Análisis conjunto

El análisis conjunto es una técnica estadística basada en encuestas que se utiliza en la investigación de mercados y que ayuda a determinar cómo valoran las personas los diferentes atributos (características, funciones, beneficios) que componen un producto o servicio individual.

El objetivo del análisis conjunto es determinar la influencia de un conjunto de atributos en la elección o toma de decisiones de los encuestados. En un experimento de análisis conjunto, se presenta a los participantes de una encuesta un conjunto controlado de productos o servicios potenciales, clasificados por atributos. Al analizar cómo eligen los encuestados entre los productos, se puede determinar la valoración que otorgan a los atributos que los componen. Estas valoraciones implícitas ( utilidades o valores parciales) pueden utilizarse para crear modelos de mercado que estimen la cuota de mercado, los ingresos e incluso la rentabilidad de nuevos diseños.

El análisis conjunto se originó en la psicología matemática y fue desarrollado por el profesor de marketing Paul E. Green en la Wharton School de la Universidad de Pensilvania . Otros pioneros destacados del análisis conjunto incluyen al profesor V. "Seenu" Srinivasan de la Universidad de Stanford, quien desarrolló un procedimiento de programación lineal (LINMAP) para datos ordenados por rango, así como un enfoque autoexplicativo, y Jordan Louviere ( Universidad de Iowa ), quien inventó y desarrolló enfoques basados ​​en la elección para el análisis conjunto y técnicas relacionadas, como la escala de mejor-peor .

Actualmente se utiliza en muchas ciencias sociales y aplicadas, como el marketing , la gestión de productos y la investigación operativa . Se emplea con frecuencia para evaluar la aceptación de nuevos diseños de productos por parte de los clientes , el atractivo de la publicidad y el diseño de servicios . También se ha utilizado en el posicionamiento de productos , aunque algunos cuestionan esta aplicación del análisis conjunto.

Las técnicas de análisis conjunto también pueden denominarse modelado compositivo multiatributo , modelado de elección discreta o investigación de preferencias declaradas , y forman parte de un conjunto más amplio de herramientas de análisis de compensación utilizadas para el análisis sistemático de decisiones. Estas herramientas incluyen Brand Price Trade-off, ^{[ 1 ]} Simalto y enfoques matemáticos como AHP , ^{[ 2 ]} PAPRIKA , ^{[ 3 ] [ 4 ]} algoritmos evolutivos o experimentación para el desarrollo de reglas.

Un producto o servicio se describe en función de varios atributos. Por ejemplo, un televisor puede tener atributos como tamaño de pantalla, formato de pantalla, marca, precio, etc. Cada atributo se puede subdividir en varios niveles. Por ejemplo, los niveles para el formato de pantalla pueden ser LED, LCD o Plasma.

A los participantes se les muestra un conjunto de productos, prototipos, maquetas o imágenes creadas a partir de una combinación de niveles de todos o algunos de los atributos que los componen, y se les pide que elijan, clasifiquen o valoren los productos que se les muestran. Cada ejemplo es lo suficientemente similar como para que los consumidores los perciban como sustitutos cercanos, pero lo suficientemente diferente como para que los participantes puedan determinar claramente su preferencia. Cada ejemplo se compone de una combinación única de características del producto. Los datos pueden consistir en valoraciones individuales, clasificaciones o elecciones entre combinaciones alternativas.

El diseño conjunto implica cuatro pasos diferentes:

1. Determinar el tipo de estudio
2. Identificar los atributos relevantes
3. Especifique los niveles de los atributos
4. Cuestionario de diseño

Existen diferentes tipos de estudios que pueden diseñarse:

• Análisis conjunto basado en la clasificación
• Análisis conjunto basado en calificaciones
• Análisis conjunto basado en la elección

Los atributos en el análisis conjunto deben:

• ser relevante para la toma de decisiones gerenciales,
• tienen distintos niveles en la vida real,
• se espera que influya en las preferencias,
• estar claramente definido y ser comunicable,
• preferiblemente no presenten fuertes correlaciones (el precio y la marca son una excepción),
• constan de al menos dos niveles.

Los niveles de los atributos deben ser:

• inequívoco,
• mutuamente excluyentes,
• realista.

A medida que aumenta el número de combinaciones de atributos y niveles, el número de perfiles potenciales crece exponencialmente. Por consiguiente, el diseño factorial fraccionado se utiliza habitualmente para reducir el número de perfiles a evaluar, garantizando al mismo tiempo la disponibilidad de datos suficientes para el análisis estadístico, lo que da como resultado un conjunto de "perfiles" cuidadosamente controlados para que el encuestado los considere.

Las primeras formas de análisis conjunto, que comenzaron en la década de 1970, fueron los llamados estudios de perfil completo, en los que se utilizaba un pequeño conjunto de atributos (normalmente de 4 a 5) para crear perfiles que se mostraban a los encuestados, a menudo en tarjetas individuales. Los encuestados luego clasificaban o calificaban estos perfiles. Mediante un análisis de regresión con variables ficticias relativamente simple , se podían calcular las utilidades implícitas para los niveles que mejor reproducían las clasificaciones o calificaciones especificadas por los encuestados. Se observaron dos inconvenientes en estos primeros diseños.

