perceptuales mapas

1

CREATING BRAND VALUECREATING BRAND VALUE

Playa Pie de la Cuesta 410, Col. Reforma Iztaccihuatl, CP 08840,Delegación Iztacalco. Tels. 3626-0822 / 3626-0823

www.marketvariance.com

2

Definición de mapa perceptual

• Se dice análisis multidimensional cuando se habla de un mapa perceptual; sin embargo, en realidad un mapa involucra muchos métodos más que este tipo de análisis.

• Haciendo a un lado la costumbre, en lo sucesivo nos referiremos a mapa perceptual en vez de análisis multidimensional.

• Definimos mapa perceptual como:

Presentación gráfica de las percepciones que tienen los consumidores de las relaciones entre objetos y/o atributos en un espacio de dos dimensiones o más con el objeto de conocer las estructuras escondidas en los datos.

3

1 Para jóvenes2 Marca que te hace sentir bien3 Mejor ropa interior sexy4 Marca de mamá/papá5 Para uso diario6 Ropa sport/deportiva7 Para gente conservadora8 Es de calidad9 Es de prestigio10 Fácil encontrarla en tiendas11 Mejores diseños12 Variedad de tallas13 Vale lo que cuesta14 Ayuda a verte bien15 Mejor ropa para dama/caballero16 Marca para gente importante17 Tiene mejor publicidad18 Hace sentir cómodo(a)19 Son para mí20 Variedad de estilos21 Es marca importada22 Ropa de moda

Posicionamiento de marcas de ropa interior para hombres

(Base = 200)

4

Los mapas perceptuales son una herramienta básica de la mercadotecnia porque responden varias interrogantes.

• ¿Quiénes son nuestros competidores?

• ¿Cuál es nuestra posición en el mercado?

• ¿Cómo posicionar o reposicionar nuestra marca?

• ¿A qué segmento o grupo debemos dirigir nuestros esfuerzos?

• ¿Cuáles son nuestras debilidades y fortalezas?

• ¿Estamos creando la imagen que deseamos?

• ¿Qué atributos son los más importantes, tienen mayor

preferencia o disparan la compra?

• ¿Existe algún nicho que podamos explotar o espacio para un

nuevo producto?

5

Hay una gran cantidad de mapas perceptuales; no obstante, se

pueden clasificar en dos grandes grupos: los que emplean

atributos en su elaboración o usan la técnica de composición y los

que no tienen atributos o también llamados de descomposición.

Factorial Discriminante Correspondencias Biplot

Compuesto con

preferencia

Compuesto con

preferenciaSimilitud Preferencia

* Un caso especial de composición es el DQA y análisis de desempeño.

Con atributos (de composición)* Sin atributos (de descomposición)

Mapas perceptuales

Análisis multidimensional

6

• De la misma forma que hay gran variedad de mapas también

hay métodos matemático-estadísticos para elaborarlos. Por

ejemplo, análisis factorial, discriminante, chi cuadrada,

escalamiento multidimensional, análisis de varianza, etc.

Aquí se describe cada uno de los mapas más populares y su

técnica. Asimismo, se ilustra con un ejemplo práctico dos de los

más elegantes y poderosos mapas; considerados así por su

alcance estratégico dentro de la mercadotecnia. Estos son el

discriminante compuesto (CPM) y discriminante de cuadrantes

(DQA).

7

Análisis factorial

8

Análisis factorial.

• Sirve para reducir un número grande de variables, a menudo

correlacionadas, a un conjunto menor de factores o dimensiones

que pueden estar o no correlacionadas.

• Los factores resultantes son conceptos que no pueden ser

medidos directamente como: amor, inteligencia, nivel

socioeconómico, altruismo, etc.

• Utiliza datos de intervalo (escalas) o razón.

• Las preguntas clásicas son baterías de atributos, generalmente

de imagen, evaluados sobre una escala de importancias, de

acuerdo o descuerdo, likert, etc.

• También se evalúan los objetos sobre cada uno de esos atributos.

9

• Para construir el mapa, los datos de imagen se someten a un

análisis factorial con el fin de encontrar las principales

dimensiones y las coordenadas de cada atributo.

