1. 1) Antecedentes
2. 2) Problema / Oportunidad
3. 3) Propósito
4. 4) Objetivos
5. 5) Segmento Objetivo
6. Análisis
6.1. a) Multivariante Factorial
6.1.1. Definiciones
6.1.1.1. Factor: variable no observable, combinación lineal de las variables originales
6.1.1.2. Carga factorial: correlación entre el factor y las variables
6.1.1.3. Autovalor: representa el valor de las varianzas originales
6.1.1.3.1. Si es mayor a 1 el factor esta explicando que en mucha mayor medida que por si solo
6.1.1.3.2. Si es menor a 1 no te explica mas información que la variable por si sola.
6.1.1.4. Porcentaje de la varianza: es el % que me explica ese factor
6.1.1.5. Porcentaje de la varianza acumulada: cuando tengo el 70% en la varianza acumulada me quedo con ese factor
6.1.1.6. Comunalidad: representa el porcentaje de la varianza que es explicada por los factores (tabla factor pattern)
6.1.1.7. Rotación de factores: cada vez que los factores son rotados, el patrón de cargas cambia y la interpretación también. Existen rotación oblicua donde cada factor carga alto (1) en un numero pequeño de variables y bajo (0) en otras.
6.1.1.7.1. Rotación ortogal: cuando se rotan los factores no están correlacionados (VARIMAX)
6.1.1.7.2. Rotar los factores significa acercarlos a las variables, es decir hacer que las cargas factoriales se definan y permitan determinar qué variable se asocia a qué factor
6.1.2. 2 principales objetivos:
6.1.2.1. Reducir la cantidad de variables
6.1.2.1.1. Se usa con el procedimiento de análisis de componentes principales
6.1.2.2. Cuales son las variables que explican lo mismo
6.1.2.2.1. Se usa con el análisis de factor común
6.1.3. Criterios para determinar la cantidad de variables
6.1.3.1. 1) Eigen Value: representa el monto de la varianza de las variables que se asocia a los factores. Solo se consideran factores que tenga Eigen Value >1
6.1.3.2. 2) Grafico (contraste caída): pendiente es el numero de factores
6.1.3.3. 3) Porcentaje de la varianza explicada: mayor a 70%
6.1.3.4. 4) Significancia estadística:
6.1.4. Validación:
6.1.4.1. Se separa la muestra en dos; se hace un análisis con las muestras en paralelo y si es el mismo esta bien hecho
6.2. b) Discriminante
6.2.1. Objetivo
6.2.1.1. Identificar entre las variables utilizadas, cuales son las importantes, las que marcan diferencias en los grupos. Los grupos hay que definirlos a priori
6.2.1.2. Maximizar la varianza entre grupos relativas a la varianza dentro del grupo
6.2.1.3. Permite generar individuos que quedan fueran de la muestra
6.2.1.4. No debe de existir multicolinealidad
6.2.2. Centroide
6.2.2.1. Media del grupo que se obtiene e la puntuación (z) de cada individuo
6.2.2.2. El numero de centroides va a ser igual al numero de grupos e indica la posición mas típicas de los individuos en un grupo
6.2.2.3. Test de significancia funciones discriminantes:
6.2.2.3.1. Cuando la superposición en la distribución es baja, se separo bien los grupos y cuando es alta no se discriminaron bien.
6.2.3. Hit ratio
6.2.3.1. Para ver si el porcentaje esta bien clasificado se saca el promedio de la diagonal y se compara al grupo de mayor porcentaje. El promedio tiene que ser mayor al solo
6.2.4. Significancia
6.2.4.1. Busco rechazar la hipótesis nula
6.2.4.1.1. p < 0,05
6.2.4.2. Wilk`s Lambda se busca que lo rechacen y se ve observando prob > F, menor a 0,05
6.2.4.2.1. Si no se cumple no vale la pena hacer un análisis discriminante
6.2.4.3. Si es que vale la pena se pasa al paso de ver cuales son las variables que ayudan a discriminar
6.2.4.3.1. p < 0,05. Si se rechaza HN, la variable si permite discriminar
6.2.5. Clasificación y validación
6.2.5.1. 1) Método de retención: se divide la muestra en 2. Primero dejamos la matriz de clasificación y luego se valida con hit-ratio
6.2.5.1.1. Con una parte se estimula el modelo y con la otra se prueba su capacidad predictiva
6.2.5.2. 2) Método de cross-validation: retiene una observación a la vez para poder estimar la función discriminante, para luego usarla para validar, repitiendo hasta que todas queden bien clasificadas
6.2.5.3. 3) Criterio máxima probabilidad: la probabilidad de asignación depende del tamaño del mayor grupo
6.2.5.4. 4) Criterio de probabilidad proporcional: las observaciones son asignadas en ase a sus proporciones originales
6.2.6. Supuestos
6.2.6.1. Normalidad de variables explicativas, no existencia de outliers, no existencia de multicolinealidad e igualdad de matrices de var-cov entre grupos
6.2.7. Limitaciones
6.2.7.1. Pueden existir correlaciones entre las variables independientes
6.2.7.2. Pueden existir correlaciones con variables omitidas en el modelo
6.2.7.3. Exige que variables independientes tengan distribución normal y que tengan la misma matriz de covarianza
6.2.8. Criterios
6.2.8.1. Aleatoriedad
6.2.8.2. Aleatoriedad + 25%
6.2.8.3. Grupo mayoritario
6.3. c) Cluster
6.3.1. Objetivo
6.3.1.1. Quiero agrupar objetos o individuos en ciertos grupos pero estos grupos no los tengo definidos desde antes
6.3.1.2. Los objetos dentro del grupo son homogéneos, la gente esta agrupada porque son similares entre ellos
6.3.2. Similitud
6.3.2.1. Se mide con la distancia entre cada par de observaciones. Se usa la distancia euclidiana
6.3.2.2. Menos distancia, mayor similitud
6.3.3. Formación de los clusters
6.3.3.1. se combinan hasta formar solo un conglomerado.
