ANLISIS CONJUNTO

El Anlisis Conjunto ha atrado una considerable atencin como un mtodo que

retrata las decisiones realistas de los consumidores, como ventajas y desventajas,
entre mltiples atributos productos o servicios.
El amplio empleo de la comercializacin del Anlisis Conjunto, en el desarrollo de
nuevos productos para los consumidores, condujo a su adopcin en muchas otras
reas, tales como segmentacin, marketing industrial, precios y publicidad.
La mayora de las tcnicas multivariantes se establece en el campo estadstico. El
Anlisis Conjunto, sin embargo, continuar desarrollando en trminos de su diseo,
clculo y aplicaciones en muchas reas de investigacin.
En trminos del modelo bsico de la dependencia, se expresa como:
Y1 =
(no mtrica o mtrica)

X1+X2+X3+ +XN
(no mtrica)

Con el uso de variables independientes mtricas, el Anlisis Conjunto se parece a

anlisis de varianza (ANOVA), que tiene una base en el anlisis de experimentos.
Como tal, el anlisis conjunto es muy relacionado a la experimentacin tradicional.
El uso de experimentos en el estudio de individuos tpicamente consiste en disear
una serie de estmulos y luego pidiendo a los encuestados para evaluar un solo
estmulo (o a veces mltiples estmulos en un diseo de medidas repetidas). Luego
se analizan los resultados con procedimientos de ANOVA. El Anlisis Conjunto sigue
este mismo mtodo a travs del diseo de los estmulos (conocido como perfiles).
Se diferencia en que los encuestados siempre aparecen varios perfiles (a menudo
de 15 o ms perfiles) para permitir que las estimaciones del modelo a cada
demandado debido a que, cada encuestado proporciona mltiples observaciones
mediante la evaluacin de mltiples perfiles.
En ambas situaciones, el investigador tiene un nmero limitado de atributos que
sistemticamente se puede variar en cantidad o carcter. Aunque podemos intentar
utilizar el formato tradicional experimental para entender las preferencias de los
consumidores, se requiere una gran cantidad de los encuestados y slo hace
comparaciones entre los grupos. El Anlisis Conjunto permite al investigador una
tcnica que puede aplicarse a un solo individuo o grupo de personas y proporciona
penetraciones en no slo las preferencias para cada atributo (por ejemplo,
fragancia), pero tambin la cantidad del atributo (pequea o alta)
El Anlisis Conjunto realmente es una familia de mtodos y tcnicas
especficamente desarrolladas para entender la al preferencias que comparten un
fundamento terico basado en los modelos de informacin integracin y medicin
funcional. Es ideal para los consumidores la comprensin reacciones y evaluaciones
de las combinaciones de atributos predeterminados que representan potenciales
productos o servicios. La flexibilidad y la singularidad del Anlisis Conjunto surgen
principalmente de:

La capacidad de acomodar una variable dependiente mtrica o no mtrica.

El uso de slo variables predictora categricas.

Supuestos muy generales acerca de las relaciones de variables independientes

con la variable dependiente.

QU ES EL ANLISIS CONJUNTO?
El Anlisis Conjunto es una tcnica multivariante desarrollada especficamente para
entender cmo los encuestados desarrollan preferencias para cualquier tipo de
objeto (productos, servicios o ideas). Se basa en la simple premisa de que los
1 de 8

consumidores evalan el valor de un objeto (real o hipottico) combinando las

cantidades separadas de valor proporcionado por cada atributo. Por otra parte, los
consumidores pueden proporcionar mejor sus estimaciones de preferencia por
juzgar objetos formados por combinaciones de atributos.
Su Utilidad, un juicio subjetivo de preferencia nica para cada individuo, es el
concepto ms fundamental en el Anlisis Conjunto y la base conceptual para la
medicin de valor. El investigador utilizando anlisis conjunto para estudiar qu
cosa determina la utilidad debe considerar varios temas fundamentales:

La utilidad abarca todas las caractersticas del objeto, tangible e intangible y

como tal es una medida general de preferencia individual.

La utilidad se supone que se basa el valor colocado en cada uno de los niveles
de los atributos. Al hacerlo, los encuestados reaccionan a diferentes
combinaciones de los niveles de atributo (por ejemplo, diferentes precios,
caractersticas o marcas) con diferentes niveles de preferencia.

