Análisis conjunto

“ANÁLISIS DE CONJUNTO”
10-junio-2014
UNIVERSIDAD GALILEO
FACULTAD DE CIENCIA, TECNOLOGÍA E INDUSTRIA
DOCTORADO EN ADMINISTRACIÓN CON ESPECIALIDAD
EN FINANZAS
ARQ. ALVARO COUTIÑO G.
Carnet 1300-4393

1
INDICE
INTRODUCCIÓN .............................................................................................................................. 3
Enfoque de perfil completo................................................................................................................. 4
Matriz ortogonal.................................................................................................................................. 4
El estímulo experimental..................................................................................................................... 6
Recopilación y análisis de datos.......................................................................................................... 6
Proceso................................................................................................................................................ 7
Recolección de información................................................................................................................ 8
Análisis................................................................................................................................................ 8
Ventajas............................................................................................................................................... 8
Desventajas ......................................................................................................................................... 8
Procedimiento análisis de conjunto:.................................................................................................... 9
1. Identificación de atributos:...................................................................................................... 9
2. Selección del modelo de preferencia:.................................................................................... 10
3. Método de recogida de datos:................................................................................................ 10
4. Construcción del conjunto de estímulos................................................................................ 10
5. Presentación del conjunto de estímulos................................................................................. 11
6. Escala de medida de la variable dependiente ........................................................................ 11
7. Método de estimación ........................................................................................................... 11
8. Fiabilidad y validez del modelo ............................................................................................ 12
Caso de Estudio:................................................................................................................................ 12
Factores:............................................................................................................................................ 12
Array Ortogonal o Matriz ortogonal de combinaciones:................................................................... 13
Procedimiento Generar un Diseño Ortogonal ................................................................................... 14
Configuración del número de tarjetas de estímulos a generar........................................................... 14
Presentación de un diseño ................................................................................................................. 15
Plan orthogonal ................................................................................................................................. 16
Preparación de las tarjetas de estímulos........................................................................................... 17
Análisis de las preferencias mediante el Análisis Conjunto.............................................................. 21
Interpretación Sintaxis: ..................................................................................................................... 22
Análisis conjunto:.............................................................................................................................. 23

2
ESTADÍSTICOS GLOBALES......................................................................................................... 35
GRÁFICAS....................................................................................................................................... 37
CONCLUSIONES ............................................................................................................................ 40
BIBLIOGRAFÍA.................................................................................................................................... 41

3
INTRODUCCIÓN
El análisis conjunto es una herramienta de investigación de mercados para desarrollar un
diseño de productos eficaz. Mediante el análisis conjunto, el investigador puede responder
preguntas como las siguientes: Según (IBM, 2014, págs. 2 - 3)
 ¿Qué atributos de producto son importantes para el consumidor y cuáles son
irrelevantes?
 ¿Cuáles son los niveles de atributos de producto más atractivos para el consumidor
y cuáles son los menos atractivos?
 ¿Cuál es la cuota de mercado de preferencia de los productos de los competidores
en comparación con nuestro producto propuesto o existente?
 ¿Cuáles son las características o atributos de un producto o servicio que determinan
la decisión de compra?
 ¿Cuál es la combinación de características que será más exitosa?
 ¿Cuál es el segmento del mercado que está más interesado en un producto?
 ¿Cuál es la campaña de marketing que resultará más atractiva para determinado
segmento?
 ¿Qué mejoras en un producto afectarán más las preferencias de los consumidores e
incrementarán las ventas?
 ¿Cuál es el precio ideal de un producto o servicio?
 ¿Podemos incrementar los precios sin tener una pérdida significativa en las ventas?
 ¿Los niveles de los productos están muy cerca el uno del otro?
Dónde, el análisis de conjunto es una técnica estadística que determina qué
características de un producto o servicio son las preferidas por los consumidores y
cuantifica estas preferencias. Por lo tanto, las características del producto incluyen atributos
como los siguientes: según (Pérez López, 2004, pág. 595)
 Marca
 Color
 Forma
 Precio

4
 Garantía
En consecuencia, el análisis de conjunto mide las preferencias del consumidor por las
características particulares de un producto, se basa en la suposición de que los
consumidores toman la decisión de compra considerando simultáneamente todas las
características del producto. Para hacer esto, los consumidores deben buscar un equilibrio
en términos de relación calidad – precio, porque normalmente un producto no tiene todas
las mejores características. (IBM, 2014)
Según (Pérez López, 2004) “la ventaja del análisis conjunto reside en que solicita al
encuestado que elija del mismo modo que se supone que lo hará el consumidor al comparar
las características”. En consecuencia, mediante el análisis conjunto, puede determinar tanto
la importancia relativa de cada atributo como los niveles de mayor preferencia de cada
atributo. Si por alguna razón el producto que más se prefiere no es viable, por ejemplo, por
su coste, se puede saber cuál es la siguiente alternativa más preferida. Si cuenta con
información adicional sobre los encuestados, como información demográfica, puede
identificar los segmentos de mercado donde se puede introducir el producto. (IBM, 2014)
Enfoque de perfil completo
 Conjoint utiliza el enfoque de perfil completo (también llamado concepto
completo), donde los encuestados clasifican, ordenan o puntúan un conjunto de
perfiles o tarjetas en función de la preferencia. Cada perfil describe un servicio o
producto completo y consta de una combinación diferente de niveles de factores
para todos los factores (atributos) de interés. (IBM, 2014, pág. 2)
Matriz ortogonal
 Es muy probable que surjan problemas con el enfoque de perfil completo si hay
varios factores en juego y cada uno está compuesto por más de un par de niveles.
El número total de perfiles resultantes de todas las combinaciones posibles de
niveles se aumenta demasiado para permitir que los encuestados sean capaces de
clasificar o puntuar todos ellos de una manera que tenga sentido. (IBM, 2014,
pág. 2)

