Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
2019
PLAN DE MARKETING
2019
INTRODUCCIÓN
En fin, lo que se pretende con el análisis factorial, es simplificar la información que nos
da una matriz de correlaciones para hacerla más interpretable.
Por otro lado las técnicas de análisis estadísticos multivariante, son hoy en día parte
integral de la mayoría de los estudios estratégicos de mercado a gran escala, lo que
obliga a que los practicantes de mercadeo deban aprender para que sirven y además,
como se aplican.
CASO PRÁCTICO – UNIDAD 3 – PLAN DE MARKETING
El Análisis Factorial tiene sus orígenes en los trabajos iniciados por Charles
Spearman en 1.904, donde trataba de analizar la causa de que las puntuaciones obtenidas
por un grupo de alumnos en distintas materias presentarán altas correlaciones. Los
estudios de Spearman, pusieron de manifiesto la existencia de un factor común en todas
las calificaciones, que da una medida de la inteligencia de los alumnos, y que explicaría
las altas correlaciones existentes, y, otro factor, específico de cada alumno, que sería el
responsable de la parte residual de las calificaciones.
Actualmente, el Análisis Multivariante se utiliza para obtener medidas de variables
tales como aptitud para las ventas, resistencia a la innovación, aceptación de nuevos
productos, etc. Así por ejemplo, una empresa que desea lanzar un nuevo artículo al
mercado, y quiere realizar un estudio acerca de la aceptación de dicho artículo, puede, a
través de una encuesta con cuestiones que midan una serie de variables, obtener una
medida de la "variable no observable" que pretende analizar.
Dentro del Análisis Factorial, podemos distinguir dos técnicas que, si bien tienen el
mismo tratamiento matemático, sus objetivos son distintos: El Análisis de Componentes
Principales y el Análisis Factorial de Correlaciones.
El Análisis de Componentes Principales tiene como objetivo reducir la dimensión de
un problema, en el sentido de que un número grande de variables iniciales, se puede
reducir a uno menor de nuevas variables , denominadas Componentes, que son
combinación lineal de las originales y que además son incorrelacionadas entre sí. La
reducción no supone en ningún caso pérdida de la información relevante proporcionada
por las primeras variables.
Las nuevas variables o Componentes, se pueden utilizar con múltiples objetivos, tales
como:
Describir con claridad gran cantidad de datos cuantitativos y analizar las
relaciones existentes entre ellos.
Realizar estudios Multivariantes posteriores, como un Análisis Clúster, o construir
un modelo de Regresión utilizando los pocos datos dados por las Componentes en lugar
de los muchos proporcionados por las variables iniciales.
El Análisis Factorial de Correlaciones, se puede considerar, en cierta manera, como
un método de reducción de datos, en cuanto que el número inicial de variables, se reduce
a un número inferior de Factores, pero, el objetivo de este método Multivariante, es
precisamente, identificar y cuantificar estos Factores Comunes.
Por otro lado, el Análisis de Componentes Principales no exige condiciones previas
acerca de la estructura de los datos de partida, mientras que el Análisis Factorial de
Correlaciones, supone la existencia de un Modelo que ha generado dichos datos.
Además, dentro del Análisis Factorial de Correlaciones, se puede tener, o no,
conocimiento del número de Factores Comunes. Cuando no existe tal conocimiento, nos
encontramos ante un problema de Análisis Factorial Exploratorio, En otro caso, el
Análisis Factorial Confirmatorio se encargará de verificar un modelo factorial dado.
En cualquier caso, el Análisis Factorial de Correlaciones debe:
1. Identificar los Factores Comunes existentes en el modelo.
2. Obtener las relaciones entre las variables iniciales y los Factores Comunes.
3. Proporcionar una interpretación de los Factores Comunes.
Los resultados obtenidos por el Análisis Factorial de correlaciones sirven de base
para otras técnicas como análisis Cluster, discriminante, regresión,...
Como conclusión teórica sobre el Análisis Factorial decir que éste reduce la
multiplicidad de pruebas y medidas hasta lograr una sencillez notable. Indica qué
pruebas y medidas pertenecen al mismo grupo y cuáles miden prácticamente lo mismo.
Por lo tanto, reduce el número de variables y ayuda a localizar o identificar unidades
o propiedades fundamentales en que se deben basar las pruebas.
Con este fin diseña una encuesta de diez preguntas y se la aplica a un grupo de
potenciales clientes. Se les pide que valoren de 1 a 5 cada una de las características. A
mayor puntuación mayor preferencia de la característica. Estas diez características son:
VARIABLES CARACTERÍSTICA
V1 Que sea barato
V2 Que se pague a plazos
V3 Que tenga poco consumo
V4 Que use gasolina normal
V5 Que sea seguro
V6 Que sea confortable
V7 Que tenga gran capacidad
V8 Que de buenas prestaciones
V9 Que sea juvenil
V10 Que sea aerodinámico
Los datos conseguidos con el programa SPSS (sobre Estadísticos Iniciales) destacan
nítidamente dos variables: “Aerodinámico” (con un eigenvalue de 5.70 acumula el 57%
de la varianza explicada) y “Barato” (con un eigenvalue de 2.07 acumula el 20.7% de la
varianza explicada). Estas dos variables juntas, acumulan el 77.7% de la varianza
explicada.
