SlideShare una empresa de Scribd logo
MODELANDO DATOS CUALITATIVOS DE PREGUNTAS ABIERTAS MEDIANTE  ESCALAMIENTO MULTIDIMENSIONAL. Cualitative Data Optimization CDO CARLOS GABRIEL CONTRERAS MSC ESTADÍSTICO. UNIVERSITY OF CALIFORNIA LOS ANGELES.
Escalamiento multidimensional. ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
El reto ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
La solución. 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.
El algoritmo. 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. Objetivo: Ubicar cada uno de los códigos dentro de la base de forma que sean estadísticamente manipulables.
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. Construcción de la base de datos.
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. Construcción de la base de datos.
Verificación de supuestos. Objetivo: Garantizar que todos los códigos (datos) cuentan con el nivel de calidad suficiente como para ingresar en el análisis.
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.
Verificación de supuestos (prueba de Rachas) 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.
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. Verificación de supuestos (prueba de Rachas)
Verificación de supuestos (prueba de Rachas) 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%
Verificación de supuestos (prueba de Rachas) 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 &quot;ya había oído de la marca&quot; tiene una distribución aleatoria por ende tiene controlada varias fuentes externas de error..
Modeling 1: detección del procedimiento. Objetivo: El Escalamiento multidimensional tiene muchas técnicas, para el caso puntual de preguntas abiertas se recomienda PROXSCAL
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.
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. Modeling 1: Detección del procedimiento.
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. Modeling 1: Detección del procedimiento.
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 1: Detección del procedimiento.
Modeling 2: Configuración del procedimiento (dimensionalidad). Objetivo: 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.
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.
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) Objetivo: Elegir la estrategia matemática para medir la similaridad entre las respuestas que el consumidor da a la pregunta abierta .
Modeling 4: similaridad. 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.
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  Objetivo: Los datos son cualitativos, para escalarlos, debemos volverlos cuantitativos, es necesario detectar la mejor forma de transformar los datos cualitativos en cuantitativos.
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.
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.  Objetivo: 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.
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.
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],TOGUESON SIMPLEX ALEATORIO ÚNICO ALEATORIO MÚLTIPLES
Modeling 7: Verificación.  Objetivo: 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.
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. Modeling 7: Verificación.
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? Modeling 7: Verificación.
Presentación.  Objetivo: Graficar de forma atractiva la solución, de forma que el cliente comprenda grafica y narrativamente las conclusiones que le estamos vendiendo.
Paso 1: El ilustrativo. Dimensión 1:  Sensibiliza al consumidor. Dimensión 1:  No Sensibiliza al consumidor. 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.
Paso 2: El Terminado. Dispone a comprar el producto. No asociado al desempeño del producto Dimensión 1:  No Sensibiliza al consumidor. Asociado al desempeño del producto Dimensión 1:  Sensibiliza al consumidor.
Paso 3: Explicativo 1. Dispone a comprar el producto. No asociado al desempeño del producto Dimensión 1:  No Sensibiliza al consumidor. 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:  Sensibiliza al consumidor. 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.
Paso 3: Explicativo 2. Dispone a comprar el producto. No asociado al desempeño del producto Asociado al desempeño del producto Conclusiones a nivel de mercadeo estratégico: 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:  Sensibiliza al consumidor. Dimensión 1:  No Sensibiliza al consumidor. Conclusiones a nivel de mercadeo estratégico: 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.
Paso 3: Explicativo 3. Dispone a comprar el producto. Asociado al desempeño del producto Dimensión 1:  Sensibiliza al consumidor. Dimensión 1:  No Sensibiliza al consumidor. Conclusiones a nivel de mercadeo Táctico: 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. No asociado al desempeño del producto
Paso 3: Explicativo 3. Dispone a comprar el producto. Asociado al desempeño del producto Dimensión 1:  Sensibiliza al consumidor. Conclusiones a nivel de mercadeo Táctico: 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. No asociado al desempeño del producto Conclusiones a nivel de mercadeo Táctico: 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 Sensibiliza al consumidor.
Conclusiones. ,[object Object],[object Object],[object Object]