5
Para resolver este problema, el enfoque de perfil completo utiliza lo que se denomina un
diseño factorial fraccional, que presenta una fracción adecuada de todas las posibles
combinaciones de niveles de los factores. El conjunto resultante, denominado matriz
ortogonal, está diseñado para recoger los efectos principales de cada nivel de factor. Se
supone que las interacciones entre los niveles de un factor con los niveles de otro factor
carecen de significado. (IBM, 2014, pág. 2)
Se utiliza el procedimiento Generar diseño ortogonal para generar una matriz ortogonal
que suele utilizarse como punto de partida de un análisis conjunto. También permite
generar combinaciones de niveles de factores que se conocen como casos reservados, que
son evaluados por los sujetos pero no se utilizan para generar el modelo de preferencias. En
su lugar, se utilizan como comprobación de la validez del modelo. (IBM, 2014, pág. 2)
Funciones Orthoplan
Según (BE SMART SPSS Argentina, 2014, pág. 3)
 Genere diseños factoriales fraccionales con efectos principales ortogonales;
orthoplan no se limita a factores de dos niveles
 Especifique una lista de variables, etiquetas opciones de variables, una lista de
valores para cada variable y etiquetas opcionales para los valores
 Especifique el número deseado de tarjetas para el plan;
 orthoplan intentará generar un plan en el número mínimo deseado de rachas
 Genere tarjetas holdout para probar el modelo conjunto ajustado
 Mezcle las tarjetas de formación y holdout o apile las tarjetas de holdout después
de las tarjetas de formación
 Guarde el archivo del plan como un archivo del sistema
 Visualice la salida en tablas pivote.

6
El estímulo experimental
Cada conjunto de los niveles de los factores de un diseño ortogonal representa una
versión diferente del producto que se está estudiando y se debe presentar a los sujetos en
forma de un perfil de producto concreto. Esto ayuda al encuestado a concentrarse
únicamente en el único producto que se desea evaluar en ese momento. Los estímulos
deben normalizarse, asegurándose de que todos los perfiles presentan un aspecto físico
similar, excepto en lo que respecta a las diferentes combinaciones de características. (IBM,
2014, pág. 2)
La creación de los perfiles de los productos se simplifica gracias al procedimiento
Mostrar el diseño. Este procedimiento utiliza el diseño generado por el procedimiento
Generar diseño ortogonal, o uno introducido por el usuario y genera un conjunto de perfiles
de producto en un formato de fácil uso. (IBM, 2014, pág. 2)
Recopilación y análisis de datos
El tamaño de la muestra de los estudios conjuntos varía enormemente, por lo tanto el
tamaño de la muestra de los estudios de conjuntos comerciales suele oscilar entre 100 y
1.000, siendo el intervalo entre 300 y 550 el más típico. No obstante, en otro estudio se
concluye que el tamaño de muestra habitual es menor (inferior a 100). Como de costumbre,
el tamaño de la muestra debe ser lo suficientemente grande como para garantizar la
fiabilidad. (IBM, 2014, pág. 3)
Una vez elegida la muestra, el investigador administra el conjunto de perfiles o tarjetas a
cada encuestado. El procedimiento Conjoint permite utilizar tres métodos de registro de
datos. En el primer método, se pide a los sujetos que asignen una puntuación de preferencia
a cada perfil. Este tipo de método es habitual cuando se utiliza una escala de Likert o
cuando se pide a los sujetos que asignen un número del 1 al 100 para indicar la preferencia.
En el segundo método, se pide a los sujetos que asignen un rango a cada perfil de 1 al
número total de perfiles. En el tercer método, se pide a los sujetos que ordenen los perfiles
según la preferencia. Este último método permite al investigador registrar los números de
perfil en el orden dado por cada sujeto. (IBM, 2014, pág. 3)

7
El análisis de los datos se realiza con el procedimiento Conjoint (disponible sólo con la
sintaxis de comandos) y da como resultado una puntuación de utilidad, denominada
contribución parcial, para cada nivel del factor. Estas puntuaciones de utilidad, análogas a
los coeficientes de regresión, proporcionan una medida cuantitativa de la preferencia para
cada nivel del factor, donde los valores mayores corresponden a una preferencia más alta.
Las contribuciones parciales se expresan en una unidad común, lo que permite añadirlas
conjuntamente para obtener la utilidad total, o la preferencia global, de cualquier
combinación de los niveles de los factores. Así, las contribuciones parciales constituyen un
modelo para predecir la preferencia de cualquier perfil de producto, incluidos los perfiles
que se denominan casos de simulación, que no se presentan realmente durante el
experimento. (IBM, 2014, pág. 3)
La información que se obtiene a partir de un análisis conjunto puede aplicarse a una
amplia variedad de preguntas de investigación de mercado. Se puede utilizar para investigar
áreas como el diseño de productos, la cuota de mercado, la publicidad estratégica, el
análisis de costes y beneficios y la segmentación del mercado. (IBM, 2014, pág. 3)
Aunque el enfoque de este manual se centra en las aplicaciones de investigación de
mercado, el análisis conjunto puede ser útil en casi cada campo científico o empresarial
donde resulta importante medir las percepciones o juicios de la gente. (IBM, 2014, pág. 3)
Proceso
Según (Wikipedia, 2014)
Los pasos básicos son:
 Selección de las características que deben ser probadas
 Muestra de las combinaciones del producto a clientes potenciales
 Los encuestados categorizan las combinaciones
 Se analizan los datos de una muestra representativa de clientes potenciales en
conjunto con un profesional de la estadística. El análisis producirá las características
más preferidas por los potenciales clientes.
 Incorporación de las características más preferidas en un nuevo producto o anuncio