La utilidad se expresa por una relacin que refleja la manera en que la utilidad
est formulada para cualquier combinacin de atributos. Por ejemplo,
podemos sumar los valores de utilidad asociados con cada caracterstica de un
producto o servicio para llegar a una utilidad general. Entonces asumimos que
productos o servicios con valores de utilidad ms altos son ms preferidos y
tienen ms posibilidades de ser elegidos.

COMPARACIN
DE
MULTIVARIADOS

ANLISIS

CONJUNTO

CON

OTROS

MTODOS

El Anlisis Conjunto representa un tipo de tcnica multivariante hbrida para la

estimacin de relaciones de dependencia. En un sentido combina los mtodos
tradicionales (es decir, Regresin y ANOVA), pero es nico en que es
descomposicional en su naturaleza y los resultados pueden estimarse por separado
para cada entrevistado. Ofrece al investigador una herramienta de anlisis
desarrollada especialmente para entender las decisiones de consumo y sus
estructuras de preferencia. DIFIERE de otras tcnicas multivariantes en cuatro
reas distintas:
(1) su naturaleza descomposicional, (
(2) especificacin de la variable,
(3) el hecho de que las estimaciones puede realizarse a nivel individual, y
(4) su flexibilidad en trmino de relaciones entre variables dependientes e
independientes.
RESUMEN
El Anlisis Conjunto pone ms nfasis en la capacidad del investigador o director a
teorizar sobre el comportamiento de eleccin que hace en la tcnica analtica.
Como tal, esta debe verse principalmente como exploratorio, porque muchos de
sus resultados son directamente atribuibles a las asunciones bsicas hechas
durante el curso del diseo y la ejecucin del estudio:
1.-

Explicar los usos gerenciales de Anlisis Conjunto. Tcnica Multivariante

desarrollada especialmente para entender cmo los encuestados desarrollan
preferencias por los objetos (productos, servicios o ideas). Su flexibilidad
permite utilizarla en casi cualquier rea en la cual se estudian las
decisiones. Asume que cualquier conjunto de objetos (por ejemplo, marcas,
empresas) o conceptos (por ejemplo, posicionamiento, beneficios, imgenes)
se evala como un conjunto de atributos. Despus de haber decidido la

2 de 8

contribucin de cada factor de evaluacin global del consumidor, el

investigador puede entonces:
a.-

Definir el objeto o concepto con la ptima combinacin de caractersticas.

b.-

Mostrar la contribucin relativa de cada atributo y cada nivel de la

evaluacin global del objeto,

c.-

Usar estimaciones del comprador o cliente para predecir preferencias

entre objetos con diferentes conjuntos de caractersticas,

d.-

Aislar grupos de clientes potenciales con caractersticas de importancias

diferentes, o para definir los segmentos potenciales alto y bajo,

e.-

Identifican oportunidades de comercializacin, explorando el potencial de

mercado, para las combinaciones de caractersticas no disponibles
actualmente.

Conocer la estructura de preferencias de cada individuo permite una

flexibilidad casi ilimitada para examinar las reacciones individuales y
agregadas a una amplia gama de productos - o servicios - materiales.
2.-

3.-

Conocer las directrices para la seleccin de las variables a ser

examinadas por el Anlisis Conjunto. Emplea una variante aleatoria muy
similar a las visto en otras tcnicas multivariantes. La variable conjunta es una
combinacin lineal de los efectos de las variables independientes (factores)
sobre una variable dependiente. El investigador especifica tanto las variables
independientes (factores) y sus niveles, el entrevistado proporciona
informacin sobre la medida dependiente. El diseo de los perfiles consiste en
especificar la Variante Conjunta aleatoria seleccionando los factores y niveles
para ser incluidos en los perfiles. Cuando operacionalizan de factores o niveles,
el investigador debe asegurarse que las medidas son acciones transmisibles y
concretas. Habiendo seleccionado los factores y estar seguro que las acciones
sern medidas transmisibles y concretas, el investigador todava debe abordar
tres cuestiones especficas a la definicin de factores:
a.-

el nmero de factores que incluyen,

b.-

la multicolinealidad entre los factores, y

c.-

el nico rol del precio como un factor.