Luego, el SPSS da la primera Matriz Factorial (No Rotada) que presenta la “Carga
Factorial” (correlaciones entre las variables iniciales y los “factores” recién creados).
En el caso de nuestro estudio se aprecia que se han extraído dos factores. El primer
factor (Factor 1) presenta una mayor cantidad de variables altamente correlacionadas.
Hay que tener en cuenta que, el primer factor antes de la rotación es el que mejor
discrimina.
El Análisis Factorial es una de las técnicas más útiles para el análisis (en Marketing y
otras disciplinas) la cual, gracias al desarrollo de la informática, puede ser aplicada
actualmente con relativa facilidad. Además, brinda la posibilidad de optar entre
diferentes procedimientos de acuerdo a los objetivos del estudio, lo que confiere a este
análisis la posibilidad de buscar la solución más precisa, desde el punto de vista
matemático y, la más elegante, desde el punto de vista estético.
Como conclusión empírica podemos indicar que las diez variables consideradas
inicialmente han quedado reducidas a dos factores: “economía” y “seguridad”. Se ha
pasado de diez variables a dos, produciéndose la pérdida de tan sólo el 22.3% de la
información original representada por las diez variables iniciales. Por tanto, puede
aplicarse una encuesta de sólo 2 ó 3 items, por ejemplo: a) Que sea económico; b) Que
sea seguro; c) Que no sea deportivo.
Cuestiones
RESPUESTAS/
Por ejemplo, los factores psicográficos identificados pueden utilizarse como variables
independientes, al explicar las diferencias entre los consumidores leales y los no leales.
VENTAJAS:
- Reducción de la dimensionalidad de los datos. Su propósito último consiste en
buscar el número mínimo de dimensiones capaces de explicar el máximo de información
contenida en los datos.
- Solución ad-hoccon alto poder de reducción de datos.
INCONVENIENTES
- Los factores que aparecen sólo pueden venir de las respuestas a las preguntas que
usted hace. Si usted no pregunta acerca de los hábitos de sueño, por ejemplo, entonces
no aparecerá ningún factor relacionado con los hábitos de sueño. Por otro lado, si usted
pide solamente sobre los hábitos de sueño, entonces nada más puede aparecer. La
selección de un buen conjunto de preguntas es complicado, y diferentes investigadores
elegirá diferentes grupos de preguntas.
- La agregación y pesos puede variar cada vez que una nueva data es considerada,
dificultando la comparación temporal o entre diferentes contextos.
Análisis Discriminante.
Esta técnica es útil para comparar las diferencias entre segmentos o para predecir la
pertenencia a un grupo. El análisis discriminante se ejecuta mediante ecuaciones
generadas por computador. Para llevar a cabo un análisis discriminante existen dos
procedimientos y propósitos distintos. El primero es el análisis discriminante predictivo
que se usa para optimizar las funciones predictivas. El segundo procedimiento es el
análisis discriminante clasificativo que usa las funciones predictivas derivadas del
primer procedimiento, bien sea para clasificar conjuntos recientes de datos
correspondientes a grupos de conformación conocida, o para clasificar nuevos conjuntos
de observaciones pertenecientes a grupos de conformación desconocida.
CONCLUSIÓN
En este trabajo hemos podido ver, que un análisis factorial es oportuno utilizarlo para
descubrir agrupaciones de variables, para identificar las dimensiones subyacentes o
factores, que explican las correlaciones entre un conjunto de variables, para identificar
un conjunto nuevo y más reducido de variables no correlacionadas, para identificar un
conjunto más reducido de variables que sobresalen en un conjunto.
Igualmente hemos podido ver como el análisis factorial se utiliza para identificar
factores que expliquen una variedad de resultados en diferentes pruebas.
BIBLIOGRAFIA
https://ebookcentral.proquest.com/lib/uniasturiassp/reader.action?
docID=5214046&query=plan%2Bde%2Bmarketing
https://ebookcentral.proquest.com/lib/uniasturiassp/reader.action?
docID=3195470&query=plan%2Bde%2Bmarketing
https://www.centro-
virtual.com/recursos/biblioteca/pdf/plan_marketing/unidad3_pdf1.pdf
https://www.centro-
virtual.com/recursos/biblioteca/pdf/plan_marketing/unidad3_pdf2.pdf
https://www.centro-
virtual.com/recursos/biblioteca/pdf/plan_marketing/unidad3_pdf3.pdf