8
Recolección de información
A los encuestados se les muestra un conjunto de productos, prototipos, maquetas o
retratos. Por lo tanto, cada ejemplo es suficientemente semejante al otro como para que los
consumidores lo vean como sustitutivo, pero suficientemente diferente para que puedan
determinar claramente una preferencia.
En consecuencia, cada ejemplo se compone de una combinación extraordinaria de
características del producto. Así, se obtienen un rango de preferencias, las respuestas se
codifican y se introducen en un programa para análisis estadístico como SPSS. (Wikipedia,
2014)
Análisis
El ordenador utiliza el análisis de varianza o técnicas de programación lineal para crear
las funciones de utilidad para cada característica. 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.
(Wikipedia, 2014)
Ventajas
 Es posible utilizar objetos físicos
 Mide la preferencia en un nivel individual.
Desventajas
 Sólo un conjunto limitado de características se puede utilizar, porque el número de
combinaciones aumenta muy rápidamente cuantas más características se agregan y esta
sobrecarga de información afecta a la validez de los experimentos, aunque el impacto
de esos problemas puede ser evitado o reducido utilizando la Integración de
Información Jerárquica
 La etapa de la recogida de información es compleja

9
 Es difícil de utilizar para investigación de posicionamiento de producto porque no hay
procedimiento para convertir percepciones sobre características reales en percepciones
acerca de un conjunto reducido de características fundamentales.
Procedimiento análisis de conjunto:
Para la aplicación del análisis de conjunto se requiere seguir una serie de pasos que se
detallan a continuación: Según (Guerrero Casas, Martínez Blanes, & Ramírez Hurtado,
2014)
1. Identificación de atributos y establecimiento de niveles.
2. Selección del modelo de preferencia
3. Método de recogida de datos.
4. Construcción del conjunto de estímulos. Presentación de los estímulos.
5. Escala de medida de la variable dependiente. Método de estimación.
6. Fiabilidad y validez de las estimaciones.
A continuación, se procede a describir cada uno de ellos:
1. Identificación de atributos:
Para poder implementar un análisis conjunto es necesario identificar todos aquellos
atributos que van a formar parte de nuestro estudio, así como establecer los niveles
asociados a cada uno de ellos, según su importancia a la hora de establecer preferencias del
consumidor. Por lo tanto algunos atributos son determinantes y otros no.
Un aspecto muy importante a la hora de identificar a los atributos es que estos han de ser
controlables por la empresa, es decir, no se debe crear un atributo que no sea accionable por
la empresa. Así, una vez que hemos obtenido los atributos es necesario especificar cuáles
son los niveles de cada atributo, hay que tomar en cuenta lo siguiente: Según (Guerrero
Casas, Martínez Blanes, & Ramírez Hurtado, 2014)
 El número de niveles por atributo tiene distintos efectos sobre las evaluaciones de
los encuestados, de forma que mientras más niveles tenga un atributo mayor es la
importancia que los encuestados le dan a este atributo.

10
2. Selección del modelo de preferencia:
El análisis de conjunto busca estudiar la influencia que sobre las preferencias de los
consumidores ejerce un conjunto de combinaciones de atributos, que configuras unos
productos/servicios determinados. (Guerrero Casas, Martínez Blanes, & Ramírez Hurtado,
2014).
Por lo tanto, trata de encontrar una serie de valores, llamados utilidades parciales, que
relacionan los niveles de los atributos con las preferencias de los consumidores. En
consecuencia, de lo que se trata es de un modelo explicativo, en el que la variable a explicar
son las evaluaciones de preferencias de los individuos sobre el conjunto de combinaciones
y las variables explicativas son los niveles de los atributos seleccionados para definir las
combinaciones. (Guerrero Casas, Martínez Blanes, & Ramírez Hurtado, 2014)
3. Método de recogida de datos:
Una vez que se ha especificado el número de atributos y el número de niveles a utilizar,
se tienen que obtener los datos, por tanto se utilizó el método de perfil completo, en el cual
se describe cada estímulo por separado mediante una tarjeta de perfiles.
En consecuencia, se consigue una visión más realista del problema, además de poder
reducir el número de comparaciones a través del uso de diseños factoriales fraccionadas.
(Guerrero Casas, Martínez Blanes, & Ramírez Hurtado, 2014)
4. Construcción del conjunto de estímulos
Una vez que hemos definido los atributos y los niveles de cada uno de los atributos,
debemos pasar a construir el conjunto de estímulos que van a formar parte de nuestro
análisis, así lo que tenemos son 5 atributos con 3 de 3 niveles cada uno y 2 de 2 niveles
cada uno
 Por lo tanto, el número total de posibles combinaciones o estímulos vendrá dado
por:
3 x 3 x 3 x 2 x 2 = 108

11
Ahora bien, evaluar 108 tarjetas sería prácticamente inviable para una persona. Sin
embargo, tenemos la opción de utilizar un diseño factorial fraccionado. Por lo tanto, un
diseño factorial fraccionado permite que no exista correlación entre los atributos (diseño
ortogonal). Así, en nuestro estudio hemos utilizado un diseño factorial fraccionado
proporcionado por SPSS a través del procedimiento ORTHOPLAN del módulo
CATEGORIES. (Guerrero Casas, Martínez Blanes, & Ramírez Hurtado, 2014)
5. Presentación del conjunto de estímulos
La presentación del conjunto de estímulos se puede realizar según varias alternativas:
descripción verbal, representación gráfica, productos físicos o prototipos, descripción
mediante párrafos y combinación de varios métodos. Nosotros hemos considerado en
nuestro estudio la presentación de estímulos a través de una descripción de prototipos ya
que presenta las ventajas de poder observar y analiza el producto de una forma como sería
en la realidad.. (Guerrero Casas, Martínez Blanes, & Ramírez Hurtado, 2014)
6. Escala de medida de la variable dependiente
Las alternativas para definir la escala de medida de la variable dependiente son las
siguientes:
 Escala no métrica: comparación por pares y rangos de orden.
 Escala métrica: escala de intervalo.
En nuestro estudio hemos considerado la escala de rangos de orden como la más
adecuada ya que para un entrevistado resulta más fácil decir lo que él prefiere que expresar
la magnitud de su preferencia. Por tanto, cada entrevistado, tiene que ordenar los 18
estímulos en un rango que va desde 1 (más preferido) hasta 22 (menos preferido).
(Guerrero Casas, Martínez Blanes, & Ramírez Hurtado, 2014)
7. Método de estimación
Para poder estimar los parámetros del modelo hemos utilizado el procedimiento
CONJOINT de SPSS. Este procedimiento utiliza la regresión por Mínimos Cuadrados