• Para ubicar cada objeto (léase marca) dentro del mapa se

utilizan sus evaluaciones y se calculan sus puntajes en cada

factor.

• Este mapa fue muy popular en los 70’s. Hoy a caído en desuso,

debido a su poca capacidad para representar los datos en un

número reducido de dimensiones.

• La técnica para recabar los datos es muy similar a la usada

para un DQA, pero se interpreta y ve gráficamente como un

CPM.

10

Análisis de correspondencias

11

Análisis de correspondencias

• Mapa que relaciona columnas y renglones de una tabla de

contingencias haciendo evidentes las asociaciones existentes

entre ambas.

• Requiere datos nominales: porcentajes o frecuencias.

• Se deriva del análisis cruzado y la chi cuadrada.

• El valor chi cuadrado se transforma en una medida de

similitud.

• Los valores negativos indican menor similitud y los positivos

mayor semejanza.

12

Ejemplo:

• En la siguiente tabla se analiza la relación entre tres marcas de

cigarros y algunos de sus problemas de calidad.

Marca AMarca B Marca C

Total (Frecuencias marginales)

Irrita la garganta 25 30 20 75El tabaco está seco 15 25 45 85Se consume disparejo el cigarro 35 25 20 80Su sabor es variable 20 25 45 90Total (Frecuencias marginales) 95 105 130 330

Nota. Se llama frecuencias marginales a la suma de las celdas en cada columna o renglón.

13

• Para calcular el valor chi cuadrado es necesario obtener

primero el valor esperado y la diferencia entre éste y el valor

observado.

• El valor esperado para cada celda se calcula de la siguiente

manera:

Nota. El valor observado es el número de sujetos que contestaron en la encuesta que el defecto se asociaba con la marca del cigarro.

Valor esperado = (Total de fila X Total de la columna) ÷ Total general.

Ejemplo, para la Marca A y consumo disparejo del cigarro el valor

esperado es (80 X 95) ÷ 330 = 23.03

• La diferencia entre el valor esperado y observado se calcula:

Diferencia = Valor esperado – Valor observado.

La diferencia es 23.03 – 35 = – 11.97.

14

• La chi cuadrada se obtiene con la siguiente fórmula:

Chi cuadrado = (Diferencia)² ÷ Valor esperado.

La Chi cuadrada es (-12)² ÷ 23 = 6.26

• Si calculamos el valor para las marcas B y C con respecto al

mismo atributo se tiene:

Chi cuadrado de Marca B y consumo disparejo del cigarro = - .008

Chi cuadrado de Marca C y consumo disparejo del cigarro = - 4.204

• Para convertir este valor chi cuadrado en una medida de

similitud sólo hay que asignarle un signo opuesto al obtenido

en la diferencia del valor esperado y observado (-12) o sea el

valor final es + 6.26.

15

• Los valores resultantes muestran que hay una relación más estrecha de la marca A con consumo disparejo del cigarro que con las marcas B y C. Estos patrones son fácilmente identificables en el mapa de correspondencias.

Irrita la garganta

El tabaco está seco

Se consume disparejo el cigarro

Su sabor es variable Marca A

Marca B

Marca C

7.4%

92.6% 2D Fit = 100%

La leyenda que aparece debajo del mapa es una medida de ajuste e indica que tan confiable es el mapa.

Un 100% de ajuste indica que las relaciones están perfectamente representadas por el mapa.

16

Interpretación.

• Los puntos cercanos están más relacionados.

• Los ejes no representen ningún concepto formado por los

atributos agrupados en ellos.

• La interpretación del mapa se hace en términos muy intuitivos:

entre más cercana está una marca de un atributo mayor

relación hay entre ellos.

Software.

• Anacor y Homals de SPSS, CA de BMDP, Corran y Corresp de

PC-MDS, MAPWISE de Market Action Research Software, y

muchos más. Recomendamos Brandmap de WRC Research

Systems, Inc.

17

Biplot

18

Análisis biplot

• Se llama biplot por su capacidad para representar los datos en un gráfico de dos dimensiones.

• Utiliza datos de intervalo o razón de forma agregada en promedios.