En primer lugar, el número de atributos utilizados estaba muy limitado. Con un gran número de atributos, la tarea de consideración para los encuestados se vuelve excesiva, e incluso con diseños factoriales fraccionados, el número de perfiles a evaluar puede aumentar rápidamente. Para utilizar más atributos (hasta 30), se desarrollaron técnicas híbridas de análisis conjunto que combinaban la autoexplicación (calificación o clasificación de niveles y atributos) seguida de tareas de análisis conjunto. Tanto los cuestionarios en papel como los cuestionarios adaptativos asistidos por ordenador se convirtieron en opciones a partir de la década de 1980.

El segundo inconveniente era que las calificaciones o clasificaciones de perfiles no eran realistas y no se vinculaban directamente con la teoría del comportamiento. En situaciones reales, los compradores eligen entre alternativas en lugar de clasificarlas o calificarlas. Jordan Louviere fue pionero en un enfoque que utilizaba únicamente una tarea de elección, la cual se convirtió en la base del análisis conjunto basado en la elección y el análisis de elección discreta . Esta investigación de preferencias declaradas está vinculada al modelado econométrico y puede vincularse a la preferencia revelada, donde los modelos de elección se calibran a partir de datos reales en lugar de datos de encuestas. Originalmente, el análisis conjunto basado en la elección no podía proporcionar utilidades a nivel individual, por lo que los investigadores desarrollaron modelos agregados para representar las preferencias del mercado. Esto lo hacía inadecuado para estudios de segmentación de mercado . Con las nuevas técnicas de análisis bayesiano jerárquico , se pueden estimar utilidades a nivel individual que proporcionan una mayor comprensión de las preferencias heterogéneas entre individuos y segmentos de mercado.

Los datos para el análisis conjunto se recopilan con mayor frecuencia mediante encuestas de investigación de mercado, aunque también se puede aplicar a un configurador cuidadosamente diseñado o a datos de un experimento de mercado de prueba adecuadamente diseñado . Al diseñar entrevistas para análisis conjunto, se aplican las reglas generales de la investigación de mercado en cuanto al tamaño y la precisión de la muestra estadística.

La duración del cuestionario de análisis conjunto depende del número de atributos a evaluar y del método de análisis conjunto seleccionado. Un cuestionario de análisis conjunto adaptativo típico, con entre 20 y 25 atributos, puede tardar más de 30 minutos en completarse. El análisis conjunto basado en la elección, mediante un conjunto de perfiles más reducido distribuido en toda la muestra, puede completarse en menos de 15 minutos. Los ejercicios de elección pueden presentarse como un escaparate o en algún otro entorno de compra simulado.

Debido a que los diseños conjuntos son complejos, suelen generar un error de medición sustancial (como lo indica la baja fiabilidad intra-encuestador), lo que puede inducir un sesgo sustancial en cualquier dirección y en cualquier magnitud; este sesgo debe corregirse en los análisis estadísticos de datos conjuntos. ^{[ 5 ]} Dependiendo del tipo de modelo, se pueden utilizar diferentes métodos econométricos y estadísticos para estimar las funciones de utilidad. Estas funciones de utilidad indican el valor percibido de la característica y la sensibilidad de las percepciones y preferencias del consumidor a los cambios en las características del producto. El procedimiento de estimación real dependerá del diseño de la tarea y los perfiles de los encuestados, así como de la escala de medición utilizada para indicar las preferencias (escala de intervalo, clasificación o elección discreta). Para estimar las utilidades para cada nivel de atributo utilizando tareas de perfil completo basadas en calificaciones, puede ser apropiada la regresión lineal ; para tareas basadas en elección, se suele utilizar la estimación de máxima verosimilitud , generalmente con regresión logística . Los métodos originales de estimación de utilidad eran el análisis de varianza monotónico o las técnicas de programación lineal, pero la práctica contemporánea de la investigación de marketing ha cambiado hacia modelos basados ​​en elección que utilizan logit multinomial, versiones mixtas de este modelo y otros refinamientos. Los estimadores bayesianos también son muy populares. Los procedimientos bayesianos jerárquicos son relativamente populares hoy en día. ^{[ 6 ]}

• estima las compensaciones psicológicas que hacen los consumidores al evaluar varios atributos juntos
• puede medir las preferencias a nivel individual
• Descubre factores reales u ocultos que pueden no ser evidentes para los propios encuestados.
• Imita una tarea de elección o compra realista.
• capaz de utilizar objetos físicos
• Si se diseña adecuadamente, puede modelar las interacciones entre atributos.
• Puede utilizarse para desarrollar una segmentación basada en las necesidades, al aplicar modelos que reconocen la heterogeneidad de los gustos de los encuestados.