12
Ordinarios (OLS) para la estimación de los parámetros del modelo. (Guerrero Casas,
Martínez Blanes, & Ramírez Hurtado, 2014)
8. Fiabilidad y validez del modelo
Para obtener la fiabilidad del modelo SPSS proporciona los estadísticos R de Pearson y
Tau de Kendall. La validez se obtiene a partir de las tres tarjetas que se añaden al diseño
fraccionado y que son evaluadas por los entrevistados, pero solamente van a ser utilizadas
por el programa para validar las utilidades estimadas. (Guerrero Casas, Martínez Blanes, &
Ramírez Hurtado, 2014)
A continuación, se desarrolla un ejemplo que ilustra el método del concepto completo.
Caso de Estudio:
 Consideremos una empresa que desea lanzar una campaña de mercado para un nuevo
limpiador de moquetas y quiere examinar la influencia de los siguientes factores sobre
las preferencias del consumidor de artículos de limpieza de moquetas:
Factores:
1. diseño paquete (paquete) (A*, B*, C*)
2. nombre marca (marca) (k2r, glory, biseli)
3. precio producto (precio) (1.19, 1.39, 1.59)
4. sello calidad (sello) (si, no)
5. garantía devolución dinero (dinero) (si, no)
 En el fichero de datos asociado (CPLAN.SAV) se contemplan distintos aspectos de este
tipo de artículos. Como niveles factoriales para el diseño del paquete cada uno de los
cuales difiere en la localización del cepillo aplacador del producto se consideran A*,
B*, C*.
 Como nombres de marca se consideran k2r, glory, y biseli.
 Como niveles de precios para el producto se consideran $. 1.19, $. 1.39 y $ 1.59
 También se consideran 2 niveles (si o no) para cada uno de los dos últimos factores
(sello y dinero).

13
Por lo tanto, después de una selección cuidadosa de los factores y niveles factoriales del
estudio, hay todavía demasiados casos para que un sujeto juzgue de un modo significativo.
En nuestro caso, el estudio del limpiador de moquetas requeriría 108 casos (3 x 3 x 3 x
2 x 2 = 108), que claramente son demasiados para poder presentarlos a un sujeto
entrevistado, por lo que un número razonable de casos normalmente no debería superar los
30.
 En consecuencia, podemos utilizar una alternativa al diseño completamente
factorial, llamada “Array Ortogonal”.
Array Ortogonal o Matriz ortogonal de combinaciones:
Lo podemos definir como un subgrupo de todas las posibles combinaciones que
todavía permite la estimación de los valores parciales para todos los efectos principales.
Así, se asumen como despreciables las interacciones en las que los valores parciales para
un nivel de un factor dependen del nivel de otro factor. Por lo tanto cada nivel de un factor
ocurre con la misma frecuencia que cada nivel de otro factor, asegurando así la
independencia de los efectos principales. (Pérez López, 2004, pág. 608)
En consecuencia, el diseño ortogonal es un modo de ayudar al investigador de mercados
a rellenar todos los 108 perfiles que corresponderían a las combinaciones de las categorías
respectivas de las variables que intervienen en el análisis de conjunto (3 x 3 x 3 x 2 x 2 =
108). Sí, el diseño ortogonal permite centrarse en aquellos perfiles interesantes para la
empresa vendedora del producto o servicio, por tanto, se deberían rellenar únicamente
aquellos perfiles que le aportan una característica significativa para la investigación de
mercados que se está realizando. A diferencia de otros procedimientos de SPSS, no se
requiere de un fichero de datos de trabajo, ya que SPSS crea uno, generando nombres de
variables, etiquetas de variables, y etiquetas de valores desde las opciones que se
seleccionen en los cuadros de diálogo. (Pérez López, 2004, pág. 609)

14
Procedimiento Generar un Diseño Ortogonal:
Según (Pérez López, 2004, pág. 612)
Como primer paso es importante que SPSS muestre etiquetas de valores en vez de
valores de las variables.
Por ello hay que comprobar que esté seleccionada la opción Etiquetas de Valores menú
Ver.
Dónde:
 Ver → Barra estado → Etiquetas de valor
A continuación se elige
 Datos → Diseño Ortogonal → Generar
Para así obtener la pantalla del procedimiento Generar diseño ortogonal.
Procedemos a introducir el nombre del primer factor y su etiqueta y se continúa con
todos los demás factores:
1. diseño paquete (paquete) (A*, B*, C*)
2. nombre marca (marca) (k2r, glory, biseli)
3. precio producto (precio) (1.19, 1.39, 1.59)
4. sello calidad (sello) (si, no)
5. garantía devolución dinero (dinero) (si, no)
Una vez realizado todo el proceso con los 5 factores, se hace click en el botón archivo y
se guarda el diseño con el nombre (acoutinofinal.sav)
Configuración del número de tarjetas de estímulos a generar
Se utiliza para controlar la generación de los números aleatorios para la creación del
diseño ortogonal, se puede especificar un número mínimo de casos a incluir en el diseño y
definir el número de casos de reserva.