Más contenido relacionado

La actualidad más candente

Algoritmos Evolutivos
Algoritmos EvolutivosAlgoritmos Evolutivos
Algoritmos Evolutivos
Jorge Fierro
 
Aplicacion de tora a pl
Aplicacion de tora a plAplicacion de tora a pl
Aplicacion de tora a pl
CrazyMan1990
 
Analisis grafico de sensibilidad
Analisis grafico de sensibilidadAnalisis grafico de sensibilidad
Analisis grafico de sensibilidad
Tito Ibarra
 
ExposicióN TóPicos De SeleccióN En Las Tomas De Decisiones Grupo Nº3
ExposicióN TóPicos De SeleccióN En Las Tomas De Decisiones Grupo Nº3ExposicióN TóPicos De SeleccióN En Las Tomas De Decisiones Grupo Nº3
ExposicióN TóPicos De SeleccióN En Las Tomas De Decisiones Grupo Nº3
Alicia Gonzalez
 
135496860 desarrollo-quiz-1
135496860 desarrollo-quiz-1135496860 desarrollo-quiz-1
135496860 desarrollo-quiz-1
SaNc1968
 
Programacion lineal
Programacion linealProgramacion lineal
Programacion lineal
elizabeth852009
 
11 solveroptimización
11 solveroptimización11 solveroptimización
11 solveroptimización
Hugo Pereira
 
Guía de estudio algoritmos en dfd
Guía de estudio algoritmos en dfdGuía de estudio algoritmos en dfd
Guía de estudio algoritmos en dfd
geosam
 
investigacion de operaciones
investigacion de operacionesinvestigacion de operaciones
investigacion de operaciones
Manuel Yara
 
Método Simplex
Método SimplexMétodo Simplex
Método Simplex
Jessica Pérez Rivera
 
Notas analisis algoritmos_vf
Notas analisis algoritmos_vfNotas analisis algoritmos_vf
Notas analisis algoritmos_vf
Fany Lopez
 
Definición de modelo matemático
Definición de modelo matemáticoDefinición de modelo matemático
Definición de modelo matemático
orlando345
 
Simulacion uam
Simulacion uamSimulacion uam
Casos especiales del metodo simplex
Casos especiales del metodo simplexCasos especiales del metodo simplex
Casos especiales del metodo simplex
bkike
 
Aplicacion De Tora Para Resolver Ejercicios Del Metodo De La Gran M
Aplicacion De Tora Para Resolver Ejercicios Del Metodo De La Gran MAplicacion De Tora Para Resolver Ejercicios Del Metodo De La Gran M
Aplicacion De Tora Para Resolver Ejercicios Del Metodo De La Gran M
Instituto Tecnologico De Pachuca
 
Algoritmos
AlgoritmosAlgoritmos
Programación Lineal
Programación LinealProgramación Lineal
Programación Lineal
Milena
 
A metodos expertos
A metodos expertosA metodos expertos
A metodos expertos
eryen
 
Introducción a la optimización heurística en ingeniería
Introducción a la optimización heurística en ingenieríaIntroducción a la optimización heurística en ingeniería
Introducción a la optimización heurística en ingeniería
► Victor Yepes
 
Resumen programacion lineal
Resumen programacion linealResumen programacion lineal
Resumen programacion lineal
Silvia Michay
 

La actualidad más candente (20)

Algoritmos Evolutivos
Algoritmos EvolutivosAlgoritmos Evolutivos
Algoritmos Evolutivos
 
Aplicacion de tora a pl
Aplicacion de tora a plAplicacion de tora a pl
Aplicacion de tora a pl
 
Analisis grafico de sensibilidad
Analisis grafico de sensibilidadAnalisis grafico de sensibilidad
Analisis grafico de sensibilidad
 
ExposicióN TóPicos De SeleccióN En Las Tomas De Decisiones Grupo Nº3
ExposicióN TóPicos De SeleccióN En Las Tomas De Decisiones Grupo Nº3ExposicióN TóPicos De SeleccióN En Las Tomas De Decisiones Grupo Nº3
ExposicióN TóPicos De SeleccióN En Las Tomas De Decisiones Grupo Nº3
 