• Las preguntas básicas son una batería de atributos sobre los que se evalúan cada uno de los objetos. La escala empleada para esta evaluación puede ser, likert, diferencial semántico, u otra.

• Es posible agregar el promedio de preferencia de cada producto como un atributo más para conocer los atributos que están generando dicha predilección.

19Escala donde 1 es Pésimo y 5 Excelente

Ejemplo

Hospital A Hospital B Hospital C Hospital D Hospital E Hospital F Hospital G

Capacidad de médicos 3.02 3.30 2.94 3.09 3.23 3.30 3.08Amabilidad del personal 2.68 3.06 2.70 2.83 3.01 2.99 2.89Tecnología y equipo 3.17 3.31 3.11 3.32 3.05 3.54 3.51Cantidad de hospitales 2.93 3.10 2.90 2.74 2.93 3.02 3.20Organización 2.82 2.93 2.73 2.75 2.85 3.01 2.92Imagen ante la población 2.73 2.87 2.53 2.53 2.51 2.75 2.66Distribución de instalaciones 2.91 3.09 2.89 2.83 2.95 3.02 3.22Existencia de medicamentos 2.48 2.84 2.58 2.33 2.73 2.76 2.90Higiene 3.00 3.05 2.79 2.72 2.94 3.15 3.12Calidad de medicamentos 2.71 2.92 2.75 2.55 2.81 2.92 3.07Seguridad en sus instalaciones 2.95 3.04 3.02 2.92 2.98 3.19 3.03Rapidez de atención 2.53 2.69 2.53 2.44 2.45 2.73 2.73Confianza que siente usted 2.92 3.02 2.79 2.65 2.90 3.05 2.80Puntualidad del personal 2.66 2.88 2.63 2.57 2.78 2.81 2.65Trabajan bien a la primera 2.74 2.83 2.75 2.66 2.86 2.91 2.94

• Se evaluaron siete hospitales sobre quince atributos empleando

una escala de “Total acuerdo” a “Total desacuerdo”, los

promedios obtenidos para cada hospital son el insumo para el

biplot.

20Escala donde 1 es Pésimo y 5 Excelente

Capacidad de médicos

Amabilidad del personal

Tecnología y equipo

Cantidad de hospitales

Organización

Imagen ante la población

Distribución de instalaciones

Existencia de medicamentosHigiene

Calidad de medicamentos

Seguridad en sus instalaciones

Rapidez de atención

Confianza que siente ustedPuntualidad del personal

Trabajan bien a la primeraHospital A

Hospital B

Hospital C

Hospital D

Hospital E

Hospital F

Hospital G12.6%

67.3% 2D Fit = 79.9%

Biplot

21

• Una marca se relaciona más con un atributo si apunta en la misma

dirección que éste. El grado de asociación se halla dibujando una

perpendicular de la marca al vector-atributo.

• El largo del vector-atributo indica el poder de discriminación que

tiene entre las marcas. Entre más largo es un vector-atributo más

poder de discriminación tiene entre las marcas.

• Las marcas que aparecen cercanas son similares en la mayoría de

los atributos. Las que aparecen separadas son más diferentes.

Interpretación.

22

• El ángulo que forman los vectores-atributos indica el grado de

asociación. Un ángulo igual a 90 grados indica que los atributos no

se asocian, entre menor sea el ángulo hay una asociación más

positiva mientras que a un mayor ángulo las correlaciones son

más negativas.

• El centro del mapa donde se intersectan los ejes y los vectores

representa el promedio general de cada atributo y es el punto a

partir del cual las marcas se dispersan o se diferencian.

Software

• GGEbiplot software, SC-biplot, SAS/JMP, y otros más.

Recomendamos Brandmap de WRC Research Systems, Inc.

23

Análisis de escalamiento multidimensional

24

Análisis de escalamiento multidimensional

• Conjunto de técnicas matemáticas que permiten al investigador descubrir estructuras escondidas en bases de datos mediante la localización de objetos en una configuración espacial multidimensional.

• Puede utilizar datos métricos o no métricos.

• Datos métricos: se pide al sujeto que evalúe en una escala de similitud o preferencia cada par de objetos. El número total de estímulos que se presentan al entrevistado se obtiene por la fórmula (n x (n - 1)) ÷ 2; donde n representa el número total de objetos de forma tal que si hay 10 objetos se le pedirá a cada sujeto que califique 45 pares de acuerdo a su similitud o preferencia.