15
Por lo tanto, para continuar con el diseño ortogonal seguimos el siguiente
procedimiento:
Se hace click en el botón:
 Restablecer semilla de aleatorización a → (20, 000,000) → opciones → generar
como mínimo (18) → número de casos reservados (4) → continuar y aceptar se
genera el diseño ortogonal siguiente:
Presentación de un diseño
GET
FILE='C:UsersDELLDesktop6 analisis conjunto000 datos analisis
conjuntoejemplo.sav'.
DATASET NAME Conjunto_de_datos1 WINDOW=FRONT.
SAVE OUTFILE='E:acoutinofinal.sav'
/COMPRESSED.
*Generar diseño ortogonal.
SET SEED 20000000.
ORTHOPLAN
/FACTORS=paquete 'diseño paquete' (1 'A' 2 'B' 3 'C') marca 'nombre
marca' (1 'k2r' 2 'glory' 3 'bisell') precio 'precio producto' (1 '1.19'
2 '1.39' 3 '1.59') sello 'sello calidad' (1 'si' 2 'no') dinero
'devolución dinero' (1 'si' 2 'no')
/REPLACE.
Plan ortogonal
Advertencia
Se ha generado correctamente un plan con 16 tarjetas.
.
DATASET ACTIVATE Conjunto_de_datos1.
*Generar diseño ortogonal.
SET SEED 20000000.
ORTHOPLAN
/FACTORS=paquete 'diseño paquete' (1 'A' 2 'B' 3 'C') marca 'nombre
marca' (1 'k2r' 2 'glory' 3 'bisell') precio 'precio producto' (1 '1.19'
2 '1.39' 3 '1.59') sello 'sello calidad' (1 'si' 2 'no') dinero
'devolución dinero' (1 'si' 2 'no')
/REPLACE
/MINIMUM 18
/HOLDOUT 4
/MIXHOLD NO.

16
Plan orthogonal
Advertencia
El conjunto de datos activo sustituirá al conjunto de datos existentes llamado acoutinofinal.
.
DATASET ACTIVATE Conjunto_de_datos1.
SAVE OUTFILE='E:acoutinofinal.sav'
/COMPRESSED.
Una vez realizado el diseño del plan, el siguiente paso, es (Pérez López, 2004, pág. 613)
situar cada concepto completo en un perfil separado con el objeto de presentárselo a los
encuestados en forma de tarjeta, cada caso del diseño ortogonal se muestra como un perfil,
por tanto, los perfiles pueden visualizarse y personalizarse, siendo posible producir cada
concepto en una página separada, añadir conceptos y notas de pie, entre otros.
Dónde:
 A continuación elegimos Datos → Diseño Ortogonal → mostrar → para obtener
la pantalla Mostrar el diseño y se ingresan todos los factores:
1. Paquete
2. Marca
3. Precio
4. Sello
5. Dinero
Dónde:
 Una vez ingresados los factores, se hace click en Formato → listado para el
experimentador → perfiles para los sujetos
Por lo consiguiente, esto lo que nos permite mostrar el diseño en formato de borrador
diferenciando los perfiles de reserva de los perfiles experimentales y listando los posibles
perfiles de simulación de modo separado a continuación de los perfiles experimentales y de
reserva.

17
Así, al hacer click en la opción Perfiles para sujetos, nos permite producir perfiles que
pueden presentarse a los sujetos.
Al hacer click en continuar y en aceptar se muestran las tarjetas del diseño ortogonal
generado.
Preparación de las tarjetas de estímulos
Plancards
GET
FILE='E:acoutinofinal.sav'.
DATASET NAME Conjunto_de_datos1 WINDOW=FRONT.
PLANCARDS
/FACTORS=paquete marca precio sello dinero
/FORMAT BOTH.
Lista de Tarjetas
Lista de tarjetas
Tarjeta diseño paquete nombre marca precio producto sello calidad
garantía
devolución
dinero
1 C* k2r 1.39 si si
2 B* glory 1.39 si no
3 B* k2r 1.19 si no
4 A* k2r 1.19 no si
5 C* bisell 1.59 si si
6 B* glory 1.19 no si
7 C* glory 1.39 si no
8 B* k2r 1.39 si si
9 A* glory 1.59 si no
10 A* glory 1.19 si no
11 B* bisell 1.39 si no
12 C* k2r 1.39 no si
13 A* k2r 1.59 si si
14 A* bisell 1.19 no no
15 A* glory 1.39 si si
16 C* glory 1.19 si si
17 A* k2r 1.19 si si
18 C* k2r 1.59 no no
19 B* glory 1.59 no si
20 C* bisell 1.19 si si
21 B* bisell 1.59 si si
22 A* bisell 1.39 no si

18
Número de perfil 1
garantía
devolución
dinero
C* k2r 1.39 si si
Número de perfil 2
garantía
devolución
dinero
B* glory 1.39 si no
Número de perfil 3
Tarjeta diseño paquete nombre marca precio producto sello calidad garantía
devolución
dinero
B* k2r 1.19 si no
Número de perfil 4
devolución
dinero
A* k2r 1.19 no si
Número de perfil 5
devolución
dinero
C* bisell 1.59 si si
Número de perfil 6
devolución
dinero
B* glory 1.19 no si
Número de perfil 7
devolución
dinero
C* glory 1.39 si no
Número de perfil 8
devolución
dinero

19
B* k2r 1.39 si si
Número de perfil 9
Tarjeta diseño paquete nombre marca precio
producto
sello calidad garantía
devolución
dinero
A* glory 1.59 si no
Número de perfil 10
devolución
dinero
A* glory 1.19 si no
devolución
dinero
B* bisell 1.39 si no
devolución
dinero
C* k2r 1.39 no si
devolución
dinero
A* k2r 1.59 si si
devolución
dinero
A* bisell 1.19 no no
devolución
dinero
A* glory 1.39 si si
devolución
dinero
C* glory 1.19 si si

20
devolución
dinero
A* k2r 1.19 si si
devolución
dinero
C* k2r 1.59 no no
devolución
dinero
B* glory 1.59 no si
devolución
dinero
devolución
dinero
devolución
dinero
A* bisell 1.39 no si
Así:
Una vez generado el diseño ortogonal, (recogido en el fichero acoutinofinal.sav) y
recogidos los datos sobre las preferencias en las tarjetas de estímulos provenientes de los
sujetos (recogidos en el fichero ENCUESTA.SAV), el paso siguiente es analizar los datos
utilizando el procedimiento CONJOINT.