135496860 desarrollo-quiz-1
135496860 desarrollo-quiz-1135496860 desarrollo-quiz-1
135496860 desarrollo-quiz-1
 
Programacion lineal
Programacion linealProgramacion lineal
Programacion lineal
 
11 solveroptimización
11 solveroptimización11 solveroptimización
11 solveroptimización
 
Guía de estudio algoritmos en dfd
Guía de estudio algoritmos en dfdGuía de estudio algoritmos en dfd
Guía de estudio algoritmos en dfd
 
investigacion de operaciones
investigacion de operacionesinvestigacion de operaciones
investigacion de operaciones
 
Método Simplex
Método SimplexMétodo Simplex
Método Simplex
 
Notas analisis algoritmos_vf
Notas analisis algoritmos_vfNotas analisis algoritmos_vf
Notas analisis algoritmos_vf
 
Definición de modelo matemático
Definición de modelo matemáticoDefinición de modelo matemático
Definición de modelo matemático
 
Simulacion uam
Simulacion uamSimulacion uam
Simulacion uam
 
Casos especiales del metodo simplex
Casos especiales del metodo simplexCasos especiales del metodo simplex
Casos especiales del metodo simplex
 
Aplicacion De Tora Para Resolver Ejercicios Del Metodo De La Gran M
Aplicacion De Tora Para Resolver Ejercicios Del Metodo De La Gran MAplicacion De Tora Para Resolver Ejercicios Del Metodo De La Gran M
Aplicacion De Tora Para Resolver Ejercicios Del Metodo De La Gran M
 
Algoritmos
AlgoritmosAlgoritmos
Algoritmos
 
Programación Lineal
Programación LinealProgramación Lineal
Programación Lineal
 
A metodos expertos
A metodos expertosA metodos expertos
A metodos expertos
 
Introducción a la optimización heurística en ingeniería
Introducción a la optimización heurística en ingenieríaIntroducción a la optimización heurística en ingeniería
Introducción a la optimización heurística en ingeniería
 
Resumen programacion lineal
Resumen programacion linealResumen programacion lineal
Resumen programacion lineal
 

Similar a Mci

Investigación de Operaciones II : Simulación
Investigación de Operaciones II : Simulación Investigación de Operaciones II : Simulación
Investigación de Operaciones II : Simulación
Jose
 
Fundamentos Minería Datos
Fundamentos Minería DatosFundamentos Minería Datos
Fundamentos Minería Datos
Victor Jaime Polo Romero
 
PREPARACIÓN DE DATA Y SUBSECUENTE ANÁLISIS EN INVESTIGACIÓN DE MERCADOS
PREPARACIÓN DE DATA Y SUBSECUENTE ANÁLISIS EN INVESTIGACIÓN DE MERCADOSPREPARACIÓN DE DATA Y SUBSECUENTE ANÁLISIS EN INVESTIGACIÓN DE MERCADOS
PREPARACIÓN DE DATA Y SUBSECUENTE ANÁLISIS EN INVESTIGACIÓN DE MERCADOS
Angel Carreras
 
Escalas uny agustin y janeth
Escalas uny agustin y janethEscalas uny agustin y janeth
Escalas uny agustin y janeth
arojasdluca
 
Escalas uny agustin y janeth
Escalas uny agustin y janethEscalas uny agustin y janeth
Escalas uny agustin y janeth
arojasdluca
 
Taller de iniciación a la investigación clínica. parte ii
Taller de iniciación a la investigación clínica. parte iiTaller de iniciación a la investigación clínica. parte ii
Taller de iniciación a la investigación clínica. parte ii
Xavi Barber
 
Metodo de guttman teoria
Metodo  de guttman teoriaMetodo  de guttman teoria
Metodo de guttman teoria
Karlos Diaz Farro
 
Inferencia estadistica
Inferencia estadisticaInferencia estadistica
Inferencia estadistica
Shouky Delgado
 