25

• Datos no métricos: se pide al sujeto que ordene todos los

pares de objetos desde el más parecido al menos similar;

también se pueden presentar los objetos individualmente

para que se clasifiquen en grupos según su similitud, el

entrevistado puede crear tantos grupos como juzgue

necesario o se pide que los clasifique del más preferido al

menos preferido.

• Con los datos obtenidos, se construye una matriz agregada o

por cada sujeto.

• Se analiza la matriz para deducir las distancias entre objetos

a través de diferentes métodos.

26

Ejemplo (tomado de Aaker y Day (1989)).

• Se presentaron 55 estímulos a un sujeto y se le pidió que los

ordenara por pares, desde los más parecidos hasta los menos

semejantes, según sus propios juicios de similitud. Los datos

resultantes se presentan en una matriz de datos agregados.

1 2 3 4 5 6 7 8 9 10 111 0 1 Ford Mustang 6

2 8 0 2 Mercury Cougar V8

3 50 38 0 3 Lincoln Continental V8

4 31 9 11 0 4 Ford Thunderbird V8

5 12 33 55 44 0 5 Ford Falcon 6

6 48 37 1 13 54 0 6 Chrysler Imperial V8

7 36 22 23 16 53 26 0 7 Jaguar Sedan

8 2 6 46 19 30 47 29 0 8 AMC Javelin V8

9 5 4 41 25 28 40 35 3 0 9 Plymouth Barracuda V8

10 39 14 17 18 45 24 34 27 20 0 10 Buick Le Sabre V8

11 10 32 52 42 7 51 49 15 21 43 0 11 Chevrolet Corvair

27

• El mapa índica la semejanza entre Lincoln e Imperial la cual

puede ser el lujo o entre el Mustang y Javelin autos más

deportivos, en tanto que el Thunderbird y Cougar quedan

entre el lujosos y deportivos.Derived Stimulus Configuration

Euclidean distance model

Dimensión 1

3210-1-2-3

Dim

ensi

ón 2

1.5

1.0

.5

0.0

-.5

-1.0

Chevrolet Corvair

Buick Le Sabre V8

Plymouth Barracuda V8

AMC Javelin V8

Jaguar Sedan

Chrysler Imperial V8

Ford Falcon 6

Ford Thunderbird V8

Lincoln Continental V8

Mercoury Cougar V8

Ford Mustang 6

28

Interpretación.

• Habrá que tener cuidado al interpretar el mapa ya que pueden

surgir dimensiones diferentes dependiendo en si la medida

usada fue de similitud o preferencia. En el primer caso objetos

cercanos entre sí son similares y comparten determinadas

características mientras que en el segundo caso pueden o no

compartirlas y aparecer juntas en un mapa debido a que son

preferidas de igual manera.

Software.

• Alscal de SPSS, MDPREF, KYST, PREFMAP, INDSCAL,

PROFIT de PC-MDS y muchos más. Francamente no sabemos

cual recomendar.

29

Mapa de producto compuesto (CPM)

30

Composite Product Mapping (CPM)

• Se llama CPM porque combina, en un mapa, las percepciones y preferencia de los consumidores por los productos.

• Utiliza datos de intervalo o razón. A menudo, se usan datos nominales para su elaboración (no lo recomendamos).

• Las preguntas básicas son una batería de atributos sobre los cuales se evalúa cada objeto (producto). La escala utilizada puede ser likert, diferencial semántico, o cualquier otra.

• Es necesario conocer la preferencia del sujeto para cada producto; también se puede usar la intención de compra o análisis de conjunto en lugar de la preferencia.

31

(Know how)Ideas claves del

diseño.

32

• En el mercado de pastillas de dulce se evalúa la imagen de siete diferentes marcas sobre una batería de siete atributos.