21
Análisis de las preferencias mediante el Análisis Conjunto
Dónde:
 Para ejecutar este procedimiento se utilizará la sintaxis de SPSS:
Por lo tanto:
A continuación, abriendo un fichero de sintaxis mediante:
 Nuevo → Sintaxis → y escribiendo la sintaxis siguiente en la figura → Ejecutar
→ Todo
Sintaxis:
CONJOINT
PLAN='E:acoutinofinal.sav'
/DATA ='E:Encuesta.sav'
/SEQUENCE =PREF1 TO PREF22/SUBJECT=ID
/FACTORS =paquete marca (DISCRETE)
precio (LINEAR LESS)
sello dinero (LINEAR MORE)
/PRINT ALL
/UTILITY='E:utilidades.sav'
/PLOT SUMMARY
SINTAXIS AQUÍ

22
Interpretación Sintaxis: Según (Pérez López, 2004, pág. 623)
Subcomando
CONJOINT Procedimiento CONJOINT
PLAN=' C: C:UsersDELLDesktop Identifica el fichero que contiene el diseño
ortogonal
/DATA ='
C:UsersadminDesktopEncuesta.sav'
Identifica el fichero que contiene los resultados
codificados de la encuesta
/SEQUENCE =PREF1 TO PREF22 Indica que los resultados de la encuesta recogidos
en el fichero ENCUESTA.SAV han sido
codificados en orden secuencial, empezando con la
tarjeta más preferida (pref1) y terminando con la
menos preferida (pref22), siendo 22 el número de
tarjetas generadas.
/SUBJECT=ID Identifica la variable que contiene el número del
sujeto encuestado
/FACTORS =paquete marca
(DISCRETE)
Especifica los factores (variables) definidos en el
fichero que contiene el diseño ortogonal
identificado por el subcomando PLAN. Se observa
que los factores (package) y (brand) se definen
como discretos (variables categóricas) y no se hace
ninguna asunción sobre la relación entre los niveles
y los datos
precio (LINEAR LESS) El factor (price) se define como menos lineal
(variable lineal para la que los consumidores
prefieren los precios más bajos.
sello dinero (LINEAR MORE) Los factores (seal) y (money) se definen como más
lineales (variables lineales para las que se supone
que los consumidores prefieren aquella para la que
el producto tenga sello de calidad y se garantice la
devolución del dinero.
/PRINT Permite controlar las salidas de texto
ALL Especifica que se presenten tanto los resultados de
los datos experimentales, como los de simulación
/UTILITY='
C:UsersadminDesktoputilidades.sav'
Identifica el fichero en el que CONJOINT guardará
las utilidades calculadas generándose un caso por
cada sujeto encuestado.
/PLOT Solicita las salidas gráficas.
SUMMARY Produce un diagrama de barras para cada variable,
mostrando las puntuaciones de la utilidad para cada
categoría de esa variable y un gráfico que muestra
las puntuaciones de importancia de resumen por
sujetos con la palabra clave SUBJECT.

23
Dónde:
 Como paso siguiente, Ejecutar → Todo
Se tiene la salida del procedimiento CONJOINT, que empieza con los factores del
diseño ortogonal. (Análisis conjunto, ver figura siguiente)
Análisis conjunto:
Descripción del modelo
Descripción del modelo
Nº de niveles Relación con rangos o puntuaciones
paquete 3 Discreto
marca 3 Discreto
precio 3 Lineal (menos)
sello 2 Lineal (más)
dinero 2 Lineal (más)
No todos los factores son ortogonales.
Estadísticos V de Cramer
Estadísticos V de Cramer
paquete marca precio sello dinero
paquete 1 .098 .159 .092 .120
marca .098 1 .059 .116 .225
precio .159 .059 1 .116 .039
sello .092 .116 .116 1 .111
dinero .120 .225 .039 .111 1
No todos los factores son ortogonales.
SUJETO 1:1
Utilidades
Utilidades
Estimación de la utilidad Error típico
paquete
A* 1.709 2.198
B* -1.180 2.264
C* -.529 2.270
marca
k2r .694 2.220
glory -1.000 2.240
bisell .306 2.345
precio
1.19 -.118 1.998
1.39 -.236 3.997

24
1.59 -.354 5.995
sello
si -4.706 3.405
no -9.412 6.809
dinero
si .250 3.359
no .499 6.719
(Constante) 17.539 8.025
Valores de importancia
paquete 29.552
marca 17.334
precio 2.415
sellob
48.145
dinero 2.554
a. 1 inversiones
b. Invertido
Coeficientes
Coeficientes
Coeficiente B
Estimación Error típico
precio -.118 1.998
sello -4.706 3.405
dinero .250 3.359
Correlaciones
Correlacionesa
Valor Sig.
R de Pearson .391 .036
Tau de Kendall .325 .017
a. Correlaciones entre las preferencias observadas y las estimadas
SUJETO 2:2
Utilidades
Utilidades
paquete
A* -4.483 1.984
B* 1.744 2.044
C* 2.739 2.049
marca k2r -.345 2.004