Formular el plan experimental para un Anlisis Conjunto. Para que

explique la estructura de preferencia de los encuestados, basndose en
evaluaciones generales solamente en un conjunto de perfiles, el investigador
debe hacer dos decisiones fundamentales respecto al modelo conjunto
subyacente:
a.-

Especificar la regla de composicin para utilizar y seleccionar el tipo de

relaciones entre las estimaciones de valor de parte. Estas decisiones
afectan tanto el diseo de los perfiles y los anlisis de las evaluaciones
demandadas.

b.-

La regla de composicin describe cmo el investigador postula que el

entrevistado combina los valores de parte de los factores para obtener el
valor total o utilidad.

Es una decisin crtica porque define la naturaleza bsica de la estructura de

preferencia que se estima. La regla de composicin ms comn es un
modelo aditivo. La regla de composicin usando efectos de interaccin es
similar a la forma aditiva, que asume que el consumidor asume los mritos
parciales para obtener un conjunto total en el conjunto de atributos. Se
diferencia en que permite ciertas combinaciones de los niveles para ser ms o
menos la suma. La eleccin de una regla de composicin determina el tipo y

3 de 8

nmero de tratamientos o perfiles que el entrevistado debe evaluar, junto con

la forma del mtodo de estimacin utilizado. Se compensan el uso de un
enfoque sobre el otro. La Forma aditiva requiere menos evaluaciones del
entrevistado y hace ms fcil obtener estimaciones de los valores parciales.
Sin embargo, la forma interactiva es una representacin ms precisa porque
los encuestados utilizan reglas de decisin ms complejas en la evaluacin de
un producto o servicio.
4.-

Entender cmo crear diseos factoriales. Habiendo especificado los

factores y niveles, adems de la forma del modelo bsico, el investigador debe
hacer a continuacin tres decisiones que implican la recoleccin de datos:
a.-

tipo de presentacin para los perfiles (compensaciones, perfil completo o

comparacin de pares),

b.-

El tipo de variable de respuesta, y

c.-

El mtodo de recoleccin de datos.

El objetivo primordial es presentar las combinaciones de atributos (perfiles) a

los encuestados de la manera ms realista y eficiente posible. En el anlisis
conjunto simple con un pequeo nmero de factores y niveles, el entrevistado
evala todos los perfiles posibles, lo que se conoce como un diseo factorial. A
medida que aumenta el nmero de factores y niveles, este diseo se vuelve
impracticable. As, con el nmero de tareas de opcines especificado, lo que se
necesita es un mtodo para desarrollar un subconjunto de los perfiles totales
que nos proporcionar la informacin necesaria para hacer las estimaciones de
valor parciales exactas y confiables. Debe realizarse un proceso de seleccin
de un subconjunto de todos los perfiles posibles, de manera de preservar la
ortogonalidad (no hay correlacin entre niveles de un atributo) y equilibrio
(cada nivel de un factor aparece el mismo nmero de veces) del diseo. El
diseo factorial fraccionado es el mtodo ms comn para delimitar un
subconjunto de los perfiles de evaluacin. El proceso desarrolla una muestra
de perfiles posibles, con el nmero de perfiles segn el tipo de regla de
composicin supuesto para ser utilizado por los encuestados. Si el nmero de
factores se vuelve demasiado grande, el conjunto adaptado no es aceptable,
se puede emplear un diseo de puente en el que los factores se dividen en
subconjuntos de tamao apropiado, con algunos atributos de solapamiento
entre los conjuntos de modo que cada conjunto tiene un factor en comn con
otros grupos de factores. Los perfiles se construyen entonces para cada
subconjunto, que los encuestados nunca ven el nmero original de factores en
un perfil nico.
5.-

