Seminario RAC2009

1. Por qué el seminario?

2. Análisis Estadísticos

3. Coffe Break

4. Indicadores

5. Sesión de preguntas

6. Cierre de seminario

Agenda

Marca E

Marca F

Marca G

Marca A

Marca BMarca D

Por qué el seminario?Este espacio busca aportar mayores herramientas de análisis a las

personas encargadas de trabajar con RAC, con

el fin de enriquecer los informes que son

entregados a los clientes finales.

1

Análisis estadísticos

Este tipo de análisis se pueden trabajar sobre la plataforma Gandía a través del menú de análisis, a continuación se explicará la aplicación de cada uno de ellos.

2

Tipos de variables:

•Variable continua: estatura, peso, edad

•Variable ordinal (categórica): estrato, nivel

educativo.

•Variable nominal (categórica): sexo, ciudad, TOM

•Variable intervalo: fecha

Definiciones

Coeficientes que permiten determinar si existe o no relación entre una variable y otra y qué sentido tiene dicha relación.

Técnica estadística aplicada para valorar como contribuyen las variables cualitativas categóricas independientes en la variación de la media de una variable continua dependiente. No aplica para RAC

Bajo esta opción se hacen varios análisis de una variable, sin importar su relación con las demás.

Estas pruebas son utilizadas para probar hipótesis sobre el comportamiento de una variable en una o más muestras.

Conjunto de medidas estadísticas derivadas de los cálculos de tablas de contingencia: bondad de ajuste, independencia.

Por medio de este análisis se evalúa si los valores predichos son estadísticamente distintos de los muestrales, es empleado para evaluar el Análisis de Varianza y Regresión, que no aplican para RAC.

Pruebas utilizadas, cuando la cantidad de datos de un estudio es muy pequeño o cuando se sospecha que los datos no tienen distribución Normal (Gauss). Se emplea básicamente con variables continuas, salvo la Jhi-cuadrado. No aplican para RAC

Menú Análisis

Esta opción permite hacer el cálculo del tamaño de muestra para una población de interés,

conociendo el tamaño del universo y bajo el supuesto de Muestreo Aleatorio Simple.

Gran cantidad de las herramientas de análisis tienen como supuesto la distribución Normal de los datos, se presenta este mecanismo para normalizarlos. No se aplica a RAC

Herramientas para analizar interrelaciones entre un gran número de variables y explicarlas en términos de sus dimensiones comunes. Objetivo: Condensar información.

Técnica empleada para explicar el comportamiento de una variable dependiente (continua) a través de un modelo y a través de otras variables, altamente asociadas a ella. No se aplica a RAC.

Se refiere a la exactitud, en promedio, de la estimación de la puntuación verdadera en una población de objetos a medir. Se realiza para variables continuas. No se aplica a RAC.

Métodos que permiten encontrar subgrupos significativos de individuos, de acuerdo al comportamiento de las variables y de la existencia o no de información inicial, dependiendo de ello, se elige la herramienta de análisis.

Menú Análisis

Muestra las frecuencias simples y los porcentajes simples y acumulados de una variable.

Muestra las frecuencias simples en fila (semejante a la presentación de un paquete estadístico viejo llamado Barbro 90)

Para la variable escogida presentan las siguientes medidas de tendencia central:

• Base casos• Media aritmética*• Error estimado*• Intervalo confianza*• Mediana*• Primer cuartil*• Tercer cuartil*• Moda• Suma de casos*• Máximo*• Mínimo*• Rango*• Desviación típica*• % Varianza explicada*• Coeficiente de variación*• Coeficiente de asimetría*• Coeficiente de aplanamiento*

Estos resultados pueden igualmente obtenerse en el menú de Tabulación en marginales de frecuencias y estadísticos.

La mayor parte de estos estadísticos no pueden calcularse en las variables de RAC, ya que para su uso se requiere que las variables sean CONTINUAS y las variables de RAC son CATEGÓRICAS.

Menú Análisis

•Error Estimado: Se calcula como la división de la desviación estándar sobre la raíz del tamaño real del universo, este indicador esta dado para la media, que no se puede calcular para las variables RAC.

•Coeficiente de Variación: Esta dado por la división entre la desviación estándar y la media aritmética. Es una medida útil para medir la dispersión de los datos, de manera independiente de la escala en la cual se muevan las variables. Varia entre 0 y 1.

•Coeficiente de Asimetría: Se calcula con base en la información de los cuartiles de la distribución y permite determinar hacia que lado esta concentrada la distribución, a derecha (positivo), izquierda (negativo) o central (cero).

•Coeficiente de Apuntamiento (Curtosis): Este indicador permite ver que tan “aplanada” es una distribución. Si su valor es 0, la distribución corresponde a una Normal, si es menor que cero es más aplanado que la distribución Normal y si es mayor que cero es menos aplanado que la distribución Normal.