25
glory 1.150 2.022
bisell -.805 2.117
precio
1.19 -1.078 1.804
1.39 -2.155 3.608
1.59 -3.233 5.412
sello
si .916 3.074
no 1.832 6.147
dinero
si 2.475 3.033
no 4.950 6.066
(Constante) 9.105 7.245
paquete 49.052
marca 13.277
precio 14.639
sello 6.222
dinero 16.810
Coeficientes
Coeficientes
Coeficiente B
precio -1.078 1.804
sello .916 3.074
dinero 2.475 3.033
Correlaciones
Correlacionesa
Valor Sig.
SUJETO 3:3
Utilidades
Utilidades
paquete A* .706 2.093

26
B* -2.979 2.156
C* 2.273 2.162
marca
k2r -1.508 2.115
glory 1.502 2.133
bisell .005 2.234
precio
1.19 -.517 1.904
1.39 -1.034 3.807
1.59 -1.551 5.711
sello
si 1.337 3.243
no 2.674 6.486
dinero
si 3.754 3.200
no 7.507 6.400
(Constante) 5.574 7.644
paquete 36.504
marca 20.923
precio 7.189
sello 9.294
dinero 26.090
Coeficientes
Coeficientes
Coeficiente B
precio -.517 1.904
sello 1.337 3.243
dinero 3.754 3.200
Correlaciones
Correlacionesa
Valor Sig.

27
SUJETO 4:4
Utilidades
Utilidades
paquete
A* 2.555 2.036
B* -3.239 2.097
C* .684 2.103
marca
k2r -.868 2.057
glory .236 2.075
bisell .632 2.172
precio
1.19 -1.128 1.852
1.39 -2.256 3.703
1.59 -3.385 5.555
sello
si -2.380 3.155
no -4.759 6.309
dinero
si 3.354 3.113
no 6.708 6.225
(Constante) 12.158 7.435
Valores de importanciaa
paquete 37.909
marca 9.817
precio 14.762
sellob
15.568
dinero 21.944
a. 1 inversiones
b. Invertido
Coeficientes
Coeficientes
Coeficiente B
precio -1.128 1.852
sello -2.380 3.155
dinero 3.354 3.113

28
Correlaciones
Correlacionesa
Valor Sig.
SUJETO 5:5
Utilidades
Utilidades
paquete
A* 1.897 1.801
B* -3.657 1.856
C* 1.760 1.861
marca
k2r -.062 1.820
glory .542 1.836
bisell -.480 1.922
precio
1.19 1.811 1.638
1.39 3.622 3.276
1.59 5.433 4.914
sello
si -1.953 2.791
no -3.907 5.582
dinero
si 6.314 2.754
no 12.627 5.508
(Constante) 1.878 6.578
paquete 30.077
marca 5.539
preciob
19.615
sellob
10.578
dinero 34.190
a. 2 inversiones
b. Invertido

29
Coeficientes
Coeficientes
Coeficiente B
precio 1.811 1.638
sello -1.953 2.791
dinero 6.314 2.754
Correlaciones
Correlacionesa
Valor Sig.
SUJETO 6:6
Utilidades
Utilidades
paquete
A* -.678 1.931
B* -1.799 1.989
C* 2.477 1.995
marca
k2r .532 1.951
glory .785 1.968
bisell -1.318 2.060
precio
1.19
-.486 1.756
1.39 -.973 3.512
1.59 -1.459 5.268
sello
si
-.894 2.992
no -1.787 5.984
dinero
si
6.678 2.952
no 13.356 5.904
(Constante)
4.411 7.052

30
Coeficientes
Coeficientes
Coeficiente B
precio -.486 1.756
sello -.894 2.992
dinero 6.678 2.952
Correlaciones
Correlacionesa
Valor Sig.
paquete 28.652
marca 14.092
precio 6.518
sellob
5.989
dinero 44.749
a. 1 inversiones
b. Invertido
SUJETO 7:7
Utilidades
Utilidades
paquete
A* .876 1.859
B* -1.780 1.915
C* .904 1.920
marca
k2r 1.707 1.878
glory .699 1.894
bisell -2.407 1.983
precio
1.19 .775 1.690
1.39 1.551 3.380
1.59 2.326 5.070

31
sello
si -2.155 2.880
no -4.309 5.759
dinero
si 6.799 2.841
no 13.597 5.682
(Constante) 3.331 6.787
paquete 15.514
marca 23.778
preciob
8.961
sellob
12.453
dinero 39.294
a. 2 inversiones
b. Invertido
Coeficientes
Coeficientes
Coeficiente B
precio .775 1.690
sello -2.155 2.880
dinero 6.799 2.841
Correlaciones
Correlacionesa
Valor Sig.
SUJETO 8:8
Utilidades
Utilidades
paquete
A* 2.432 2.111
B* -1.463 2.175
C* -.969 2.181
marca k2r -1.384 2.133

32
glory 2.930 2.152
bisell -1.546 2.253
precio
1.19 .761 1.920
1.39 1.522 3.840
1.59 2.283 5.759
sello
si -1.691 3.271
no -3.382 6.542
dinero
si -2.855 3.227
no -5.710 6.455
(Constante) 15.919 7.709
paquete 26.980
marca 30.995
preciob
10.540
sellob
11.712
dinerob
19.773
a. 3 inversiones
b. Invertido
Coeficientes
Coeficientes
Coeficiente B
precio .761 1.920
sello -1.691 3.271
dinero -2.855 3.227
Correlaciones
Correlacionesa
Valor Sig.

