Marketing y Análisis Multivariado

1. MarketingyAnálisis Multivariado

2. Marketing y Análisis Multivariado

3. Marketing y Análisis Multivariado • Entendimiento del consumidor. • Segmentación. • Posicionamiento.

4. Entendimiento del Consumidor • Problema: • ¿Cuáles son las necesidades del consumidor de una categoría? • ¿Qué tan importante es cada necesidad? • Solución: • Investigación cualitativa exploratoria. • Depuración de variables mediante investigación cuantitativa y Factor analysis. • Investigación cuantitativa: Importancia y Evaluación marcas. • Regression analysis para derivar la importancia de las necesidades.

5. Entendimiento del ConsumidorCaso Insecticidas

6. Entendimiento del ConsumidorFactor Analysis El modelo de Factor Analysis es: Donde: xi: importancia del beneficio i. Observable. fj: factores comunes. No observables (a diferencia de regresión). ei: perturbación aleatoria. No observable. aij: peso del factor “j” en el beneficio “i”.

7. Entendimiento del ConsumidorFactor Analysis Que se puede expresar mediante matrices: Supuestos: Las variables x y f están estandarizadas (media 0 y varianza 1). f es independiente de e. Vei = si2

8. Entendimiento del ConsumidorFactor Analysis Thurstone demostró que: Donde R* es la matriz de correlaciones de las xi reemplazando los 1 de la diagonal por las comunalidades: hi = 1 – si2 El análisis se realiza en dos pasos: • Se encuentra una matriz A que satisfaga la ecuación de Thurstone. Métodos: Componentes Principales, Máxima Verosimilitud, etc. • Se realiza una rotación de factores para encontrar una matriz A que, además de satisfacer Thurstone, sea fácilmente interpretable. Métodos: Varimax, Quartimax, etc.

9. Entendimiento del ConsumidorMétodo de las Componentes Principales Diagonalizando R se obtiene: Donde por ser R simétrica semi-definida positiva: lj: valores propios positivos o nulos. vj: vectores propios ortonormales. Entonces: con: lj mide la contribución del factor j a la comunalidad total. Si hay m valores propios preponderantes se desprecian los otros y se retienen m columnas para A. El método del factor principal es una variación que empieza con una estimación de las comunalidades y aplica componentes principales a R*, iterando hasta estabilizar las comunalidades.

10. Entendimiento del Consumidor Factor Analysis Los datos son: Donde: xai: importancia que la persona “a” le asigna al beneficio o atributo “i”. BENEFICIOS CONSUMIDORES

11. Entendimiento del ConsumidorCaso Insecticidas – Componentes Principales

12. Entendimiento del ConsumidorCaso Insecticidas – Componentes Principales Scree Plot

13. Entendimiento del ConsumidorCaso Insecticidas – Componentes Principales

14. Entendimiento del ConsumidorRotación de Factores Generalmente es imposible interpretar los factores que arroja el método de estimación, porque cada variable se proyecta sobre muchos factores. La idea es rotar los factores (ejes) de forma de obtener una "estructura simple", es decir una matriz A con muchos ceros, donde cada variable tenga componentes no nulas en pocos factores, idealmente en uno solo. L: matriz de rotación (m x m) Rotación Ortogonal: L es una matriz ortogonal. Métodos más usados: Varimax (Kaiser, 1958). Quartimax (1955). Rotación oblícua: L puede no ser ortogonal. Métodos más usados: Oblimin. Promax (Hurley-Catell, 1962).

15. Entendimiento del ConsumidorCaso Insecticidas – Rotación Varimax

16. Marketing y Análisis Multivariado • Entendimiento del consumidor. • Segmentación. • Posicionamiento.

17. Segmentación • Problema: • ¿Hay segmentos de consumidores con actitudes o comportamiento diferentes? • ¿En qué difieren? • ¿Qué tamaños tienen? • Solución: • Investigación cualitativa exploratoria: encontrar perfiles actitudinales o comportamentales y definir variables. • Depuración de variables mediante investigación cuantitativa y Factor analysis o Discriminant analysis. • Investigación cuantitativa con variables depuradas: Importancia. • Cluster analysis.

18. El Cluster analysis analiza la distancia entre las personas de la muestra, en busca de conglomerados: SegmentaciónCluster Analysis Costo Potencia

19. SegmentaciónCluster Analysis Los datos son: Donde: xji: importancia que la persona j le asigna al beneficio o atributo i. BENEFICIOS CONSUMIDORES

20. SegmentaciónCluster Analysis Hay varias formas de medir la distancia entre dos personas: Euclídea: Manhattan: Chebyshev: Y varias formas de definir la distancia entre clusters:

21. SegmentaciónPrincipales Algoritmos de Cluster Analysis • Linkage: • Parte de n puntos y va uniendo los más cercanos en clusters. • Ward: • La dispersión interna de un cluster es: • Parte de n puntos y va uniendo los clusters que menos aumentan la dispersión interna del sistema. • K-medias: • Se definen K semillas. • Se asigna cada punto a la semilla o cluster más cercano y se recalcula su centro. • Se itera reasignando cada punto al cluster más cercano.

22. SegmentaciónInterpretación de los Clusters • Se describen los clusters mediante: • Variables de segmentación. • Variables socio-demográficas. • Variables psicográficas. • Variables actitudinales o comportamentales. • Se observa centroide, máximo y mínimo en cada cluster. • El Discriminant analysis permite identificar las variables que discriminan los clusters.

23. SegmentaciónCaso Autos

24. SegmentaciónCaso Autos

25. Marketing y Análisis Multivariado • Entendimiento del consumidor. • Segmentación. • Posicionamiento.

26. Posicionamiento • Problema: • ¿Cómo percibe el consumidor a las marcas? • ¿Hay diferenciación entre las marcas? • Solución: • Investigación cualitativa exploratoria: encontrar variables relevantes y diferenciantes. • Depuración de variables mediante investigación cuantitativa y Factor analysis. • Investigación cuantitativa: Asociación variables-marcas, Evaluación de marcas. • Perceptual map: • Correspondence analysis. • Discriminant analysis. • Multidimensional scaling.

27. PosicionamientoCorrespondence Analysis - Datos Cada consumidor marca cuáles son los beneficios asociados a cada marca: Luego se suman todas estas tablas generando la Tabla de Contingencia:

28. PosicionamientoTabla de Contingencia – Caso: Jabones Ropa

29. PosicionamientoCorrespondence Analysis

30. PosicionamientoCorrespondence Analysis Frecuencia Real – Frecuencia Esperada

31. PosicionamientoCorrespondence Analysis Comparación entre Marcas

32. PosicionamientoCorrespondence Analysis Comparación entre Beneficios

33. PosicionamientoCorrespondence Analysis pij: frecuencia relativa del beneficio i para la marca j. Descomponiendo P en valores singulares: U de I x (J-1) tiene los autovectores de donde: V de J x (J-1) tiene los autovectores de raices de los autovalores de ordenados decrecientemente

34. PosicionamientoCorrespondence Analysis Si: es la descomposición singular de P’ donde: Las coordenadas de los beneficios son: Las coordenadas de las marcas son: Para hacer una representación bidimensional se toman las dos primeras columnas de Y y de Z. La inercia de los ejes es:

35. Mapa de Posicionamiento