Rotar Certs Clorets Deemint Halls Usher Douglas Canels

1. Dejan un sabor agradable en la boca

2. Tienen la forma que me gusta

3. Tienen variedad de sabores

4. Son una marca de prestigio

5. Tienen sabor natural/no artificial

6. Tienen publicidad que me convenza a comprar el producto

7. Son marca de calidad

En una escala del 1 al 5 donde 1 es Totalmente en desacuerdo y 5 Totalmente de acuerdo ¿Qué tan de acuerdo o en desacuerdo está usted en que las pastillas (entrevistador preguntar todos los

atributos por cada una de las pastillas a evaluar )?

33

• Se pide al entrevistado que indique su preferencia por cada pastilla de dulce. En este caso se hacen veintiún comparaciones apareadas ya que son siete marcas.

% prefiere primer marca

% prefiere segunda marca

Total preferencia

Certs vs. CloretsClorets vs. DeemintDeemint vs. HallsHalls vs. UsherUsher vs. DouglasDouglas vs. CanelsCanels vs. Certs. vs. .. vs. .Marca m vs. Marca n

De un cien por ciento de preferencia, ¿En que porcentaje diría usted que prefiere las pastillas de dulce... (entrevistador mencionar las pastillas de la primer

columna) a las pastillas...(mencionar marcas de la tercer columna).

¿Qué porcentaje de preferencia le da a las pastillas...(mencionar marca de 1er columna) contra las pastillas...(mencionar marca de tercer columna).

34

• Los datos recabados deben tener un formato especial para ser procesados por el CPM.

1001 Folio2 0 3 4 0 1 2 Evaluación primer marca en los siete atributos0 0 0 0 0 0 0 Evaluación segunda marca en los siete atributos (el entrevistado no calificó esta marca)1 0 2 4 0 3 3 Evaluación tercer marca en los siete atributos4 0 2 3 0 1 2 Evaluación cuarta marca en los siete atributos2 0 4 1 0 2 4 Evaluación quinta marca en los siete atributos0 0 0 0 0 0 0 Evaluación sexta marca en los siete atributos (el entrevistado no calificó esta marca)3 2 2 3 0 1 3 Evaluación septima marca en los siete atributos21 Número de pares evaluadas5 3 50 Preferencia marca 1 sobre la 3 (50%)3 1 23 Preferencia marca 3 sobre la 1 (23%)1 4 50 Preferencia marca 1 sobre la 4 (50%)4 5 77 Preferencia marca 4 sobre la 5 (77%)5 1 23 Preferencia marca 5 sobre la 1 (23%)3 4 23 Preferencia marca 3 sobre la 4 (23%)...

1002 Folio siguiente caso...

35

• Arreglo de una base de datos utilizando SPSS. Del archivo “pastillas.sav” se genera una base de datos ascii con el formato requerido por CPM

FORMAT CERTS1 TO CANEL7 PRODU1 TO PRODU7 (F2.0).FORMAT PAR (F3.0).FORMAT PRE1Y2 TO PRE6Y7 (F4.0).

WRITE OUTFILE = 'C:\CPM\PASTILLA.DAT' RECORDS = 1 TABLE /1FOLIO 1-4 CERTS1 TO CANEL7 5-102 PAR 103-105PRODU1 PRODU2 106 - 109 PRE1Y2 110 - 113PRODU1 PRODU3 114 - 117 PRE1Y3 118 - 121PRODU1 PRODU4 122 - 125 PRE1Y4 126 - 129PRODU1 PRODU5 130 - 133 PRE1Y5 134 - 137PRODU1 PRODU6 138 - 141 PRE1Y6 142 - 145PRODU1 PRODU7 146 - 149 PRE1Y7 150 - 153PRODU2 PRODU3 154 - 157 PRE2Y3 158 - 161PRODU2 PRODU4 162 - 165 PRE2Y4 166 - 169PRODU2 PRODU5 170 - 173 PRE2Y5 174 - 177PRODU2 PRODU6 178 - 181 PRE2Y6 182 - 185PRODU2 PRODU7 186 - 189 PRE2Y7 190 - 193PRODU3 PRODU4 194 - 197 PRE3Y4 198 - 201PRODU3 PRODU5 202 - 205 PRE3Y5 206 - 209PRODU3 PRODU6 210 - 213 PRE3Y6 214 - 217PRODU3 PRODU7 218 - 221 PRE3Y7 222 - 225PRODU4 PRODU5 226 - 229 PRE4Y5 230 - 233PRODU4 PRODU6 234 - 237 PRE4Y6 238 - 241PRODU4 PRODU7 242 - 245 PRE4Y7 246 - 249PRODU5 PRODU6 250 - 253 PRE5Y6 254 - 257PRODU5 PRODU7 258 - 261 PRE5Y7 262 - 265PRODU6 PRODU7 266 - 269 PRE6Y7 270 - 273.EXECUTE.

