El análisis conjunto es una técnica estadística basada en encuestas utilizada en la investigación de mercado que ayuda a determinar cómo las personas valoran los diferentes atributos (característica, función, beneficios) que componen un producto o servicio individual.
El objetivo del análisis conjunto es determinar qué combinación de un número limitado de atributos es más influyente en la elección o toma de decisiones del encuestado. Se muestra un conjunto controlado de productos o servicios potenciales a los encuestados y, al analizar cómo hacen elecciones entre estos productos, se puede determinar la valoración implícita de los elementos individuales que componen el producto o servicio. Estas valoraciones implícitas (utilidades o valores parciales) se pueden utilizar para crear modelos de mercado que estimen la participación de mercado, los ingresos e incluso la rentabilidad de los 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 prominentes 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 autoexplicado, y Jordan Louviere (Universidad de Iowa) quien inventó y desarrolló Enfoques basados en elecciones para el análisis conjunto y técnicas relacionadas, como el mejor-peor escalado .
Hoy en día se utiliza en muchas de las ciencias sociales y ciencias aplicadas, incluido el marketing , la gestión de productos y la investigación de operaciones . Se utiliza con frecuencia para probar la aceptación del cliente de nuevos diseños de productos , para evaluar el atractivo de los anuncios y en el diseño de servicios . Se ha utilizado en el posicionamiento de productos , pero hay quienes plantean problemas con esta aplicación del análisis conjunto.
Las técnicas de análisis conjunto también pueden denominarse modelos de composición de atributos múltiples, modelos de elección discreta o investigación de preferencias declaradas, y son parte de un conjunto más amplio de herramientas de análisis de compensaciones utilizadas para el análisis sistemático de decisiones. Estas herramientas incluyen la compensación de marca-precio, Simalto y enfoques matemáticos como AHP , [1] algoritmos evolutivos o experimentación de desarrollo de reglas .
Diseño conjunto
Un área de producto o servicio se describe en términos de una serie de atributos. Por ejemplo, un televisor puede tener atributos de tamaño de pantalla, formato de pantalla, marca, precio, etc. Luego, cada atributo se puede dividir en varios niveles. Por ejemplo, los niveles para el formato de pantalla pueden ser LED, LCD o Plasma.
A los encuestados 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 constituyentes y se les pide que elijan, clasifiquen o califiquen los productos que se les muestran. Cada ejemplo es lo suficientemente similar para que los consumidores los vean como sustitutos cercanos, pero lo suficientemente diferente para que los encuestados puedan determinar claramente una preferencia. Cada ejemplo se compone de una combinación única de características del producto. Los datos pueden consistir en calificaciones individuales, órdenes de clasificación o elecciones entre combinaciones alternativas.
El diseño conjunto implica cuatro pasos diferentes:
- Determinar el tipo de estudio
- Identificar los atributos relevantes
- Especificar los niveles de los atributos
- Cuestionario de diseño
1. Determine el tipo de estudio
Existen diferentes tipos de estudios que se pueden diseñar:
- Conjunto basado en ranking
- Conjunto basado en calificaciones
- Conjunto basado en elecciones
2. Identificar los atributos relevantes
Los atributos en el análisis conjunto deben:
- ser relevante para la toma de decisiones gerenciales,
- tienen diferentes niveles en la vida real,
- se espera que influya en las preferencias,
- estar claramente definido y ser comunicable,
- preferiblemente no exhibir correlaciones fuertes (el precio y la marca son una excepción),
- constan de al menos dos niveles.
3. Especifique los niveles de los atributos.
Los niveles de atributos deben ser:
- inequívoco,
- mutuamente excluyentes,
- realista.
4. Diseño de cuestionario
A medida que aumenta el número de combinaciones de atributos y niveles, el número de perfiles potenciales aumenta exponencialmente. En consecuencia, el diseño factorial fraccional se utiliza comúnmente para reducir el número de perfiles a evaluar, al tiempo que se asegura que haya suficientes datos disponibles para el análisis estadístico, lo que da como resultado un conjunto de "perfiles" cuidadosamente controlado para que el encuestado los considere.
Tipos
Las primeras formas de análisis conjunto que comenzaron en la década de 1970 fueron lo que se conoce como estudios de perfil completo, en los que se usaba un pequeño conjunto de atributos (generalmente de 4 a 5) para crear perfiles que se mostraban a los encuestados, a menudo en tarjetas individuales. Luego, los encuestados clasificaron o calificaron estos perfiles. Utilizando un análisis de regresión de variable ficticia relativamente simple , se podrían calcular las utilidades implícitas para los niveles que mejor reprodujeran los rangos o calificaciones especificadas por los encuestados. Se observaron dos inconvenientes en estos primeros diseños.