33
SUJETO 9:9
Utilidades
Utilidades
paquete
A* 1.952 1.895
B* -3.047 1.952
C* 1.095 1.958
marca
k2r -.501 1.915
glory -1.101 1.932
bisell 1.602 2.022
precio
1.19 .575 1.723
1.39 1.150 3.447
1.59 1.725 5.170
sello
si -4.742 2.936
no -9.484 5.873
dinero
si 4.599 2.897
no 9.198 5.795
(Constante) 10.439 6.921
paquete 27.480
marca 14.856
preciob
6.321
sellob
26.064
dinero 25.278
a. 2 inversiones
b. Invertido
Coeficientes
Coeficientes
Coeficiente B
precio .575 1.723
sello -4.742 2.936
dinero 4.599 2.897

34
Correlaciones
Correlacionesa
Valor Sig.
SUJETO 10:10
Utilidades
Utilidades
paquete
A* -1.613 1.984
B* 3.872 2.043
C* -2.259 2.049
marca
k2r 1.307 2.004
glory -.943 2.022
bisell -.364 2.117
precio
1.19 .208 1.804
1.39 .416 3.608
1.59 .624 5.412
sello
si -.198 3.073
no -.396 6.147
dinero
si -4.664 3.032
no -9.329 6.065
(Constante) 17.764 7.244
paquete 44.885
marca 16.473
preciob
3.045
sellob
1.448
dinerob
34.150
a. 3 inversiones
b. Invertido

35
Coeficientes
Coeficientes
Coeficiente B
precio .208 1.804
sello -.198 3.073
dinero -4.664 3.032
Correlaciones
Correlacionesa
Valor Sig.
ESTADÍSTICOS GLOBALES
Utilidades
Utilidades
paquete
A* .535 .877
B* -1.353 .904
C* .818 .906
marca
k2r -.043 .886
glory .480 .894
bisell -.437 .936
precio
1.19 .080 .798
1.39 .161 1.596
1.59 .241 2.394
sello
si -1.646 1.359
no -3.293 2.719
dinero
si 2.670 1.341
no 5.340 2.683
(Constante) 9.812 3.204

36
paquete 32.661
marca 16.708
precio 9.401
sello 14.747
dinero 26.483
Puntuación promediada de la importancia
Coeficientes
Coeficientes
Coeficiente B
Estimación
precio .080
sello -1.646
dinero 2.670
Correlaciones
Correlacionesa
Valor Sig.
Numero de inversiones
Número de inversiones
Factor
sello 8
precio 5
dinero 2
marca 0
paquete 0
Sujetos
1 Sujeto 1 1
2 Sujeto 2 0
3 Sujeto 3 0
4 Sujeto 4 1
5 Sujeto 5 2

37
6 Sujeto 6 1
7 Sujeto 7 2
8 Sujeto 8 3
9 Sujeto 9 2
10 Sujeto 10 3
Resumen de las inversiones
Resumen de las inversiones
Nº de inversiones Nº de sujetos
1 3
2 3
3 2
Esta tabla muestra el número de sujetos que tienen el número especificado de inversiones.
GRÁFICAS
Resumen de utilidades
Resumen de utilidades: Utilidad / diseño paquete

38
Resumen de utilidades: Utilidad / nombre marca
Resumen de utilidades: Utilidad / precio producto

39
Resumen de utilidades: Utilidad / sello calidad
Resumen de utilidades: Utilidad / garantía devolución dinero

40
Resumen de importancia:
Resumen de importancia: Importancia media / factor
CONCLUSIONES
Se puede observar que los encuestados le otorgan una clasificación de importancia a las
características del producto de la siguiente forma:
1. Al diseño del paquete
2. Garantía devolución dinero
3. Nombre de la marca
4. Sello de calidad
5. Precio del producto
 De los resultados se obtuvo el atributo más importante para los clientes, el cual
resulto se el diseño del paquete. En consecuencia, esta información puede ser
utilizada por los ejecutivos de la empresa para mejorar la característica del
producto y así obtener un mejor desempeño en la productividad y ventas del
producto y en la rentabilidad y la generación de Valor para los accionistas y
clientes.
En resumen:
El análisis conjunto es una técnica para medir las preferencias del consumidor acerca de
los atributos de un producto o servicio. Por lo tanto, es una herramienta de mucha utilidad
en la investigación de mercados, la cual permite a descubrir cuáles características de un
producto o servicio son más importantes para los consumidores.
En consecuencia, el análisis de conjunto ofrece una manera realista de medir el modo en que
los diferentes atributos y características del producto afectan a las preferencias de los
consumidores.

41
BIBLIOGRAFÍA
(Mayo de 2014). Recuperado el Mayo de 2014, de
http://www.uam.es/personal_pdi/ciencias/ajustel/docencia/ad/AD10_11_Discriminante.p
df
BE SMART SPSS Argentina. (Junio de 2014). Google. Recuperado el Junio de 2014, de
http://www.spss.com.ar/es/statistics/conjoint/
Guerrero Casas, F., Martínez Blanes, M., & Ramírez Hurtado, J. M. (Junio de 2014). Google.
Recuperado el Junio de 2014, de http://www.uv.es/asepuma/XI/60.pdf
IBM. (Junio de 2014). Google. Recuperado el Junio de 2014, de
ftp://public.dhe.ibm.com/software/analytics/spss/documentation/statistics/20.0/es/client
/Manuals/IBM_SPSS_Conjoint.pdf
IBM. (Junio de 2014). Google. Recuperado el Junio de 2014, de
http://www.spss.com.ar/es/statistics/conjoint/
Pérez López, C. (2004). Técnicas de Análisis Multivariante de Datos. Madrid: PEARSON
EDUCACIÓN, S. A.
Wikipedia. (Junio de 2014). Google. Recuperado el Junio de 2014, de
http://es.wikipedia.org/wiki/An%C3%A1lisis_conjunto

Análisis conjunto

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Destacado

Destacado (20)

Similar a Análisis conjunto

Similar a Análisis conjunto (20)

Más de Al Cougar

Más de Al Cougar (20)

Último

Último (20)

Análisis conjunto