36

• CPM requiere dos archivos más aparte del de datos. Utilizando cualquier editor de texto se generan los archivos de etiquetas; uno con extensión “.pro” para los productos y el otro con “.att” para los atributos, ambos archivos deben comenzar con el número que indica la cantidad de productos y atributos evaluados.

7CertsCloretsDeemintHallsUsherDouglasCanels

7Sabor agradableForma que me gustaVariedad de saboresMarca de prestigioSabor naturalPublicidad que convenceMarca de calidad

“pastilla.pro” “pastilla.att”

37

• Desde el sistema operativo nos cambiamos al subdirectorio CPM y ejecutamos el programa tecleando “cpm” y apretamos la tecla enter hasta que aparece la siguiente pantalla. Seleccionamos el “1” para crear un estudio nuevo.

CPM SYSTEM FOR COMPOSITE PRODUCT MAPPING

MAIN MENU

Press 1 to Choose Study Name

2 to Link Your File Editor

3 to Prepare Data Files

4 to Make a Map

5 to Rotate or Plot a Map

6 to Examine Output Files

F1 for Help

ESC to End Program.

38

• Escogemos un nombre para nuestro mapa, lo tecleamos en el área sombreada y presionamos enter.

CHOOSE STUDY NAME

Type your study name choice:

and then press ENTER.

Just press ENTER to accept the current name.

PASTILLA

39

• El programa nos regresa al menú principal en donde escogemos “3” para preparar nuestro archivo con el formato que requiere CPM.


MAIN MENU




4 to Make a Map



F1 for Help

ESC to End Program.

40

Prepare Input File for Composite Product Mapping

The CPM System uses data in the studyname.pcp file (with the same format as APM's percep.dat file) to create maps. If you already have a correctly formatted studyname.pcp file, you can skip this step and proceed with mapping.

This progam takes data from Ci3 or from ASCII space or tab-delimited files and creates a studyname.pcp file.

Do your data come from:

Press 1 if Ci3 file 2 if ASCII file(s)

F1 for Help ESC for the Main Menu

Press 1 or 2, or ESC to end.

• En la siguiente pantalla se selecciona “2” para señalar que es un archivo ascii al que vamos a dar formato y apretamos la tecla enter.

41

• En el área gris señalamos que nuestro archivo de datos se llama “pastilla.dat” y apretamos enter.

Specifying the Input File for Ratings Data

We assume that your ratings data are in a file that contains a record for each respondent. Each record should start with a respondent number, and be followed by ratings for each product on each attribute.

The ratings may be in either order:`products-within-attributes' or `attributes-within products.'

What is the name of the input file that contains the ratings data?

Type the file name, or press ESC to back up.

Pastilla.dat

42

• Señalamos el número de atributos “7”, productos “7”, “0” para indicar que no hay calificaciones ideales, “1” indica que el orden es cada marca con sus evaluaciones, “1” que la preferencia son comparaciones apareadas y están en el mismo archivo y “0” valor de los datos faltantes.

Describing the Ratings Data

Please answer several questions about your data file(s):

How many attributes are there? (2 to 90) 7

How many products are there? (2 to 90) 7

Are there also explicit ideal ratings? (1 if yes, 0 0 if no) In which order are the ratings? 1 (1 for Attribute-within-product or 2 for Product-within-attribute)

Are the preference data in the same file? 1 (1 if the same file or 2 if a different file.)

In what form are the preference data? 1 (1 for paired comparisons or 2 for conjoint part worths.)

Value to indicate missing data in the ratings ? 0

Press ENTER after each answer. Or press ESC to back up.

43

• Accionamos enter dos veces hasta que el programa nos devuelva al menú principal en donde escogemos “4” para crear el mapa.