Equipo 1- Estadística.pptx diapositivas
Equipo 1- Estadística.pptx diapositivasEquipo 1- Estadística.pptx diapositivas
Equipo 1- Estadística.pptx diapositivas
AlessandroArevalo
 
10. Análisis de datos cuantitativos.pptx
10. Análisis de datos cuantitativos.pptx10. Análisis de datos cuantitativos.pptx
10. Análisis de datos cuantitativos.pptx
VictorReyes883901
 
Sesion_2_Investigacion_INVESMER_SEIPROwch2011.ppt
Sesion_2_Investigacion_INVESMER_SEIPROwch2011.pptSesion_2_Investigacion_INVESMER_SEIPROwch2011.ppt
Sesion_2_Investigacion_INVESMER_SEIPROwch2011.ppt
ssuser344d4f
 
Minería de datos
Minería de datosMinería de datos
Minería de datos
Software Guru
 
ANÁLISIS PROBIT
ANÁLISIS PROBITANÁLISIS PROBIT
ANÁLISIS PROBIT
laly mraz
 
SEIS SIGMA
SEIS SIGMASEIS SIGMA
SEIS SIGMA
Jean Hernandez
 
Escalas de medición
Escalas de mediciónEscalas de medición
Escalas de medición
Luis José Ramos Quiaro
 
Diseño experimental. sep unipaz
Diseño experimental. sep unipazDiseño experimental. sep unipaz
Diseño experimental. sep unipaz
vlakxmir
 
Introduccin_a_la_Minera_de_Datos_M_cc_v2.pptx
Introduccin_a_la_Minera_de_Datos_M_cc_v2.pptxIntroduccin_a_la_Minera_de_Datos_M_cc_v2.pptx
Introduccin_a_la_Minera_de_Datos_M_cc_v2.pptx
AnonymousEoGAaTF
 
Trabajo obligatorio estadistica 2012 2013
Trabajo obligatorio estadistica 2012 2013Trabajo obligatorio estadistica 2012 2013
Trabajo obligatorio estadistica 2012 2013
juan jose lopez
 
Análisis factorial aplicado en la elaboración de una tesis
Análisis factorial aplicado en la elaboración de una tesisAnálisis factorial aplicado en la elaboración de una tesis
Análisis factorial aplicado en la elaboración de una tesis
Juan F.Guevara
 
Análisis factorial aplicado en la elaboración de una tesis
Análisis factorial aplicado en la elaboración de una tesisAnálisis factorial aplicado en la elaboración de una tesis
Análisis factorial aplicado en la elaboración de una tesis
juanchojuancho
 

Similar a Mci (20)

Investigación de Operaciones II : Simulación
Investigación de Operaciones II : Simulación Investigación de Operaciones II : Simulación
Investigación de Operaciones II : Simulación
 
Fundamentos Minería Datos
Fundamentos Minería DatosFundamentos Minería Datos
Fundamentos Minería Datos
 
PREPARACIÓN DE DATA Y SUBSECUENTE ANÁLISIS EN INVESTIGACIÓN DE MERCADOS
PREPARACIÓN DE DATA Y SUBSECUENTE ANÁLISIS EN INVESTIGACIÓN DE MERCADOSPREPARACIÓN DE DATA Y SUBSECUENTE ANÁLISIS EN INVESTIGACIÓN DE MERCADOS
PREPARACIÓN DE DATA Y SUBSECUENTE ANÁLISIS EN INVESTIGACIÓN DE MERCADOS
 
Escalas uny agustin y janeth
Escalas uny agustin y janethEscalas uny agustin y janeth
Escalas uny agustin y janeth
 
Escalas uny agustin y janeth
Escalas uny agustin y janethEscalas uny agustin y janeth
Escalas uny agustin y janeth
 
Taller de iniciación a la investigación clínica. parte ii
Taller de iniciación a la investigación clínica. parte iiTaller de iniciación a la investigación clínica. parte ii
Taller de iniciación a la investigación clínica. parte ii
 
Metodo de guttman teoria
Metodo  de guttman teoriaMetodo  de guttman teoria
Metodo de guttman teoria
 
