Optimizacion de preguntas abiertas via escalamiento multidimensional

GfK
Marketing Sciences and Analysis
Optimizacion de informacion de preguntas abiertas via estalamiento
multidimensional.

2
GfK Group GfK presentations – Styleguide 14 April 2015
Escalamiento multidimensional.
• El escalamiento multidimensional, es en si una teoría sobre la que se han
desarrollado diferentes técnicas para tratar de responder una pregunta:
• ¿Cómo es la estructura de pensamiento de una persona?
• ¿Qué tiene que hacer un dibujante cuando usted le pide un retrato de su
rostro en un papel tamaño carta?
• Básicamente debe escalar.
• Como investigadores debemos plasmar en términos prácticos y accionables,
realidades que son complejas y grandes (como aquellas que se reflejan en
preguntas abiertas de cuestionarios y entrevistas) así que nuestro trabajo
es similar al de un dibujante,
• DEBEMOS ESCALAR.
2

3
El reto
3
Una marca de cerveza, necesita saber las razones que hacen que un consumidor
acepte consumir un producto cuando se lo ofrecen, en otras palabras, desea
saber los motivos que hacen al consumidor sensible a las acciones de
advocacy; para ello, se diseña una conjunto de preguntas en un cuestionario.
1. ¿Le han ofrecido la cerveza X?
2. ¿Acepto consumir la cerveza X cuando se la ofrecieron?
3. ¿Por qué acepto consumir la cerveza X cuando se la ofrecieron?
La pregunta que se hace el gerente de marca, se responde con la pregunta abierta del
anterior conjunto, el enfoque tradicional implica que se haga un conteo de frecuencias y
se presenten todas las narraciones codificadas con sus respectivas frecuencias.
El enfoque planteado en este trabajo propone explorar la estructura que motiva al
consumidor a responder lo que responde.

4
La solución.
4
El escalamiento multidimensional diría que:
Cada narración del consumidor se codifica.
Cada código es una variable.
Cada variable es dicotomica, es decir, tiene dos valores, 1 si la persona narra
algo asociado al código y 0 si la persona no narra nada asociado al código.
El escalamiento multidimensional puede explorar las proximidades entre cada
código (narración) para detectar la estructura mental que hace que el
consumidor responda como lo hace ante la pregunta abierta.

5
El algoritmo.
5
Construcción de la base
de datos.
Verificación de supuestos
Modeling
Detección del procedimiento
Configuración.
Bondad de ajuste
Escalamiento
Optimización
Verificación.
Presentación.

Construcción de la base de datos.
Ubicar cada uno de los códigos dentro de la base de forma
que sean estadísticamente manipulables.

7
Inicialmente, se cuenta con una base de datos en donde las variables son cada uno de los códigos otorgados a las
narraciones que el encuestado da para contestar la pregunta abierta hecha. En este caso puntual fue:
¿Por qué razón acepto consumir el producto cuando se lo ofrecieron?
Es necesario ver que la base de datos se
encuentra en formato binomial, donde 1
significa que el encuestado si hizo
narraciones asociadas al código y 0
implica que el encuestado no hizo tales
narraciones.

8
8
Las variables deben tener algunas características importantes para ingresar en el proceso de modelamiento
Las variables vienen en formato
binomial.
Deben ser programadas como ordinales
ya que 1 (si narro) es diferente y
superior a 0 (no narro)
El modelo puede configurarse con
diferentes formatos de pregunta (Likert,
Torgeson, Diferencia semantico,
Guttman etc) aun así, para efectos de
modelar respuestas de preguntas
abiertas el formato siempre será
binomial y se programa como ordinal.

Verificación de supuestos.
Garantizar que todos los códigos (datos) cuentan con el nivel
de calidad suficiente como para ingresar en el análisis.

10
10
En el modelo, entra a participar todos los códigos, aun así es importante tener en cuenta que se cumplan los siguientes
supuestos.
Por cada código, debe haber
mínimo 5 encuestados, es
decir, si se evaluaran 15
códigos como en este caso, la
muestra debe ser de por lo
menos 75 encuestados.
Debe haber variabilidad en el
código, es decir, no todo puede
ser 0 (no narro) o 1 (si narro).
Algunos autores sugieren un
equilibrio 60/40
Debe haber aleatoriedad en las
respuestas, de esta forma se
controla error ya sea por sesgo
de encuestado o por error de
codificación, este supuesto se
controla mediante la prueba de
Rachas.
Ver prueba de Rachas.
Verificación de supuestos.

