Análisis multivariable. Enfoque práctico en investigación cuantitativa

En la fase final del proceso de un estudio investigación de mercado, se encuentra la fase de análisis de la información. Después del diseño del estudio y de la realización del trabajo de campo, comienza el momento de interpretar los datos obtenidos. Es en este instante dónde el trabajo técnico aporta un gran valor al estudio de mercado, al sintetizar la información relevante, permitiendo así obtener las conclusiones y recomendaciones para el problema planteado por el cliente.

En investigación cuantitativa, a la hora del análisis de la información, nos apoyamos principalmente en herramientas estadísticas. Dentro de estas herramientas hay que diferenciar entre:

• Estadística descriptiva. Como su nombre indica, se trata de herramientas estadísticas que buscan una descripción del grupo de individuos entrevistados en el estudio, o sus características, o los fenómenos observados. Esta descripción se consigue mediante distribuciones de frecuencias, medias aritméticas, desviaciones típicas, tablas de contigencia bivariables y toda una larga lista de herramientas que tienen capacidad para comparar entre grupos y subgrupos de individuos y para obtener y representar gráficamente la información de forma resumida.
  
• Estadística inferencial. Con las anteriores herramientas descriptivas solamente obtenemos generalizaciones sobre los individuos observados. Si necesitamos obtener información sobre individuos o características no observadas directamente, tenemos que inferir la información. Es aquí dónde entra en juego la estadística inferencial. Para realizar estas inferencias estadísticas también existen una multitud de herramientas. Todas necesitan que entren en juego más de una variable, por esos utilizamos el término análisis multivariable. Vamos a describir a continuación solamente algunas de las más utilizadas en investigación de mercados, sin entrar en su explicación o justifación estadística, simplemente con la intención de explicar brevemente cuál es su sentuido y cuáles son sus principales aplicaciones prácticas. Hemos seleccionado las siguientes:
  
  • Correlación
  • Regresión
  • Análisis Factorial
  • Análisis de Conglomerados o clusters
  • Análisis de Segmentación
  • Análisis Conjoint

Correlación

Es una medida de asociación entre dos variables de intervalo que nos indica si dos variables están relacionadas o no (hay correlación cuando el cambio en una va siempre acompañado de un cambio en la otra, bien sea en la misma dirección o sentido -correlación positiva- o en sentido contrario -correlación negativa-). En realidad, al realizar una correlación no obtenemos capacidad de predecir, solamente tiene carácter exploratorio. Por ejemplo, tenemos construído un Índice global de Experiencia del cliente y queremos conocer cómo se correlaciona o asocia con cada una de las variables de calidad de servicio (por ejemplo, atención telefónica, rapidez de respuesta, oferta innovadora,…).

Conocer esto nos permite saber que determinadas variables se vinculan particularmente con el índide de experiencia global, es decir, tienen una mayor correlacción positiva con él, lo que pone de manifiesto que tienen una mayor importancia a la hora de explicar el índice global de Experiencia para el cliente. El coeficiente de correlación más utilizado es el coeficiente de Correlación de Pearson. Es fácilmente interpetrable, su recorrido obscila entre “-1” (Asociación perfecta negativa.

Valores positivos de una variable se corresponden con valores negativos de otra y viceversa) y “+1” (Asociación perfecta positiva. Valores positivos de una variable se corresponden con valores potivos de otra). “0” representa la ausencia total de relación. En ciencias sociales rara vez encontramos una correlación positiva superior a “+0,7”.

Regresión

Es un metodo de análsis que estima las relaciones entre variables. en concreto, la relación entre una variable dependiente y una o más variables independientes (o predictoras). Si queremos obtener el valor de una variable dependiente X, por ejemplo intención de compra, a partir de otra independiente Y, por ejemplo nivel de ingresos, desarrollamos a partir de los datos observados una ecuación de regresión que define una línea que hace mínimas las distanciás entre la nube de puntos de todas las puntuaciones individuales obtenidas para estas dos variables. Mediante esta línea de regresión podemos predecir cualquier valor de X a partir de cualquier valor de Y. Normalmente se utiliza más de una variable independiente para predecir el valor de la variable dependiente utilizando lo que llamamos regresión múltiple.

Análisis Factorial

Es una técnica estadística de reducción de datos para explicar las correlaciones que se producen entre un conjunto de variables, permitiéndonos detectar un número menor de variables ocultas, no observadas de manera directa, y no correlacionadas entre si, es decir, independientes, a las que llamamos “factores”. 

Como hemos dicho, nos permite obtener variables subyacentes o factores. Estos factores son variables construidas exclusivamente para el análisis, que tenemos posteriormente que interpretar. Hay muchos tipos de análisis factorial y se le puede dar muchos usos. Vamos a ver el ejemplo de uno de los más utilizados, el análisis factorial de correspondencias simple (-ACS- o Binario). 