• Diseñar estudios conjuntos puede ser complejo.
• Cuando se enfrentan a demasiadas características y perfiles de productos, los encuestados suelen recurrir a estrategias de simplificación.
• Resulta difícil de utilizar para la investigación del posicionamiento de productos porque no existe un procedimiento para convertir las percepciones sobre las características reales en percepciones sobre un conjunto reducido de características subyacentes.
• Los encuestados no pueden articular actitudes hacia nuevas categorías, o pueden sentirse obligados a pensar en cuestiones a las que de otro modo no prestarían mucha atención.
• Los estudios mal diseñados pueden sobrevalorar las características del producto cargadas de emociones y subestimar las características concretas.
• no tiene en cuenta la cantidad de productos comprados por encuestado, pero ponderar a los encuestados según su volumen de compra autoinformado o extensiones como el análisis conjunto volumétrico pueden remediar esto.

Un ejemplo práctico de la aplicación del análisis conjunto en el análisis empresarial es el siguiente: Un promotor inmobiliario está interesado en construir un complejo de apartamentos de gran altura cerca de una prestigiosa universidad urbana. Para garantizar el éxito del proyecto, se contrata a una empresa de investigación de mercado para realizar grupos focales con estudiantes. Los estudiantes se segmentan por año académico (primer año, cursos superiores, estudios de posgrado) y cantidad de ayuda financiera recibida. A los participantes se les presenta una serie de escenarios de elección, que incluyen diferentes opciones de vivienda en apartamentos, especificadas en seis atributos (proximidad al campus, costo, paquetes de telecomunicaciones, opciones de lavandería, planos de planta y características de seguridad). El costo estimado de construcción del edificio asociado a cada opción de apartamento es equivalente. Se pide a los participantes que elijan su opción preferida dentro de cada escenario. Este ejercicio de elección forzada revela las prioridades y preferencias de los participantes. Se puede utilizar la regresión logística multinomial para estimar las puntuaciones de utilidad para cada nivel de los seis atributos involucrados en el experimento de análisis conjunto. Utilizando estas puntuaciones de utilidad, se puede predecir la preferencia del mercado por cualquier combinación de los niveles de atributos que describen las posibles opciones de vivienda en apartamentos.

El enfoque de investigación de mercado denominado Genómica Mental (GM) es una aplicación del Análisis Conjunto (AC). El AC se lleva a cabo para evaluar la aceptación del consumidor, presentándole un conjunto de atributos del producto y evaluando sus preferencias por diferentes combinaciones de atributos mediante la estimación de las puntuaciones de utilidad para distintos niveles de atributos. La GM, al aplicar el AC, profundiza en los aspectos psicológicos y emocionales que influyen en la toma de decisiones, facilitando la identificación inicial de los atributos más relevantes para los consumidores y ayudando a los investigadores a refinar los atributos que se utilizarán en el AC. ^{[ 7 ]}

En una encuesta de opinión privada realizada por la empresa estadounidense Populace, se utilizó un método llamado análisis conjunto basado en la elección (CBC, por sus siglas en inglés) para comprender cómo definen el éxito los estadounidenses. En lugar de preguntar directamente a las personas que definieran el éxito, la encuesta les pidió que eligieran entre diferentes opciones, simulando así la toma de decisiones en la vida real. ^{[ 8 ]}

Los tribunales federales de Estados Unidos han permitido que los peritos utilicen el análisis conjunto para fundamentar sus opiniones sobre los daños que un infractor de una patente debería pagar para compensar al titular de la patente por la violación de sus derechos. ^{[ 9 ]} No obstante, los expertos en derecho han señalado que la jurisprudencia del Tribunal de Apelaciones del Circuito Federal sobre el uso del análisis conjunto en el cálculo de daños por patentes aún se encuentra en una etapa formativa. ^{[ 10 ]}

Un ejemplo de ello es cómo Apple utilizó un análisis conjunto para demostrar los daños sufridos por la infracción de derechos de autor de Samsung y aumentar su indemnización en el caso.

• Publicidad
• Elección discreta (modelado de elección)
• Marketing
• Investigación de mercado
• Desarrollo de nuevos productos
• Investigación de mercado cuantitativa
• Análisis TURF
• Precios basados ​​en el valor

• Green, P. y Srinivasan, V. (1978) Análisis conjunto en la investigación del consumidor: problemas y perspectivas , Journal of Consumer Research , vol. 5, septiembre de 1978, pp. 103-123.
• Green, P. Carroll, J. y Goldberg, S. (1981) Un enfoque general para la optimización del diseño de productos mediante análisis conjunto , Journal of Marketing , vol. 43, verano de 1981, pp. 17-35.
• Srinivasan, V. (1988) Un enfoque conjuntivo-compensatorio para la autoexplicación de preferencias multiatributadas , Decision Sciences , vol. 19, primavera de 1998, 295–305.
• Green, PE y Srinivasan V. (1990) Análisis conjunto en marketing: nuevos desarrollos con implicaciones para la investigación y la práctica , Journal of Marketing , vol. 54, octubre de 1990, 3–19.
• Marder, E. (1999) Los supuestos del modelado de elección
• Análisis conjunto, modelos relacionados y aplicaciones.
• Análisis conjunto: Cómo desarrollar el producto perfecto
• Análisis conjunto: Uso de modelos de elección discreta en la investigación de mercados