11
Verificación de supuestos (prueba de Rachas)
11
La prueba de rachas es un
procedimiento no parametrico que
intenta detectar si los datos de las
variables son o no aleatorios.
La aleatoriedad implica menor nivel de
error, es decir, que la variable o código
esta en cierto grado libre de
contaminación.
La contaminación puede darse por sesgo
del encuestado, del encuestador, de las
personas de codificación o de digitación.
Si los datos no son aleatorios, es
probable que la contaminación con error
sea muy alta, por lo que no es prudente
usar ese código.

12
12
Todos los códigos deben ser evaluados.
El punto de corte debe ser la moda
básicamente porque es el estadístico de
tendencia central que mejor describe las
distribuciones binomiales.
No se puede usar la media ya que son
datos cualitativos y una mediana es poco
conveniente ya que tenemos solo dos
categorías en la variable.

13
13
Cuando la muestra tiende a ser pequeña, en
este caso menor a 500, es prudente calcular
niveles de significancia mediante pruebas
exactas.
La significancia indica si la conclusión a la que
se llega mediante el procedimiento estadístico
esta dentro o fuera del margen de error que
como investigadores queremos asumir.
Habitualmente, como investigadores
asumimos el 5% de error, una conclusión
estadística es significativa, si el error del
procedimiento es inferior al 5%
Cuando N es menor a 500, es recomendable
calcular los errores del procedimiento con el
método de Monte Carlo.
Como el máximo error que se pretende tener
es del 5%, el nivel de confiabilidad esperado
será del 95%

14
14
La hipótesis nula (H0) de la prueba de rachas dice que los datos no son aleatorios mientras que
la hipótesis alterna (Ha) indica que los datos si son aleatorios.
Si la significancia de la prueba es < a 0.05 (5% de error) se rechaza la hipótesis nula y se acepta
la hipótesis alterna.
Como el nivel de significancia es
inferior a 0.05, se rechaza la
hipótesis nula y se concluye que el
código "ya había oído de la marca"
tiene una distribución aleatoria por
ende tiene controlada varias
fuentes externas de error..

Modeling 1: detección del procedimiento.
El Escalamiento multidimensional tiene muchas técnicas,
para el caso puntual de preguntas abiertas se recomienda
PROXSCAL

16
16
Existen diferentes técnicas de Escalamiento multidimensional, y dentro de las técnicas hay diferentes metodologías. Para
términos de modelamiento, se recomienda utilizar PROXSCAL ya que permite ver paso a paso el proceso y de esa forma
diagnosticar errores en el mismo.
SPSS ofrece dos algoritmos básicos
ALSCAL
PROXSCAL
Cada uno tiene usos distintos, para el
modelamiento de preguntas abiertas se
usa PROXSCAL.
Modeling 1: Detección del procedimiento.

17
17
Los datos, como los tenemos configurados (binomiales, ordinales) no son por si mismos una medida de distancia de las
narraciones de las personas, de hecho son solamente las narraciones en bruto. Es por ello, que es necesario crear
proximidades de los datos.
Dado que la pregunta esta orientada
solo a una marca, y todas las
respuestas del encuestado están
orientadas solo a una marca en
particular, se maneja solo una fuente
matricial (solo un conjunto de
respuestas)
Si fuésemos a comparar la pregunta
abierta entre marcas, se usarían
varias fuentes matriciales.

18
18
En el modelo, entra a participar todos los códigos, aun asi es importante tener en cuenta que se cumplan los siguientes
supuestos.
Por cada código, debe haber
mínimo 5 encuestados, es
decir, si se evaluaran 15
códigos como en este caso, la
muestra debe ser de por lo
menos 75 encuestados.
Debe haber variabilidad en el
código, es decir, no todo puede
ser 0 (no narro) o 1 (si narro).
Algunos autores sugieren un
equilibrio 60/40
Debe haber aleatoriedad en las
respuestas, de esta forma se
controla error ya sea por sesgo
de encuestado o por error de
codificación, este supuesto se
controla mediante la prueba de
Rachas.
Ver prueba de Rachas.

19
19
Como se indico anteriormente, un modelo de escalamiento multidimensional puede configurarse desde diferentes tipos
de datos, datos numéricos, de frecuencias o medidas binarias.
En la opción medida,
debe indicarse que los
datos del modelo son
binarios.
Por ahora, no es
necesario indicar la
medida de distancia pero
si es importante indicar
que 1 significa que si
hubo narración
(presente) y 0 es no hubo
narración (ausente)
De igual manera se
pueden escalar tanto
variables como casos, en
este caso, recordemos
que cada variable es un
código y por lo tanto, se
escalaran variables.