Explicar el impacto de elegir la opcin fila frente a calificaciones como

medida de preferencia. La medida de preferencia escala de medida
versus clasificacin (por ejemplo, una escala 1, 10) tambin debe
seleccionarse. Aunque el mtodo de compensacin emplea slo datos de
clasificacin, la comparacin de pares y mtodos completa-perfil pueden
evaluar preferencias ya sea por obtener un grado de preferencia de un perfil
sobre el otro o simplemente una medida binaria que es preferida. La medida
de preferencia de rango-orden es probable que sea ms confiable, porque es
ms fcil de calificacin con un nmero razonablemente pequeo (20 o
menos) de perfiles y proporciona ms flexibilidad en la estimacin de
diferentes tipos de reglas de composicin. En contraste, las escalas de
calificacin fcilmente son analizadas y administradas, incluso por correo. Aun,
los encuestados pueden ser menos discriminatorios en sus juicios que cuando
son de una fila ordenada. La decisin sobre el tipo de medida de la preferencia
a utilizar debe basarse en cuestiones tanto prcticas como conceptuales.
Muchos investigadores favorecen las escalas de medida ya que representa el

4 de 8

proceso subyacente de la opcin de anlisis conjunto, eligiendo entre los

objetos.
Desde una perspectiva prctica, sin embargo, el esfuerzo de grandes nmeros
de perfiles de graduacin llega a ser abrumadora, especialmente cuando la
recoleccin de datos se realiza en un entorno como la entrevista personal. Las
escalas de medida tienen la ventaja inherente de ser fciles de administrar en
cualquier tipo de contexto de recoleccin de datos, pero tambin tiene
inconvenientes. Si los encuestados no estn comprometidos y participan en la
tarea de eleccin, las medida de calificacin pueden proporcionar poca
diferencia entre los perfiles (por ejemplo, todos los perfiles nominales sobre la
misma). Por otra parte, como la tarea de eleccin se convierte ms involucrada
con perfiles adicionales, el investigador debe guardar relacin no slo con
fatiga de la tarea, sino confiabilidad de las calificaciones a travs de los
perfiles.
6.-

Evaluar la importancia relativa de las variables predictivas de cada

uno de sus niveles en los que afectan a los juicios del consumidor. El
mtodo ms comn de interpretacin es un examen de estimaciones parciales
de cada factor, para determinar su magnitud y patrn. Las estimaciones
parciales son tpicamente escalas de medicin, as que cuanto mayor sea la
estimacin parcial (positivo o negativo) el mayor impacto tiene sobre la
utilidad general. Adems de retratar el impacto de cada nivel con las
estimaciones del valor de la parte, el Anlisis Conjunto puede evaluar la
importancia relativa de cada factor.
Porque las estimaciones parciales normalmente se convierten a una escala
comn, la mayor contribucin a la utilidad general, y por lo tanto, el factor ms
importante es el factor con mayor rango (sea bajo o alto). El factor de cada
valor de importancia se puede convertir a porcentajes de sumar al 100 por
ciento, dividiendo el rango de cada factor por la suma de todos los valores de
rango. En la evaluacin de cualquier conjunto de estimaciones de valor de
parte, el investigador debe considerar tanto importancia prctica como
correspondencia a cualquier basado en la teora de las relaciones entre
niveles. En trminos de importancia prctica, la consideracin primordial es el
grado de diferenciacin entre los valores de la parte con en cada atributo.
Muchas veces un atributo tiene una estructura terica en base a las relaciones
entre niveles. El ms comn es la relacin montona, tal que la parte vale de
nivel C debe ser mayor que los de nivel B, que a su vez debe ser mayor que
los valores de parte del nivel A. El problema surge cuando una de las partes no
siguen el patrn terico y rompe la relacin monotnica asumida, causando lo
que se genere una reversin. Las reversiones pueden causar graves
distorsiones en la representacin de una estructura de preferencia.

7.-

Aplicar un simulador de resultados conjuntos para la prediccin de

juicios del consumidor de nuevas combinaciones de atributos. Se
revela la importancia relativa de los atributos y el impacto de niveles
especficos en las estructuras de preferencia. Otro objetivo principal del
anlisis conjunto es realizar anlisis Qu sucede si para predecir el porcentaje
de las preferencias de un perfil (real o hipottica) es probable que la captura
en diferentes escenarios competitivos de inters a la gestin. Los simuladores
de eleccin permiten al investigador simular cualquier nmero de escenarios
competitivos y luego estimar cmo reaccionaran los encuestados a cada
escenario. El beneficio real, sin embargo, implica la capacidad del investigador
para especificar las condiciones o relaciones entre los perfiles ms realista que
representan las condiciones del mercado. Por ejemplo, todos los objetos
competirn igualmente con todos los dems? La semejanza entre los objetos
puede crear diferentes patrones de preferencia? Pueden incluirse las