.

Análisis Univariado

Modelo:

donde: Y: es la variable dependiente continua (de modo que sea posible calcular medias)

: intercepto, es un valor general que en principio afecta a todas las observaciones.

: es la variable independiente que debe ser categórica

: son los residuales que existe en toda medición.

Supuestos: •La variable dependiente debe ser continua

•Las observaciones deben ser independientes

•Los residuales deben tener distribución Normal

•La varianza deben ser homogéneas

Este análisis no puede emplearse en RAC ya que no se cumplen algunos de los supuestos.

Análisis de Varianza

En este caso se quiere comparar una media contra un valor específico (cero o cualquier otro valor). Prueba T Student. No aplica para RAC.

Con esta prueba se evalúa la existencia de diferencias significativas entre proporciones evaluadas en muestras independientes.

Al igual que en la opción anterior se evalúan muestras independientes, pero para medias, aplicando una prueba T Student. No aplica para RAC.

En este caso se evalúan diferencias significativas a los promedios de un mismo grupo de individuos sometidos a algún tratamiento o estímulo durante determinado tiempo. Se aplica una prueba T Student. No aplica para RAC.

Pruebas de Significación

Porcentajes en muestras independientes

Se emplea la prueba T Student. Aquellas celdas en las cuales aparezcan letras tienen diferencias significativas con las celdas de las letras que aparecen, por ejemplo en este caso, para Bancolombia hay diferencias significativas entre Medellín y las demás ciudades y también de Cali con Bogotá y B/quilla y finalmente de B/quilla con Bogotá.

Porcentajes en muestras independientes

Prueba Jhi Cuadrado: Esta prueba permite determinar estadísticamente si existe asociación entre dos variables cruzadas en una tabla de contingencia.

El análisis de datos ordinales, no aplica para RAC, ya que no hay variables que correspondan a ordenamientos, salvo el estrato socioeconómico.

Igual sucede con las variables por intervalo, de las cuales no hay ninguna en la medición de RAC. Por lo tanto NO APLICA.

Pruebas de Asociación

Aquellas celdas en las que aparezca el símbolo > o < presentan asociación, sin embargo se debe tener en cuenta que valores muy pequeños presentan niveles alto de error.

Prueba Jhi-Cuadrado

Para las variables categóricas empleadas en RAC (nominales) se debe emplear el estadístico Jhi-Cuadrado para medir asociación.

Se calcula para variables continuas. No aplica para RAC

Combina dos variables, dejando constante una tercera, se usa para variables continuas. No aplica para RAC

Asociación entre una variable dependiente y dos o más independientes, se usa para variables continuas. No aplica para RAC

Se evalúa el coeficiente de Pearson para un grupo de variables, dos a dos. No aplica para RAC

Spearman, Tau-Kendall y W de Kendall: son coeficientes que se calculan para variables ordinales. No aplican para RAC

Con este coeficiente se evalúa la asociación entre dos variables dicotómicas.. No aplica para RAC

Correlaciones

Se analizan dos variables categóricas, se estudian las asociaciones entre las categorías de las variables.

Correspondencias Simples

Salida de datos:

Correspondencias Simples

Correspondencias Simples

Se analizan tres o más variables categóricas de manera simultánea, el software tiene límites en cuanto a la cantidad de variables que puede procesar, depende de las categorías de dichas variables.

Correspondencias Múltiples

Correspondencias Múltiples

Proceso en pasos sucesivos que progresa desde un cluster por sujeto hasta el cluster con todos los sujetos (Ascendente o por aglomeración) o a la inversa (Descendente, por disociación o por división). Luego que un individuo se ha asignado a un cluster no se puede mover.

En este análisis ya se conoce a que grupo pertenecen los individuos, funciona como una regresión donde la variable dependiente es categórica (grupo) y las variables independientes son continuas. Puede tener dos objetivos: obtener una regla que permita clasificar un nuevo individuo no clasificado aún o encontrar relaciones lineales entre las variables continuas. No se aplica a RAC.

Están disponibles tres herramientas para segmentación:

• Segmentación AID: Variable dependiente continua. No aplicable para RAC

• Segmentación Jhi: Variable dependiente dicotómica.

• Segmentación Jhi2 de tabla: Se hace análisis sobre la tabla de contingencia. Con variables continuas. No aplicable para RAC

Este proceso es iterativo y va construyendo los clusters a partir de agrupaciones de individuos de acuerdo a la distancia que hay entre ellos. Se reasignan los individuos y se van haciendo cálculos hasta minimizar las distancias.

Permite ver la distribución de una variable dentro de los segmentos determinados por otras variables de interés.

Clasificación

Cluster K-means

Segmentación Jhi

Segmentación Jhi

Segmentación Jhi

Árbol de Decisión

Árbol de Decisión

Tomémonos un break….