En primer lugar, el número de atributos en uso estaba muy restringido. Con un gran número de atributos, la tarea de consideración para los encuestados se vuelve demasiado grande e incluso con diseños factoriales fraccionados, el número de perfiles para la evaluación puede aumentar rápidamente. Para utilizar más atributos (hasta 30), se desarrollaron técnicas conjuntas híbridas que combinaban la autoexplicación (calificación o clasificación de niveles y atributos) seguida de tareas conjuntas. Tanto los cuestionarios en papel como los adaptados asistidos por computadora se convirtieron en opciones a partir de la década de 1980.
El segundo inconveniente fue que las calificaciones o las clasificaciones de los perfiles no eran realistas y no se vinculaban directamente con la teoría del comportamiento. En situaciones de la vida real, los compradores eligen entre alternativas en lugar de clasificarlas o calificarlas. Jordan Louviere fue pionera en un enfoque que utiliza sólo una tarea de elección, que se convirtió en la base del análisis conjunto basado en la selección y análisis de elección discreta . Esta investigación de preferencia declarada está vinculada a la modelización econométrica y se puede vincular a la preferencia revelada donde los modelos de elección se calibran sobre la base de datos reales en lugar de encuestas. Originalmente, el análisis conjunto basado en elecciones no podía proporcionar servicios públicos a nivel individual y los investigadores desarrollaron modelos agregados para representar las preferencias del mercado. Esto lo hizo inadecuado para estudios de segmentación de mercado. Con las nuevas técnicas de análisis bayesiano jerárquico , se pueden estimar las utilidades a nivel individual que brindan una mayor comprensión de las preferencias heterogéneas entre individuos y segmentos de mercado.
Recopilación de información
Los datos para el análisis conjunto se recopilan más comúnmente a través de una encuesta de investigación de mercado, aunque el análisis conjunto también se puede aplicar a un configurador cuidadosamente diseñado o datos de un experimento de mercado de prueba diseñado apropiadamente . Las reglas generales de la investigación de mercado se aplican con respecto al tamaño de la muestra estadística y la precisión al diseñar entrevistas de análisis conjunto.
La longitud del cuestionario conjunto depende del número de atributos que se evaluarán y del método de análisis conjunto seleccionado. Un cuestionario conjunto adaptativo típico con 20-25 atributos puede tardar más de 30 minutos en completarse [ cita requerida ] . El conjunto basado en la elección, mediante el uso de un conjunto de perfiles más pequeño distribuido en toda la muestra, puede completarse en menos de 15 minutos. Los ejercicios de elección pueden mostrarse como un diseño tipo fachada de tienda o en algún otro entorno de compra simulado.
Análisis
Dependiendo del tipo de modelo, se pueden utilizar diferentes métodos econométricos y estadísticos para estimar funciones de utilidad. Estas funciones de utilidad ayudan a cuantificar el valor percibido y la importancia relativa de las características del producto. Las funciones de utilidad también ayudan a determinar la sensibilidad a las percepciones y preferencias del consumidor en función de los cambios en las características del producto.
El procedimiento de estimación real dependerá del diseño de la tarea y los perfiles de los encuestados y 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 usando tareas de perfil completo basadas en calificaciones, la regresión lineal puede ser apropiada, para tareas basadas en opciones, generalmente se usa la estimación de máxima verosimilitud con regresión logística . [2] Los métodos originales de estimación de la utilidad eran análisis monótonos de varianza o técnicas de programación lineal, pero la práctica contemporánea de la investigación de mercados se ha desplazado hacia modelos basados en elecciones que utilizan logit multinomial, versiones mixtas de este modelo y otras mejoras. Los estimadores bayesianos también son muy populares. Los procedimientos jerárquicos bayesianos también son relativamente populares hoy en día.
Ventajas y desventajas
Ventajas
- Estima las compensaciones psicológicas que hacen los consumidores al evaluar varios atributos juntos.
- puede medir las preferencias a nivel individual
- descubre conductores reales u ocultos que pueden no ser evidentes para los propios encuestados
- imita una elección realista o una tarea de compra
- capaz de usar objetos físicos
- si se diseña apropiadamente, puede modelar interacciones entre atributos
- se puede utilizar para desarrollar una segmentación basada en las necesidades, al aplicar modelos que reconocen la heterogeneidad de los gustos de los encuestados
Desventajas
- diseñar estudios conjuntos puede ser complejo
- cuando se enfrentan a demasiadas características y perfiles de productos, los encuestados suelen recurrir a estrategias de simplificación
- Difícil de usar para la investigación de posicionamiento de productos porque no existe un procedimiento para convertir las percepciones sobre características reales en percepciones sobre un conjunto reducido de características subyacentes.