MAIN MENU




4 to Make a Map



F1 for Help

ESC to End Program.

44

• Tecleamos “2” para crear un mapa compuesto.

MAKING A MAP

Press 1 for a Discriminant Map 2 for a Composite Vector Map 3 for a Composite Ideal Point Map

4 to Set Mapping Parameters

F1 for Help

ESC to return to MAIN MENU

45

• El programa empezará a trabajar y nos pedirá confirmar algunos resultados, daremos enter hasta llegar a la pantalla anterior y después “scape” para llegar al menú principal allí escogemos “5” para ver el mapa resultante.


MAIN MENU




4 to Make a Map



F1 for Help

ESC to End Program.

46

• En esta parte seleccionamos el archivo que acabamos de crear “pastilla.vec” y confirmamos “Ok”.

47

• Antes de desplegar el mapa el programa nos pedirá confirmar los ejes “X” y “Y” a lo que sólo tenemos que apretar enter.

Advertencia: este mapa carece de significado ya que fue hecho con datos totalmente falsos.

49

Interpretación.

• Básicamente se interpreta igual que un biplot.

• La densidad del sombreado indica preferencia, entre más denso

es el sombreado hay mayor preferencia por las marcas que caen

dentro de esa área, los atributos orientados en la misma

(dirección son los que están creando dicha preferencia.

• Las dimensiones “X” y “Y” se componen por los atributos.

Normalmente, los ejes (dimensiones) reciben un nombre con

base a los atributos que se orientan en la misma dirección del

eje.

Software.• CPM de Sawtooth Software.

50

Análisis de cuadrantes discriminantes (DQA)

51

Discriminant Quadrant Analysis (DQA)

• Se llama DQA porque hace una análisis de las marcas por cuadrantes con diferentes prioridades de atención mercadológica.

• Se emplea el análisis discriminante usando la intención de compra del producto líder o del cliente como la variable dependiente.

• Utiliza datos de intervalo o razón.

• Las preguntas básicas son una batería de atributos donde se evalúa su importancia y la imagen de los objetos (productos). La escala utilizada puede ser likert, diferencial semántico, o cualquier otra.

• Es necesario conocer la intención de compra de los productos.

52

(Know how)Ideas claves del

diseño.

53

• Se desea conocer los atributos más importantes y que discriminan a la compra en el mercado de automóviles.

• Se evalúa la importancia de ocho atributos que se cree son relevantes para este propósito o se utiliza una escala de importancia que puede ser de cinco, siete u otro número de intervalos.

Nadaimportante

Extremadamenteimportante

1 2 3 4 5 6 7 8 9• A continuación se evalúa el desempeño de cada una de las

marcas de automóviles.

Totalmente en desacuerdo

Totalmentede acuerdo

1 2 3 4 5 6 7 8 9

54

• Se pregunta la intención de compra para cada automóvil (en este caso se preguntó el interés por el automóvil)

Definitivamente me gusta

Definitivamenteno megusta

1 2 3 4 5 6 7• Los promedios de las importancias y desempeño sirven de

coordenadas para el DQA.

• Las respuestas de interés por el auto del cliente dividen a los entrevistados en dos grupos los que no se interesan 1 a 4 y los que se interesan 5 a 7.

• Los grupos resultantes se usan como variable dependiente en una prueba t y los puntajes de desempeño del auto se utilizan como variables independientes.

55

• Se grafican los F ratios como el valor discriminante.

Auto cliente

Grand AM Camry

Mazda 626

Llantas 8.10 5.90 7.20 4.90 4.40 7.25Parrilla 5.70 7.30 7.70 4.90 4.70 6.00Vista frontal 7.00 6.00 7.50 5.40 5.70 5.45Vista lateral 7.70 7.50 7.20 6.20 5.70 4.50Luces delanteras 7.30 6.50 7.40 5.50 6.00 3.75Luces traceras 6.70 7.10 7.30 6.40 5.80 2.75Tamaño 8.00 6.80 7.70 7.10 6.30 1.75Vista tracera 6.10 5.60 6.70 6.30 6.10 1.00

F ratioDesempeño

ImportanciaAtributo

Promedios

• El eje vertical del mapa se cruza en la mediana de las importancias y el eje horizontal cruza donde los F ratios dejan de ser discriminantes. También, es posible emplear un criterio menos estadístico para determinar el cruce de ambos ejes.