Modeling 2: Configuración del procedimiento
(dimensionalidad).
El procedimiento seleccionado, debe tener un buen ajuste a
la realidad del consumidor (bondad de ajuste) para ello es
necesario modelar la cantidad de dimensiones que el
consumidor utiliza para responder la pregunta abierta.

21
21
Las respuestas que están dando los consumidores a la pregunta abierta, esta en N-1000 dimensiones, para comprender
esa respuesta, es necesario escalarla, la pregunta ahora es ¿a cuantas dimensiones se debe escalar la respuesta?
La respuesta se busca inicialmente en la
opción modelo donde se pide mostrar de 2
a 5 dimensiones
Posteriormente, en la opción gráficos se
marca la opción Stress.
Modeling 2: Dimensionalidad.

22
22
El producto de seleccionar de 2 a 5 dimensiones y de solicitar el grafico de Stress, es obtener el diagrama de
sedimentación.
Este diagrama muestra la variación del estadístico Stress dependiendo de la cantidad de dimensiones que se incluyan en
el modelo.
Lógicamente en cuantas mas dimensiones tenga el modelo, el estadístico Stress será mejor porque es mas parecido a la
realidad, pero en términos conceptuales, comprender 5 dimensiones puede ser complicado y en términos de mercadeo
táctico y estratégico puede no ser tan útil.
Por ello, se elige el numero de
dimensiones hasta donde el estadístico
Stress decrezca mas abruptamente.
Esto ocurre entre 2 y 3 dimensiones,
parece ser razonable que el modelo
explique la opinión del consumidor a la
pregunta ¿Por qué razón acepto
consumir el producto cuando se lo
ofrecieron? desde 3 dimensiones.
Modeling 2: Dimensionalidad.

Modeling 4: Bondad de ajuste (medida de
similaridad)
Elegir la estrategia matemática para medir la similaridad
entre las respuestas que el consumidor da a la pregunta
abierta .

24
Modeling 4: similaridad.
24
Teniendo en cuenta que ya sabemos que el modelo nos permite explicar la opinión del consumidor en 3 dimensiones,
ahora es necesario modelar la mejor forma de tratar los datos binarios.
Para esto, se evalúan las
diferentes alternativas para
medir la distancia entre cada
código.
Se elije la configuración que
permita obtener los menores
niveles de Stress y los mayores
niveles de dispersión explicada y
de congruencia.
El Stress es un indicador que
informa sobre lo mal
ajustado del modelo,
siempre buscamos obtener
el menor Stress posible para
asegurar que el modelo este
bien ajustado a la realidad.

25
25
Varianza.
Diferencia de
configuración.
Diferencia
de tamaño.
Distancia
euclídea al
cuadrado.
Lance y Williams.
Distancia
euclidea
La técnica de diferencia de configuración, es la que arroja mejores indicadores de bondad de ajuste, razón por la cual nuestro
modelo de 3 dimensiones para explicar la opinión del consumidor a la pregunta abierta, se construirá con esta estrategia.
La dispersión
explicada es una
medida de que
tal bien ajustado
esta el modelo,
esperamos tener
el mayor nivel
posible.
La congruencia
indica que tal
ajustado a la
realidad es el
modelo,
esperamos tener
los mayores
niveles posibles

Modeling 5: Escalamiento
Los datos son cualitativos, para escalarlos, debemos
volverlos cuantitativos, es necesario detectar la mejor forma
de transformar los datos cualitativos en cuantitativos.

27
27
El escalamiento multidimensional, es una técnica que se construye sobre escalamiento optimo, es decir, a los datos cualitativos,
se les asigna un patrón numérico para poder cuantificarlos y de esta forma analizarlos en profundidad.
Ya sabemos que nuestro modelo tendrá 3 dimensiones, será construido mediante la técnica de diferencia de configuración pero
ahora ¿Qué escala numérica debemos asignarle?
La tarea ahora es probar diferentes
escalas numéricas, de razón, intervalo,
ordinal sin empate, ordinal con empate y
lineal sp.
Se sabe que un modelo esta bien
escalado si los datos se ajustan a una
línea recta
(ya que el objetivo del escalamiento
optimo es asemejar los datos a un
modelo lineal) entonces la mejor
configuración será aquella que mejor se
ajuste a un patrón de línea recta.
Modeling 5: Escalamiento.

