996), Términos de Marketing, Diccionario-Base de datos , Ediciones Pirámide, Madrid. ________ (2008), Marketing. Conceptos y estrategias , 5ª ed. revisada, Ediciones Pirámide, Madrid. ________ (2009), Dyane, Versión 4. Diseño y análisis de encuestas en investigación social y de mercados , Ediciones Pirámide, Madrid. Saunders, John (1994), “Cluster Analysis”, en Graham J. Hooley y Michael K. Hussey, Quantitative Methods in Marketing , Academic Press, Londres.
358-
MIGUEL S ANTESMASES MESTRE
icade. Revista cuatrimestral de las Facultades de Derecho y Ciencias Económicas y Empresariales,