Inferencia estadistica
Inferencia estadisticaInferencia estadistica
Inferencia estadistica
 
Equipo 1- Estadística.pptx diapositivas
Equipo 1- Estadística.pptx diapositivasEquipo 1- Estadística.pptx diapositivas
Equipo 1- Estadística.pptx diapositivas
 
10. Análisis de datos cuantitativos.pptx
10. Análisis de datos cuantitativos.pptx10. Análisis de datos cuantitativos.pptx
10. Análisis de datos cuantitativos.pptx
 
Sesion_2_Investigacion_INVESMER_SEIPROwch2011.ppt
Sesion_2_Investigacion_INVESMER_SEIPROwch2011.pptSesion_2_Investigacion_INVESMER_SEIPROwch2011.ppt
Sesion_2_Investigacion_INVESMER_SEIPROwch2011.ppt
 
Minería de datos
Minería de datosMinería de datos
Minería de datos
 
ANÁLISIS PROBIT
ANÁLISIS PROBITANÁLISIS PROBIT
ANÁLISIS PROBIT
 
SEIS SIGMA
SEIS SIGMASEIS SIGMA
SEIS SIGMA
 
Escalas de medición
Escalas de mediciónEscalas de medición
Escalas de medición
 
Diseño experimental. sep unipaz
Diseño experimental. sep unipazDiseño experimental. sep unipaz
Diseño experimental. sep unipaz
 
Introduccin_a_la_Minera_de_Datos_M_cc_v2.pptx
Introduccin_a_la_Minera_de_Datos_M_cc_v2.pptxIntroduccin_a_la_Minera_de_Datos_M_cc_v2.pptx
Introduccin_a_la_Minera_de_Datos_M_cc_v2.pptx
 
Trabajo obligatorio estadistica 2012 2013
Trabajo obligatorio estadistica 2012 2013Trabajo obligatorio estadistica 2012 2013
Trabajo obligatorio estadistica 2012 2013
 
Análisis factorial aplicado en la elaboración de una tesis
Análisis factorial aplicado en la elaboración de una tesisAnálisis factorial aplicado en la elaboración de una tesis
Análisis factorial aplicado en la elaboración de una tesis
 
Análisis factorial aplicado en la elaboración de una tesis
Análisis factorial aplicado en la elaboración de una tesisAnálisis factorial aplicado en la elaboración de una tesis
Análisis factorial aplicado en la elaboración de una tesis
 

Más de Gabriel Contreras Serrano

Sinnetic prefference mapping
Sinnetic   prefference mappingSinnetic   prefference mapping
Sinnetic prefference mapping
Gabriel Contreras Serrano
 
Necesidades psicológicas orgánicas.
Necesidades psicológicas orgánicas.Necesidades psicológicas orgánicas.
Necesidades psicológicas orgánicas.
Gabriel Contreras Serrano
 
Transporte hacia mitocondria
Transporte hacia mitocondriaTransporte hacia mitocondria
Transporte hacia mitocondria
Gabriel Contreras Serrano
 
Mitogen activated protein cinasa
Mitogen activated protein cinasaMitogen activated protein cinasa
Mitogen activated protein cinasa
Gabriel Contreras Serrano
 
Seminario
SeminarioSeminario
Va r
Va rVa r
Path analysis with manifest variables
Path analysis with manifest variablesPath analysis with manifest variables
Path analysis with manifest variables
Gabriel Contreras Serrano
 
Dolor
DolorDolor
Trastornos depresivos
Trastornos depresivosTrastornos depresivos
Trastornos depresivos
Gabriel Contreras Serrano
 
Modelos de evaluación conductual general.
Modelos de evaluación conductual general.Modelos de evaluación conductual general.
Modelos de evaluación conductual general.
Gabriel Contreras Serrano
 
Formulacion conductual[1]
Formulacion conductual[1]Formulacion conductual[1]
Formulacion conductual[1]
Gabriel Contreras Serrano
 