28
28
Razón. Ordinal
empatado
Intervalo
Ordinal no
empatado
Lineal Sp
El mejor modelo, es el de razón, por varias motivos: 1. presenta una tendencia lineal, 2, de todos es el que tiende a estar
mas empinado (pendiente mas positiva), 3: hay mayor dispersión, eso quiere decir que el error no tiene una causa
sistemática o conocida, a diferencia de los modelos ordinales que si tienen patrones definidos, lo que indica que el error es
sistemático, es decir, que hay causas conocidas de error.
Modeling 5: Escalamiento.

Modeling 6: Optimización.
Es un ajuste final del modelo. Es detectar la mejor
configuración, la que sea mas ajustada a la realidad y la que
reúna todos los elementos anteriormente vistos.

30
30
Por ultimo, es necesario mirar la configuración inicial del modelo, es decir, observar la mejor forma de optimizar el nivel de
Stress y generar el mejor ajuste posible de los datos. Para ello se cuenta con 4 métodos, la tarea es probarlos para observar
cual es el que mejor optimiza el nivel de Stress es decir, el mejor modelo será aquel que provoque el menor Stress posible de
los datos.
Modeling 6: Optimización.

31
31
TOGUESON SIMPLEX
ALEATORIO ÚNICO ALEATORIO MÚLTIPLES
Sin lugar a duda la metodología que mejor optimiza el nivel de Stress del modelo es la de Togueson.
En este momento, ya se tiene entonces todos los elementos para construir el modelo con las siguientes características.
1. 3 dimensiones para explicar la opinión del consumidor.
2. Método de medición: Diferencia de configuración
3. Método escalamiento: Razón.
4. Método de optimización: Togueson.

Modeling 7: Verificación.
Observar el ajuste final del modelo y verificar que tenga
coherencia con la realidad, que sea simple de entender, que
no contenga contradicciones y que sea matemática y
estadísticamente confiable.

33
33
El modelo final es congruente con la
realidad en un 98% y explica
satisfactoriamente la variabilidad de
los datos en un 97%
La tabla de descomposición del Stress, intenta ver cual es el
código que no logra entrar en el modelo, los mayores puntajes
serian los códigos mejor ajustados, aun así, todos son muy
inferiores a 1 lo que indica que todos los elementos están bien
representados en el modelo.

34
34
Ahora es importante conocer las
dimensiones del modelo, es decir,
conocer las dimensiones que hacen
que el consumidor sea sensible al
advocacy.
Dimensión 1
Desempeño del producto
(eje X)
Dimensión 2
Sensibilidad del consumidor a la
recomendación
(eje y)
Dimensión 3
Disposición a probar el producto.
(eje z)
El consumidor básicamente tiene 3
elementos en mente a la hora de
aceptar o no la sugerencia a
consumir el producto:
Esta respuesta es buena a nivel de
marketing estratégico, pero
tácticamente que puede hacerse?

Presentación.
Graficar de forma atractiva la solución, de forma que el
cliente comprenda grafica y narrativamente las conclusiones
que le estamos vendiendo.

36
Paso 1: El ilustrativo.
36
Dimensión 1:
Sensibiliza al consumidor.
Dimensión 1:
No
No asociado al desempeño del
producto
Asociado al desempeño del
producto
Dispone a comprar el
producto.
Reales razones por las cuales
el consumidor es sensible al
advocacy.
Razones secundarias, es
decir, que no hacen sensible
al consumidor al advocacy.

37
Paso 2: El Terminado.
El sitio tenia publicidad
de la marca
Queria probarla
Me dio curiosidad
probarla
Es una marca con estilo
Italiano
Ya habia oido de la marca
El mesero fue
convincente
La marca tiene un buen
sabor
Mis amigos aceptaron
consumirla
Ya habia escuchado
buenos comentarios de la
marca
Tenia animo para
probarla
Ya iba decidido a
consumirla
Con seguridad es una
buena marca
La presentacion de la
marca ayuda
La publicidad de la marca
es convincente
Es una marca premium
37
producto.
producto
Dimensión 1:
No
Asociado al
desempeño del
producto
Dimensión 1:

38
Paso 3: Explicativo 1.
de la marca
Queria probarla
Me dio curiosidad
probarla
Italiano
El mesero fue
convincente
sabor
consumirla
Ya habia escuchado
marca
Tenia animo para
probarla
Ya iba decidido a
consumirla
buena marca
marca ayuda
es convincente
38
producto.
producto
Dimensión 1:
No
Asociado al
desempeño del
producto
Conclusiones a nivel de mercadeo estratégico:
Hay tres elementos que hacen sensible al consumidor al
advocacy. 1: La sensibilidad del consumidor a la
recomendación; 2: El recuerdo que el consumidor tenga del
desempeño del producto y 3: La disposición que el
consumidor tenga hacia la compra.
Recomendación: de los tres elementos, lo único que se
puede controlar es el desempeño del producto así que a nivel
de comunicación y activación publicitaria es necesario
trasmitir atributos de producto asociados a Premium, sabor,
calidad, confianza y desempeño.
Dimensión 1:
Conclusiones a nivel de mercadeo Táctico:
Es importante que el mesero desarrolle y se apropie de un ritual especial
para presentar el producto, de igual forma, la notoriedad de la publicidad en
la mesa y en general en el sitio de compra facilita que el consumidor se
involucre con la posibilidad de consumir.
Es necesario activar la curiosidad del consumidor ante el producto, así que
un voz a voz que hable sobre desempeño de producto será positivo.

39
de la marca
Queria probarla
Me dio curiosidad
probarla
Italiano
El mesero fue
convincente
sabor
consumirla
Ya habia escuchado
marca
Tenia animo para
probarla
Ya iba decidido a
consumirla
buena marca
marca ayuda
es convincente
39
producto.
producto
Asociado al
desempeño del
producto
Los comentarios que el consumidor haya escuchado antes
sobre el desempeño del producto no son lo suficientemente
sensibilizadores al advocacy, por lo que es bueno, que el
ritual desplegado por el mesero, contemple la posibilidad de
una prueba discreta del producto a mujeres, la mujer lo
compartirá con su acompañante y de esa forma se puede
despertar la curiosidad por probar mas la cerveza.
Dimensión 1:
Dimensión 1:
No
La proveniencia de la marca, y la percepción de buena
calidad por si misma no es un elemento que haga al
consumidor sensible a advocacy.
El tema de italiano es un diferencial no un activador, debe ir
siempre acompañado de otros drivers de comunicación que
suplan las necesidades del consumidor a la hora de consumir
cerveza.

40
de la marca
Queria probarla
Me dio curiosidad
probarla
Italiano
El mesero fue
convincente
sabor
consumirla
Ya habia escuchado
marca
Tenia animo para
probarla
Ya iba decidido a
consumirla
buena marca
marca ayuda
es convincente
40
producto.
Asociado al
desempeño del
producto
Dimensión 1:
Dimensión 1:
No
La publicidad de la marca en general, ayuda a posicionar
atributos relevantes y a activar la marca en la mente del
consumidor.
La publicidad hace que la marca entre en consideración, pero
no hace que el consumidor sea sensible a advocacy.
La activación publicitaria que resalta y hace efectivo el
advocacy es aquella que esta en el sitio de consumo.
producto

41
de la marca
Queria probarla
Me dio curiosidad
probarla
Italiano
El mesero fue
convincente
sabor
consumirla
Ya habia escuchado
marca
Tenia animo para
probarla
Ya iba decidido a
consumirla
buena marca
marca ayuda
es convincente
41
producto.
Asociado al
desempeño del
producto
Dimensión 1:
El ritual de consumo no debe ser siempre el mismo, el animo
que el consumidor tiene para consumir el producto es
variable a lo largo de la semana y en lo diferentes sitios.
El ritual debe ser versátil para activar curiosidad de prueba.
Debe variar, el ritual no puede ser igual un lunes en un
restaurante que un lunes en un bar.
producto
Facilitar actividades durante el ritual de consumo que active
la participación de amigos y la prueba de producto
simultáneamente puede ser conveniente para la activación y
sensibilización del consumidor hacia el advocacy.
Actividades musicales, la Marca invita una ronda etc.
Dimensión 1:
No

42
Conclusiones.
• Las preguntas abiertas, tienen por si mismas, amplias riquezas conceptuales y
estratégicas, explotarlas para extraer la mayor cantidad de información posible
es el reto del investigador.
• El escalamiento multidimensional es una herramienta que nació en la psicología
matemática y se perfeccionó en la estadística con el objetivo de comprender las
estructuras mentales de las personas. Su aplicación en el terreno de mercadeo es
reciente por lo que cualquiera de sus soluciones serán siempre innovadoras.
• SPSS es una herramienta versátil a la que todos los analistas de mercado debe
tener acceso para desarrollar habilidades de modelamiento.
42

Optimizacion de preguntas abiertas via escalamiento multidimensional

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (7)

Similar a Optimizacion de preguntas abiertas via escalamiento multidimensional

Similar a Optimizacion de preguntas abiertas via escalamiento multidimensional (20)

Más de Gabriel Contreras Serrano

Más de Gabriel Contreras Serrano (20)

Último

Último (17)

Optimizacion de preguntas abiertas via escalamiento multidimensional