56

• Procedemos a graficar nuestro DQA con cualquier graficador,

en este caso empleamos Power Point.

Importancia Auto cliente Grand AM Camry Mazda 626

Llantas

Parrilla

Vista frontal

Vista lateral

Luces delanteras

Luces traseras

Tamaño

Vista trasera

I

IIIII

IV

Dis

c rim

i nac

ión

Importancia

57

• La interpretación se hace por cuadrantes compuestos de dos dimensiones: IMPORTANCIA del atributo y DISCRIMINACIÓN a la compra.

DISCRIMINACION

IMPORTANCIA

ZONA DE PRIORIDAD

SECUNDARIAREFORZAR

ZONA DE ALTA PRIORIDAD

ACTUAR INMEDIATAMENTE

ZONA DE BAJA PRIORIDAD

ATENDER ANTES

OTRAS ZONAS

ZONA BÁSICAPRECIO DE ENTRADA

IV I

IIIII

DISCRIMINACION

IMPORTANCIA

ZONA DE PRIORIDAD

SECUNDARIAREFORZAR

ZONA DE ALTA PRIORIDAD

ACTUAR INMEDIATAMENTE

ZONA DE BAJA PRIORIDAD

ATENDER ANTES

OTRAS ZONAS

ZONA BÁSICAPRECIO DE ENTRADA

IV I

IIIII

Discriminant Quadrant Analysis (DQA)

62

I

IIIII

IV

I m p o r t a n c i a

BUEN SABOR

GRAN CANTIDAD DE VITAMINAS

AYUDA AL DESARROLLO MENTAL

AYUDA AL CRECIMIENTO

DE ORIGEN NATURAL

FÁCIL DE DISOLVER

FÁCIL DE CONSEGUIR

AYUDA A GANAR PESO

ESTIMULA EL APETITO

ECONÓMICO

VARIEDAD DE SABORES

D i

s c

r i m

i n

a c

i ó n

DISCRIMINANT QUADRANT ANALYSIS(EVALUACIÓN DE COMPLEMENTOS ALIMENTICIOS)

(BASE =709)

63

•Detectar los atributos típicos (mínimos a ofrecer) de un producto o servicio.

•Generar un sistema de prioridades.

•Detener una sobre-inversión sobre atributos poco importantes o discriminadores de compra.

•Monitorear atributos que antes eran disparadores de compra y que ahora son básicos; en otras palabras, detecta los cambios dinámicos del mercado. Por ejemplo, hace unos años un shampoo que limpiara el cabello era un precio de entrada (cuadrante I) y que dejara el cabello sedoso y brillante era un detonador a la compra (cuadrante II), sin embargo, con el tiempo, sedoso y brillante dejaron de ser atributos disparadores de compra y se han convertido en básicos (Cuadrante I).

• Hacer un análisis claro de nuestro producto o servicio vs. la competencia en un solo mapa.

El DQA es una técnica fina que permite:

64

Conclusión

65

• Los datos limitan el tipo de mapa que se puede crear por lo

que siempre conviene saber con anticipación que tipo de

mapa se necesita: correspondencias, biplot, discriminante,

etc.

• la decisión del mapa se hace con base a los objetivos del

estudio. Aún incluso cuando se dispone de varias

alternativas los mapas varían en su enfoque y por lo tanto en

los resultados que presentan.

• Ejemplo: un correspondencias y un biplot se pueden derivar

del mismo tipo de datos pero la información que obtenemos

con cada uno de ellos es diferente.

Conclusión

66

• En nuestro caso siempre empleamos un correspondencias

cuando hablamos de productos existentes y deseamos

identificar el perfil de marca pero corremos un biplot

cuando evaluamos productos nuevos y queremos conocer en

que atributos se destacan más.

• Para conocer un poco más podemos buscar en Internet

“perceptual mappings” y visitar los sitios:

• www.surveysite.com

• www.brain-research.com

• www.nd.edu

perceptuales mapas

Documents