Estres biopsicosocial
Estres biopsicosocialEstres biopsicosocial
Estres biopsicosocial
Gabriel Contreras Serrano
 
Desorden bipolar
Desorden bipolarDesorden bipolar
Desorden bipolar
Gabriel Contreras Serrano
 
Descripción de los desordenes del estado del animo
Descripción de los desordenes del estado del animoDescripción de los desordenes del estado del animo
Descripción de los desordenes del estado del animo
Gabriel Contreras Serrano
 
Desarrollo historico de la neuropsicologia
Desarrollo historico de la neuropsicologiaDesarrollo historico de la neuropsicologia
Desarrollo historico de la neuropsicologia
Gabriel Contreras Serrano
 
Depresión y experiencias adversas tempranas.
Depresión y experiencias adversas tempranas.Depresión y experiencias adversas tempranas.
Depresión y experiencias adversas tempranas.
Gabriel Contreras Serrano
 
Depresión como un problema de autocontrol
Depresión como un problema de autocontrolDepresión como un problema de autocontrol
Depresión como un problema de autocontrol
Gabriel Contreras Serrano
 
Child exposed to marital conflict and violence.
Child exposed to marital conflict and violence.Child exposed to marital conflict and violence.
Child exposed to marital conflict and violence.
Gabriel Contreras Serrano
 
Asimetria cerebral
Asimetria cerebralAsimetria cerebral
Asimetria cerebral
Gabriel Contreras Serrano
 

Más de Gabriel Contreras Serrano (20)

Sinnetic prefference mapping
Sinnetic   prefference mappingSinnetic   prefference mapping
Sinnetic prefference mapping
 
Necesidades psicológicas orgánicas.
Necesidades psicológicas orgánicas.Necesidades psicológicas orgánicas.
Necesidades psicológicas orgánicas.
 
Transporte hacia mitocondria
Transporte hacia mitocondriaTransporte hacia mitocondria
Transporte hacia mitocondria
 
Mitogen activated protein cinasa
Mitogen activated protein cinasaMitogen activated protein cinasa
Mitogen activated protein cinasa
 
Seminario
SeminarioSeminario
Seminario
 
Va r
Va rVa r
Va r
 
Path analysis with manifest variables
Path analysis with manifest variablesPath analysis with manifest variables
Path analysis with manifest variables
 
Dolor
DolorDolor
Dolor
 
Trastornos depresivos
Trastornos depresivosTrastornos depresivos
Trastornos depresivos
 
Patologias neurologicas
Patologias neurologicasPatologias neurologicas
Patologias neurologicas
 
Modelos de evaluación conductual general.
Modelos de evaluación conductual general.Modelos de evaluación conductual general.
Modelos de evaluación conductual general.
 
Formulacion conductual[1]
Formulacion conductual[1]Formulacion conductual[1]
Formulacion conductual[1]
 
Estres biopsicosocial
Estres biopsicosocialEstres biopsicosocial
Estres biopsicosocial
 
Desorden bipolar
Desorden bipolarDesorden bipolar
Desorden bipolar
 
Descripción de los desordenes del estado del animo
Descripción de los desordenes del estado del animoDescripción de los desordenes del estado del animo
Descripción de los desordenes del estado del animo
 
Desarrollo historico de la neuropsicologia
Desarrollo historico de la neuropsicologiaDesarrollo historico de la neuropsicologia
Desarrollo historico de la neuropsicologia
 
Depresión y experiencias adversas tempranas.
Depresión y experiencias adversas tempranas.Depresión y experiencias adversas tempranas.
Depresión y experiencias adversas tempranas.
 
Depresión como un problema de autocontrol
Depresión como un problema de autocontrolDepresión como un problema de autocontrol
Depresión como un problema de autocontrol
 
Child exposed to marital conflict and violence.
Child exposed to marital conflict and violence.Child exposed to marital conflict and violence.
Child exposed to marital conflict and violence.
 