5 de 8

caractersticas del mercado en la simulacin? Cuando se utiliza un simulador,

deben incluirse al menos tres tipos bsicos de efectos:
a.-

Impacto Diferencial el impacto de cualquier nivel de atributo es ms

importante cuando el entrevistado valora ese objeto entre dos objetos,
que indica su rol en la eleccin real de entre estos objetos;

b.-

Sustitucin Diferencial la semejanza entre objetos afecta la opcin, con

objetos similares que comparten la preferencia global (por ejemplo,
cuando se elegir si viajar en el autobs o coger un auto, aadiendo
autobuses de diferentes colores no aumentara la posibilidad de tomar un
autobs, pero algo los dos objetos dividira la posibilidad total de tomar
un autobs); y

c.-

Mejora Diferencial, dos objetos muy similares del mismo tipo bsico se
pueden distinguir por diferencias ms pequeas en un atributo que es
relativamente insignificante cuando se comparan dos objetos de tipo
diferente.

El paso final en la simulacin conjunta es predecir la preferencia de cada

individuo y luego calcular cuota de preferencias para cada perfil agregando las
opciones individuales.
8.-

Comparar un modelo principal de efectos y un modelo de trminos de

interaccin y mostrar cmo validar un modelo versus el otro. Un
beneficio clave de anlisis conjunto es la habilidad para representar muchos
tipos de relaciones en las variante conjunta. Una consideracin crucial es el
tipo de efectos (efectos principales ms los trminos de interaccin deseado)
que son incluidos, porque requieren modificaciones en el diseo de la
investigacin. Uso de trminos de interaccin aade generalizaciones a la
regla de composicin. La adicin de trminos de interaccin presentan ciertos
inconvenientes en que cada trmino de interaccin requiere una estimacin
por lo que requiere nuevas valoraciones parciales con al menos un perfil
adicional para cada encuestado. A menos que el investigador sepa
exactamente qu trminos de interaccin va a calcular, el nmero de perfiles
se incrementa dramticamente. Por otra parte, si los encuestados no utilizan
un modelo interactivo, los trminos estimados de interaccin adicional en la
variante aleatoria conjunta reduce eficiencia estadstica (estimaciones de
parciales) del proceso de estimacin y hace ms ardua la tarea conjunta.
Incluso cuando es utilizado por los encuestados, las interacciones predicen
substancialmente menos varianza que los efectos aditivos, a menudo no es
superior a un aumento de 5 a 10 por ciento de varianza explicada. As, en
muchos casos, el mayor poder predictivo ser mnima interaccin trminos son
los ms propensos a ser sustancial en los casos de los atributos que son
menos tangibles, particularmente cuando la esttica o reacciones emocionales
juegan un papel importante. El mayor potencial para explicar los trminos de
interaccin debe ser equilibrado con las consecuencias negativas de la adicin
de trminos de interaccin. El trmino de interaccin es ms eficaz cuando el
investigador puede hipotetizar las partes no explicables de utilidad estn
asociadas con slo algunos atributos de nivel.

9.-

Reconocer las limitaciones del anlisis tradicional conjunto y

seleccionar la metodologa alternativa apropiada (por ejemplo,
basada en la seleccin o adaptacin conjunta) cuando sea necesario.
Los mtodos de perfiles completos son inmanejables con ms de 10 atributos,
sin embargo, muchos estudios conjuntos necesitan incorporar 20, 30 o incluso
ms atributos. En estos casos, alguna adaptacin o reduccin de anlisis
conjunto se utiliza para simplificar el esfuerzo de recoleccin de datos y
presentar la eleccin de una decisin realista de eleccin. Las 2 opciones
incluyen:
6 de 8

a.-

Una adaptacin/auto explicada conjunta para hacer frente a un gran

nmero de atributos, y

b.-

Una eleccin basada en una decisin conjunta proporciona tareas de

eleccin ms realistas.

