La paz es obra de la justicia social
Gerencia de Mercadeo  
Ciencias Económicas y Administrativas


Apuntes de Clase  por

Luis Eduardo Ayala Ruiz - Profesor
Ramiro Arias Amaya - Ingeniero de Sistemas


Buscar en este sitio  

Técnicas Estadísticas Multivariante

Mapa Perceptual

Las técnicas de análisis estadístico multivariante, son hoy en día parte integral de la mayoría de los estudios estratégicos de mercado a gran escala, lo que obliga a que los practicantes de Mercadeo deban aprender para qué sirven y cómo se aplican. Nuestro objetivo principal en este Apunte, es aportar un vistazo no técnico a varios de los métodos estadísticos multivariante que se usan frecuentemente en segmentación de mercados, que sirva de referencia para que los interesados, amplíen o reciban entrenamiento en métodos analíticos complejos. Los rápidos avances que se han dado y continúan dándose en el campo de la computación y del análisis de datos, han revolucionado la Estadística tanto en la teoría como en la metodología. El creciente poder de la computación ha creado nuevas áreas de investigación en métodos computacionalmente intensivos, permitiendo que nos alejemos de técnicas paramétricas basadas en supuestos restrictivos, y utilicemos métodos y modelos más flexibles y realistas.

CHAID (Detección Automática de Interacciones con Prueba Ji-Cuadrado)
CHAID, acrónimo en ingles de Chi-square Automatic Interaction Detection, es una técnica de árboles de decisión que usa estadísticos Ji-Cuadrado para medir la fortaleza de la asociación entre un predictor dado y el criterio que se busca maximizar, presentando además los resultados del modelo en un diagrama de árbol fácil de interpretar. Un árbol de decisión representa una serie de cuestionamientos o pautas basadas en variables independientes que se plasman como un camino que recorre el árbol. Los árboles de decisión se representan bajando desde el nodo raíz hacia los nodos hoja o terminales. La raíz o nodo superior del árbol, representa la base total de datos del modelo. CHAID crea luego un primer nivel de nodos de decisión, muestra los valores del predictor más fuerte de la variable dependiente y automáticamente determina cómo agrupar los valores de este predictor en un número manejable de categorías. CHAID crea después otro nivel de nodos de decisión mediante el uso del predictor más fuerte entre los predictores restantes, y así continúa bajando hasta que se generen los nodos de decisión terminales del árbol. Cuando CHAID se usa para generar un modelo de segmentación predictiva del mercado, estos nodos de decisión finales corresponden a los segmentos terminales del mercado.

Debido a que el estadístico Ji-Cuadrado no es paramétrico, CHAID requiere de pocos supuestos distribucionales, permite detectar interacciones, modela relaciones no lineales y no es sensible a la presencia de datos faltantes o de datos atípicos. Su principio básico es generar particiones recursivas por reglas de clasificación, hasta llegar a una clasificación final tal, que es posible identificar nodos terminales donde por ejemplo, la proporción de clientes malos es muy alta (o baja) y de esta forma asignar su probabilidad de incumplimiento en sus obligaciones financieras. Muchas de las ventajas de CHAID se derivan de su uso como un procedimiento de optimización del Ji-Cuadrado, que sirve para segmentar agrupaciones de clientes actuales o potenciales. Para la planeación de mercados, el enfoque sirve también como una guía para distribuir recursos escasos. Otro ejemplo de un análisis de segmentación es identificar a los clientes potenciales que tienen alguna probabilidad de comprar un producto o servicio en base a los datos de una encuesta. La técnica CHAID es muy flexible, tanto por la variedad de variables que podría optimizar, como por la manera como la técnica puede identificar múltiples segmentos en cualquier etapa dada del proceso.

Análisis de Conglomerados o Cluster
El análisis de conglomerados (o Cluster) es una herramienta de análisis exploratorio de datos que busca clasificar diferentes objetos o variables dentro de grupos, de tal manera que la asociación entre dos objetos o variables sea máxima si pertenecen al mismo grupo y mínima si no pertenecen. De acuerdo a lo anterior, el análisis de conglomerados puede usarse para descubrir estructuras en los datos sin necesidad de aportar una explicación o interpretación. En otras palabras, el análisis de conglomerados simplemente descubre estructuras en los datos sin explicar porqué existen.

En síntesis, lo que hace el análisis de conglomerados es poner objetos o variables dentro de conglomerados (agrupaciones) de acuerdo a unas reglas de similaridad muy bien definidas. Aquí el punto es que a diferencia de otros muchos procedimientos estadísticos, los métodos de análisis de conglomerados son usados principalmente cuando no tenemos ninguna hipótesis a priori y estamos en una fase exploratoria en nuestra investigación.

Análisis Factorial
Las principales aplicaciones de las técnicas de análisis factorial son: (1) reducir el número de variables y (2) descubrir la estructura en las relaciones entre variables, esto es clasificar las variables. Por lo tanto, el análisis factorial se aplica como método de reducción de los datos y/o de detección de la estructura. Es prerrequisito para usar el análisis factorial, estar familiarizado con los conceptos de varianza y correlación.

El análisis factorial, en una de sus aplicaciones, simplemente lo que hace es reducir un gran número de variables a un número menor de variables y esto lo hace, mirando las corelaciones entre las respuestas a cada una de las variables dentro de un gran número de ellas, para luego agruparlas en combinaciones de variables que estén estrechamente correlacionadas (Ej. que se comporten de manera similar).