- Los encuestados son incapaces de articular actitudes hacia nuevas categorías, o pueden sentirse obligados a pensar en temas en los que de otra manera no pensarían mucho.
- Los estudios mal diseñados pueden sobrevalorar las características del producto cargadas de emociones y subvalorar las características concretas.
- no tiene en cuenta la cantidad de productos comprados por encuestado, pero ponderar a los encuestados por su volumen de compra autoinformado o extensiones como el análisis conjunto volumétrico puede remediar este problema.
Aplicaciones prácticas
Investigación de mercado
El siguiente ejemplo ofrece una aplicación práctica del análisis conjunto en el análisis empresarial: Un desarrollador inmobiliario está interesado en construir un complejo de apartamentos de gran altura cerca de una universidad urbana de la Ivy League. Para asegurar el éxito del proyecto, se contrata a una empresa de investigación de mercado para que lleve a cabo grupos focales con los estudiantes actuales. Los estudiantes están segmentados por año académico (estudiantes de primer año, estudiantes de grado superior, estudios de posgrado) y cantidad de ayuda financiera recibida. A los participantes del estudio se les muestra una serie de escenarios de elección, que involucran diferentes opciones de vida en apartamentos especificadas en 6 atributos (proximidad al campus, costo, paquetes de telecomunicaciones, opciones de lavandería, planos de planta y características de seguridad ofrecidas). El costo estimado para construir el edificio asociado con cada opción de apartamento es equivalente. Se pide a los participantes que elijan su opción de apartamento preferida dentro de cada escenario de elección. Este ejercicio de elección forzada revela las prioridades y preferencias de los participantes. La regresión logística multinomial puede usarse para estimar las puntuaciones de utilidad para cada nivel de atributo de los 6 atributos involucrados en el experimento conjunto. Utilizando estos puntajes de servicios públicos, se puede predecir la preferencia del mercado por cualquier combinación de niveles de atributos que describan las posibles opciones de vivienda en apartamentos.
Litigio
Los tribunales federales de los Estados Unidos han permitido que los testigos expertos utilicen análisis conjuntos para respaldar sus opiniones sobre los daños que un infractor de una patente debe pagar para compensar al titular de la patente por violar sus derechos. [3] No obstante, los estudiosos del derecho han señalado que la jurisprudencia del Circuito Federal sobre el uso del análisis conjunto en los cálculos de daños por patentes permanece en una etapa formativa. [4]
Un ejemplo de esto es cómo Apple utilizó un análisis conjunto para probar los daños sufridos por la infracción de derechos de autor de Samsung y aumentar su compensación en el caso.
Ver también
Referencias
- ↑ Ijzerman MJ, van Til JA, Bridges JF (212). "Una comparación del proceso de jerarquía analítica y métodos de análisis conjunto en la evaluación de alternativas de tratamiento para la rehabilitación del accidente cerebrovascular" . Paciente . 5 (1): 45–56. doi : 10.2165 / 11587140-000000000-00000 . PMID 22185216 . S2CID 207299893 .
- ^ "Análisis conjunto explicado" . SurveyKing . Consultado el 22 de febrero de 2021 .
- ^ Universidad de Cornell contra Hewlett-Packard Co., 609 F. Supp. 2d 279 (NDNY 2009); Sentius Int'l, LLC contra Microsoft Corp., No. 5: 13-cv-00825, 2015 WL 331939 (ND Cal. 23 de enero de 2015).
- ^ J. Gregory Sidak y Jeremy O. Skog, Using Conjoint Analysis to Prportion Patent Damages , (Documento de trabajo de Criterion Economics, 29 de enero de 2016), https://www.criterioneconomics.com/using-conjoint-analysis-to- prorrateo-patente-dañoss.html .
enlaces externos
- 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, págs. 103-123.
- Green, P. Carroll, J. y Goldberg, S. (1981) Un enfoque general para la optimización del diseño de productos a través del análisis conjunto [ enlace muerto permanente ] , Journal of Marketing , vol 43, verano de 1981, págs. 17–35.
- Srinivasan, V. (1988) Un enfoque conjuntivo-compensatorio de la autoexplicación de preferencias multiatributos , Ciencias de la decisión , 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 modelo de elección
- Análisis conjunto, modelos y aplicaciones relacionados