En el modelo auto expresado, el entrevistado proporciona una clasificacin de

la conveniencia de cada nivel de un atributo y luego tasas la importancia
relativa del atributo global. Con el modelo de adaptacin/hbrida, se combinan
los modelos conjuntos expresados por los valores parciales. Los valores auto
explicados se utilizan para crear un pequeo subconjunto de perfiles
seleccionados a partir de un diseo factorial fraccional. Los perfiles son
evaluados de manera similar al anlisis conjunto tradicional. Los sistemas de
perfiles difieren entre los encuestados, y aunque cada encuestado evala slo
un pequeo nmero colectivamente, todos los perfiles son evaluados por parte
de los encuestados. Para hacer la tarea conjunta ms realista, una
metodologa conjunta alternativa, conocido como eleccin en conjunto puede
ser utilizada. Si pide a los entrevistados que elijan un perfil completo de un
conjunto de Perfil de alternativa, conocida como un conjunto de eleccin. Este
proceso es mucho ms representativo del proceso de seleccionar un producto
de un conjunto de productos de la competencia. Por otra parte, la eleccin
basada conjunto proporciona una opcin de no elegir alguno de los perfiles
presentados al incluir una opcin "No" en el conjunto de eleccin. Aunque el
conjunto tradicional asume preferencias de los encuestados se asignar
siempre entre el conjunto de perfiles, el enfoque de eleccin permite para la
contraccin del mercado si todas las alternativas en un conjunto de elegidas
son poco atractivas.
Para utilizar el anlisis conjunto el investigador debe evaluar muchos aspectos
de la toma de decisiones. Nuestro enfoque ha estado en la prestacin de un
mejor entendimiento de los principios de anlisis conjunto y cmo representan
el proceso de eleccin del consumidor. Esta comprensin debe permitir a los
investigadores evitar la mala aplicacin de esta tcnica relativamente nueva y
poderosa cuando se enfrenta con la necesidad de entender la eleccin juicios y
estructuras de preferencia.
PREGUNTAS
1. Pida a tres compaeros para evaluar combinaciones de eleccin basados en
las siguientes variables y niveles en relacin con su estilo preferido de libros
de texto para una clase y especificar la regla composicional que crees usarn.
Recopilar informacin con mtodos de la compensacin y perfil completo.
2. Cun difcil fue para los encuestados manejar las palabras y conceptos
abstractos ligeros que se les pidi evaluar? Cmo mejoraras las
descripciones de los factores o niveles? Qu mtodo de presentacin era ms
fcil para los encuestados?
3. Utilizando un procedimiento numrico simple discutido anteriormente, o un
programa de computadora, analizar los datos del experimento en la pregunta
1.
4. Disee un experimento de anlisis conjunto con al menos cuatro variables y
dos niveles de cada variable que sea apropiado para una decisin de
marketing. De esta manera, definir la regla composicin que va a utilizar, el
diseo experimental para la creacin de perfiles y el mtodo de anlisis. Use
por lo menos cinco encuestados para apoyar su lgica.
5. Cules son los lmites prcticos de anlisis conjunto en trminos de variables
o tipos de valores para cada variable? Qu tipo de problemas de eleccin se

7 de 8

ajustan mejor para analizarlos con el anlisis conjunto? Cules se ajustan

menos?

Normalmente, los modelos conjuntos estimados a nivel individual (un modelo

por individuo) se utilizan en una o ms de las siguientes reas de apoyo a la
toma de decisiones mediante la representacin de los procesos de decisin de
los individuos. Con resultados a nivel individual, se pueden representar
empricamente las preferencias de cada individuo. Los resultados agregados
conjuntos pueden representar grupos de individuos y ofrecer tambin un
medio de predecir sus decisiones en cualquier tipo de situacin. Las
aplicaciones ms comunes del anlisis conjunto con su representacin de la
estructura de preferencias del consumidor incluyen la segmentacin, anlisis
de rentabilidad y simuladores conjuntos.
6. Cmo aconsejara a un investigador de mercado a la hora de elegir entre los
tres tipos de metodologas conjuntas? Cules son los supuestos ms
importantes a considerar, junto con las ventajas y desventajas de cada
metodologa?

8 de 8