Asimetria cerebral
Asimetria cerebralAsimetria cerebral
Asimetria cerebral
 

Mci

  • 1. MODELANDO DATOS CUALITATIVOS DE PREGUNTAS ABIERTAS MEDIANTE ESCALAMIENTO MULTIDIMENSIONAL. Cualitative Data Optimization CDO CARLOS GABRIEL CONTRERAS MSC ESTADÍSTICO. UNIVERSITY OF CALIFORNIA LOS ANGELES.
  • 2.
  • 3.
  • 4. La solución. 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. Construcción de la base de datos. Verificación de supuestos Modeling Detección del procedimiento Configuración. Bondad de ajuste Escalamiento Optimización Verificación. Presentación.
  • 6. Construcción de la base de datos. Objetivo: 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. Construcción de la base de datos.
  • 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. Construcción de la base de datos.
  • 9. Verificación de supuestos. Objetivo: Garantizar que todos los códigos (datos) cuentan con el nivel de calidad suficiente como para ingresar en el análisis.
  • 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) 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. 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. Verificación de supuestos (prueba de Rachas)
  • 13. Verificación de supuestos (prueba de Rachas) 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. Verificación de supuestos (prueba de Rachas) 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 &quot;ya había oído de la marca&quot; tiene una distribución aleatoria por ende tiene controlada varias fuentes externas de error..
  • 15. Modeling 1: detección del procedimiento. Objetivo: El Escalamiento multidimensional tiene muchas técnicas, para el caso puntual de preguntas abiertas se recomienda PROXSCAL
  • 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. 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. Modeling 1: Detección del procedimiento.
  • 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. Modeling 1: Detección del procedimiento.
  • 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 1: Detección del procedimiento.
  • 20. Modeling 2: Configuración del procedimiento (dimensionalidad). Objetivo: 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. 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. 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.
  • 23. Modeling 4: Bondad de ajuste (medida de similaridad) Objetivo: Elegir la estrategia matemática para medir la similaridad entre las respuestas que el consumidor da a la pregunta abierta .
  • 24. Modeling 4: similaridad. 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. 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
  • 26. Modeling 5: Escalamiento Objetivo: Los datos son cualitativos, para escalarlos, debemos volverlos cuantitativos, es necesario detectar la mejor forma de transformar los datos cualitativos en cuantitativos.
  • 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. 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.
  • 29. Modeling 6: Optimización. Objetivo: 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. 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.
  • 32. Modeling 7: Verificación. Objetivo: 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. 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. Modeling 7: Verificación.
  • 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? Modeling 7: Verificación.
  • 35. Presentación. Objetivo: 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. Dimensión 1: Sensibiliza al consumidor. Dimensión 1: No Sensibiliza al consumidor. 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. Dispone a comprar el producto. No asociado al desempeño del producto Dimensión 1: No Sensibiliza al consumidor. Asociado al desempeño del producto Dimensión 1: Sensibiliza al consumidor.
  • 38. Paso 3: Explicativo 1. Dispone a comprar el producto. No asociado al desempeño del producto Dimensión 1: No Sensibiliza al consumidor. 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: Sensibiliza al consumidor. 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. Paso 3: Explicativo 2. Dispone a comprar el producto. No asociado al desempeño del producto Asociado al desempeño del producto Conclusiones a nivel de mercadeo estratégico: 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: Sensibiliza al consumidor. Dimensión 1: No Sensibiliza al consumidor. Conclusiones a nivel de mercadeo estratégico: 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. Paso 3: Explicativo 3. Dispone a comprar el producto. Asociado al desempeño del producto Dimensión 1: Sensibiliza al consumidor. Dimensión 1: No Sensibiliza al consumidor. Conclusiones a nivel de mercadeo Táctico: 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. No asociado al desempeño del producto
  • 41. Paso 3: Explicativo 3. Dispone a comprar el producto. Asociado al desempeño del producto Dimensión 1: Sensibiliza al consumidor. Conclusiones a nivel de mercadeo Táctico: 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. No asociado al desempeño del producto Conclusiones a nivel de mercadeo Táctico: 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 Sensibiliza al consumidor.
  • 42.

Notas del editor

  1. Update when TRPs become available
  2. Update when TRPs become available
  3. Update when TRPs become available