IndicadoresA partir de la data obtenida en los procesos multi-variados se pueden obtener los siguientes indicadores:

Índice de Compromiso de marca ICM

Índice de Fidelidad – IDF

Índice de Resonancia

Análisis de dependencia

Cuadrantes de la categoría

Funell

4

4-1 Índice de compromiso de marca – ICMCorresponde al desempeño promedio mostrado por la marca en lasCuatro variables analizadas, se busca que el índice de compromiso de la marca cada vez este más cercano a 100-Nuestro punto de referencia debe ser la norma.

NORMA DE LA CATEGORÍA AGUAS:

Corresponde al promedio de 7 años de historia

Favorita 28%

Compra 39%

Preferencia

Índice de compromiso 47%

Próxima comprar 28%

Conocimiento 94%Awareness

Categoría AGUA ENVASADA acumulado Enero – Abril 2009Marca BRISA

Alto índice de compromiso de marca superior a 45%

Adecuado índice de compromiso de marca entre 18% a 43%

Bajo índice de compromiso de marca inferior a 18%

Conocimiento

Consideración

Preferencia

Recomendación

4-2 Índice de fidelidad de marca – IDFCorresponde a Lealtad hacia una marca por parte de sus consumidores, reflejada mediante la repetición del acto de compra de los bienes o servicios que comercializa. La fidelidad de marca se basa en la percepción por parte del consumidor de una serie de características, reales o psicológicas, reforzadas fundamentalmente a través de acciones de comunicación.

62%38%

Total conocimiento espontáneoNo recuerda espontáneamente

48%52%

Compra la marca No compra la marca 77%

23%

Planean comprar la marcaNo planean comprar la marca

77%

23%

Prefieren la marcaNo prefieren la marca

Cuantos conocen mi marca?Entre quienes conocen mi marca, cuantos la han comprado?

Entre quienes la conocen y la han comprado, cuantos planean volver a comprarla?

Entre quienes la conocen y la han comprado, cuantos la prefieren?

Categoría AGUA ENVASADA acumulado Enero – Abril 2009Marca BRISA

4-3. Análisis de ResonanciaCorresponde al desempeño histórico de las marcas en los indicadores de Tom de marca y Top publicitario

Prom 2008-02 2008-04 2008-06 2008-07 2008-08 2008-09 2008-10 2008-11 2008-12 2009-01 2009-02 2009-03 2009-0420%

30%

40%

50%

60%

38% 39%

34%

31%

37% 38%

46%

41%

38%

47%

40%

36% 36%37%

32%

34%

28%

26%

31% 30%

41%

30%

33%

36% 35%

28%

31%

28%

Tom Marca Top Publicitario

Marca construida en la mente

Categoría AGUA ENVASADA tendencia Enero 2008 – Abril 2009Marca BRISA

Campaña Ref: xxxCampaña Ref: yyy

AltaCorrelación

0.82

4-4. Análisis de dependencia

0% 5% 10% 15% 20% 25% 30% 35% 40% 45% 50%0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

50%To

p Pu

blic

idad

Tom de Marca

Grupo 1marca con una relación

Positiva en las dos variables.

Grupo 2Marcas con alta influencia

publicitaria

RexonaLady Speed Sitck

Categoría DESODORANTES acumulado Enero 2008 – Abril 2009

AXE

BalanceSpeed Sitck

Arden For Men

Yodora

GilletteAvonDoveElizabeth ArdenNivea Otras marcas Gillette Series Obao Ebel Gillette 3x

Grupo 3Marcas con bajo desempeño

En ambas variables

Top de Publicidad

4-5. Matriz de Relevancia (Marca – publicidad Categoría)

0% 5% 10% 15% 20% 25% 30% 35% 40%0%

5%

10%

15%

20%

25%

30%

35%To

m d

e M

arca

Santa Clara

Brisa

Cristal

Manantial

DasaniH2O!

Postobon

Zona Positiva - Marca Zona Positiva – Marca & Publicidad

Zona Negativa Publicidad Zona Negativa

Marca & Publicidad

Zona +

Zona -

Zona neutraPromedio Top of Mind 4.17%

Promedio Top publicitario 5.88%

Categoría AGUA ENVASADA acumulado Enero – Abril 2009

Marca BRISA

4-6. Funell Report

En este análisis de embudo, se visualiza eldesempeño de la marca en las diferentes Variables, este grafico permite visualizar fácilmente los puntos donde la marca Es mas débil ó fuerte.

Awareness de marca 94%

Recordación Total Espontánea 62%

Top Of Mind de marca 37%

Awareness Publicitario 60%

Recordación Total Espontánea de la Publicidad 40%

Top Of Mind Publicitario 31%

Marca Favorita 28%

Marca comprada en el último mes 39%

Próxima marca a comprar 28%

Categoría AGUA ENVASADA tendencia Enero 2008 – Abril 2009Marca BRISA

Gracias!!!!!!