El ACS analiza, describe y representa gráficamente la asociación existente en los datos de una tabla dispuestos en filas y columnas. La mayor parte de la información resultante se suele expresar mediante dos factores, que son combinaciones lineales de las variables originales. Gracias a un plano determinado por dos ejes o factores, podemos ubicar los distintos valores de las variables observadas objeto de estudio y obtener lo que llamamos un mapping.

En este mapping podemos situar por ejemplo una lista de marcas. Esto nos va a permitir interpretar los ejes del plano. Por ejemplo un mapping típico es un primer eje “X” que posiciona a las marcas en relación a su imagen como “caras” en un extremo, y como “baratas” en otro. Y un eje “Y” que posiciona a las marcas en función de su carácter “nacional” o “internacional”. Si hemos interpretado bien el significado de los ejes o factores, podemos representar con facilidad el posicionamiento de imagen de las marcas para el consumidor. 

Análisis de conglomerados o clusters

Es un método de partición de un colectivo de tipo no jerárquico, es decir, no produce un “árbol de partición” (dendograma) de una muestra, sino que busca una determinada partición de la muestra en “n” grupos diferentes, con la condición de que los grupos construídos tengan siempre la mayor homogeneidad interna y la mayor heterogeneidad respecto de los otros grupos producidos. Se utiliza para descubrir la forma en que individuos, objetos o fenómenos se agrupan entre sí en función de su parecido o proximidad en relación con unas variables determinadas, consideradas todas ellas a la vez, lo que nos permite superar el análisis bivariable convencional, donde cruzamos una variable con otra, y es solo a partir de muchos cruces y análisis cuando podemos extraer conclusiones algo más profundas.

La “clusterización” nos permite hacer conglomerados más complejos, vinculando un número importante de rasgos en cada colectivo que guardan relación entre sí. Por ejemplo permite determinar el número de grupos de individuos y su peso en función de su edad, su nivel adquisitivo y su posibilidad de contratación de cruceros de vacaciones. El análisis nos puede ofrecer dos o más grupos o conglomerados (y podemos experimentar analizando diversas soluciones de partición). Siguiendo el mismo ejemplo, nos podría permitir determinar un grupo mayoritario de mayores con alto nivel adquisito, pero tambien la existencia de un grupo minoritario de individuos jóvenes con nivel adquisitivo medio que celebran su luna de miel. Es muy útil para descubrir nichos de mercado.

Análisis de Segmentación

Se conoce también como “Tree analysis” y es un método jerárquico, bien descendente o ascendente. Los métodos de segmentación jerárquicos de tipo descendente parten de considerar el total de la muestra y luego van produciendo particiones subsiguientes o segmentos hacia abajo, en forma de árbol, dado lugar a grupos más pequeños que se construyen a partir de las variables con mayor capacidad para segmentar la variable dependiente a explicar. El árbol de desagrega en ramas. 

En el caso de los métodos asecendentes la lógica es la misma, pero se procede a la inversa: cada individuo de la muestra es, en principio, un grupo en sí mismo, y el árbol se construye hacia arriba, agrupando individuos a partir de los criterios de homogeneidad establecidos y generando así segmentos cada vez más nutridos, hasta llegar al total de la muestra. Las ramas construyen el árbol.

En las técnicas de segmentación se trata de que con los agrupamientos que se realicen quede explicada de la mejor forma posible la variación de una variable dependiente respecto a otras variables independientes. Por ejemplo, para una segmentación descendente, podemos conocer que la primera variable que segmenta el recuerdo de una campaña de publicidad de perfumes es el sexo, con el detalle de qué porcentaje de mujeres y hombres recuerdan esa campaña y el porcentaje de recuerdo que cada colectivo tiene.

A continuación, el árbol continúa con la segmentación hacia abajo, mostrando que dentro de la mujeres que recuerdan la campaña, la segunda variable que segmenta es su edad, ofreciendo los cortes correspondientes, y el porcentaje de jóvenes y de adultas que recuerdan la campaña. Y así sucesivamente vamos construyendo e interprentando el árbol de segmentación.

Análisis Conjoint

Es ampliamente utilizado en estudios sobre lanzamiento de nuevos productos y servicios para crear las funciones de utilidad para cada característica o prestación del producto o servicio objeto de análisis. Estas funciones de utilidad indican el valor que se ha percibido de la característica y lo sensibles que son las percepciones y preferencias del consumidor en relación a los cambios en las características de producto o servicio. Por ejemplo, para el lanzamiento de un nuevo producto tenemos diferentes opciones de packaging, de nombre y de precio. Mediante este análisis podemos determinar qué combinación de opciones de estas 3 variables es la que aporta al consumidor una mayor utilidad.

Si quieres ampliar información sobre las soluciones de CIMEC: cimec@cimec.es