El análisis factorial es entonces muy útil, cuando estamos manejando un gran número de variables que sería impráctico manejar individualmente, reduciéndolas a agrupamientos más pequeños y homogéneos. El análisis factorial se usa ampliamente para alimentar otros análisis como por ejemplo el de conglomerados (o Cluster).

Análisis de Correlación
La técnica del análisis de correlación busca las relaciones indirectas que existen entre los datos de una encuesta. Puede aportar un análisis más discriminante que hacer preguntas directas, al establecer objetivamente cuáles son las variables que están más estrechamente asociadas con una acción o una manera de pensar dada.

El punto de partida del análisis de correlación es identificar la "variable dependiente"-por ejemplo, la satisfacción general sobre un producto- y luego ver hasta que punto las respuestas dadas para cada una de las variables, están correlacionadas con las respuestas dadas para la variable dependiente.

El coeficiente de correlación usualmente está en una escala entre 0 y 1; la puntuación 1 significaría que hay una completa correlación entre las respuestas, mientras que la puntuación 0 significaría que no hay ninguna. Entre más alto sea el coeficiente mayor será la correlación.

Regresión Múltiple
La Regresión es una técnica usada para predecir el valor de una variable basándose en los resultados de una o más variables diferentes. El primer paso del proceso es identificar la variable que queremos predecir (la variable dependiente) y luego llevar a cabo un análisis de regresión múltiple en la variable o variables que queremos usar como predictivas (variables explicativas). Por ejemplo, la variable dependiente podría ser la satisfacción general sobre un producto dado y las variables explicativas el precio, la calidad, el valor agregado, la rapidez en el despacho y la asesoría del personal de ventas. El análisis de regresión múltiple lo que haría entonces es explicar la relación existente entre la variable dependiente y las variables explicativas.

Escalas Multidimensionales
Las Escalas Multidimensionales son un conjunto de técnicas estadísticas relacionadas, cuyo objetivo en general, es detectar dimensiones significativas no observadas que les permitan a los investigadores explicar similitudes o diferencias (distancias) observadas en las variables investigadas. Con las Escalas Multidimensionales podemos analizar cualquier tipo de similitud o diferencia, adicionalmente a lo explicado en las matrices de correlación utilizadas en el análisis factorial. Mediante programas estadísticos los computadores procesan Escalas Multidimensionales métricas o no métricas y los investigadores deciden cuántas dimensiones quieren que sean creadas por el ordenador. El programa estadístico coloca en un mapa los resultados. En Mercadeo el objetivo de las Escalas Multidimensionales, denominadas en este campo también como Mapas Perceptuales, es identificar segmentos de clientes que comparten necesidades u actitudes similares hacia determinados productos o servicios.

Análisis Discriminante
Esta técnica es útil para comparar las diferencias entre segmentos o para predecir la pertenencia a un grupo. El análisis discriminante se ejecuta mediante ecuaciones generadas por computador. Para llevar a cabo un análisis discriminante existen dos procedimientos y propósitos distintos. El primero es el análisis discriminante predictivo que se usa para optimizar las funciones predictivas. El segundo procedimiento es el análisis discriminante clasificativo que usa las funciones predictivas derivadas del primer procedimiento, bien sea para clasificar conjuntos recientes de datos correspondientes a grupos de conformación conocida, o para clasificar nuevos conjuntos de observaciones pertenecientes a grupos de conformación desconocida.

Análisis Conjunto
El Análisis Conjunto es una de las numerosas técnicas para investigar situaciones donde una persona que toma decisiones tiene que escoger entre varias opciones que simultáneamente varían entre dos o más variables. El Análisis Conjunto se usa para determinar cómo la gente valora los diferentes atributos de un determinado producto o servicio. El objetivo del análisis conjunto es determinar cuál es la combinación de un limitado número de atributos de un determinado producto o servicio, que más influye en la decisión de compra. Esta técnica estadística categoriza las percepciones y preferencias de los clientes hacia los productos o servicios. Estas percepciones y preferencias son luego evaluadas y agrupadas para buscar homogeneidad en los segmentos. El análisis de conjunto se usa para el diseño de nuevos productos, estudio de precios, selección de medios y evaluación de competidores. Puede ser utilizado también para crear modelos de mercado para estimar participación de mercado, ventas y aún la rentabilidad de los nuevos productos o servicios.

Modelización con Ecuaciones Estructurales
La modelización con Ecuaciones Estructurales es una técnica estadística para construir y validar modelos estadísticos, denominados a veces modelos causales. Es más un modelo confirmatorio que exploratorio, lo que quiere decir que lo que busca el investigador con esta técnica es confirmar si un determinado modelo es válido. Estos modelos causales buscan explicar las relaciones entre un conjunto de variables manifiestas u observadas en términos de variables no observadas. Esta técnica estadística enlaza la regresión lineal múltiple, el análisis de trayectorias, el análisis factorial y los modelos causales con variables no observadas, creando una estructura cohesionada. Los investigadores de mercados construyen mediante este análisis, modelos sólidos que explican por ejemplo, la lealtad del cliente, la percepción del consumidor sobre atributos de un producto y actitudes sociales.

Paquetes Estadísticos



  ¿Qué es esto?

Copyright ©3w3search.com
1998-2015  Legal Notice
Tabla de
Contenido