6.3.3.2. Dendograma: representación gráfica de como se forman los cluster
6.3.4. Cuantos grupos formo
6.3.4.1. Va a depender de de la medida de la similitud. Llega un punto en que si incorporo una mas y no es tan relevante, no quiero perder homogeneidad
6.3.5. Como los voy formando
6.3.5.1. Jerárquica
6.3.5.1.1. Ventajas
6.3.5.1.2. Si es que hago un dendograma es con jerárquico
6.3.5.1.3. Desventajas
6.3.5.2. No jerárquica
6.3.6. Validación
6.3.6.1. Análisis Discriminante
6.3.6.1.1. La variable dependiente sería el grupo al que pertenece el objeto y las variables independientes aquellas con las que se formaron los cluster. Si aparecen variables independientes significativas, entonces el análisis de cluster es validado.
6.3.6.2. Test Anova
6.3.6.2.1. Tomaría los grupos y vería para variables cuantitativas como la edad por ejemplo, si existen diferencias significativas entre los grupos que me digan que son distintos
6.4. d) Conjunto
6.4.1. Ayuda a seleccionar atributos o características para ofrecer un nuevo producto o servicio: probar un nuevo concepto, establecer precios, predecir nivel de venta.
6.4.2. Problema
6.4.2.1. Preferencia hacia varios atributos puede estar en conflicto y puede no existir los recursos suficientes para satisfacer todas las preferencias.
6.4.2.2. También puede que los atributos no sean relevantes para los usuarios
6.4.2.3. Niveles no representen a los usuarios
6.4.2.4. La utilidad depende de los niveles definidos
6.4.3. Como se obtiene la data (input)
6.4.3.1. Dando a los encuestados una descripción de conceptos que representan posibles combinaciones de niveles atributos
6.4.3.2. Después se evalúa gusto en general, intención de compra o preferencia
6.4.3.3. Luego se asignan valores para cada nivel de atributo
6.4.3.4. Al sumar las utilidades se iguala el valor total del concepto, debiera ser similar o igual al orden de clasificacion del encuestado.
6.4.4. Interpretación de la importancia del atributo
6.4.4.1. Entre mas grande es la diferencia entre los distintos niveles de atributo, mayor es la importancia del atributo
6.4.4.2. Tener en cuenta los extremos
6.4.5. Revelar los jucicios
6.4.5.1. 1) Full Porfile
6.4.5.1.1. Se utiliza configuración completa del producto
6.4.5.1.2. Se le pide al encuestado que ordene por preferencia
6.4.5.1.3. Se le pide que mida sobre una escala de intención de compra
6.4.5.1.4. Esto es mas realista porque cuando uno evalúa algo, no evalúa si tiene dos cosas sino que como un pack
6.4.5.1.5. Mas sencillo para el encuestado pero es complejo acordarse de cada atributo
6.4.5.2. 2) Trade-off
6.4.5.2.1. Considera 2 atributos de forma simultanea
6.4.5.2.2. Preferencia en combinación
6.4.5.2.3. Muy tedioso porque el entrevistador se puede perder
6.4.5.2.4. Respuesta estándar porque se quiere terminar
6.4.5.3. --> Evidencia dice que se llega a resultados similares
6.4.6. ** Para sacar las distancias entre los atributos se resta los con mayor distancia
6.4.7. Una correlación cercana a 1 parece un buen modelo
6.4.8. Mayores conciencias dan una mayor participación de mercado
6.5. e) Mapas perceptuales
6.5.1. Procedimiento que nos permite determinar la imagen percibida relativa de un conjunto de objetos
6.5.2. Propósito
6.5.2.1. Transformar las preferencias de un consumidor en distancias representadas en un espacio multidimensional
6.5.3. Construcción de mapas perceptuales
6.5.3.1. 1) Datos de atributos: el análisis se nutre de un análisis factorial (generar dimensiones que maximicen la interpretación y la explicación de varianza) o de un análisis discriminante (generar dimensiones que discriminen o superen los objetos lomas posible)
6.5.3.1.1. Acordarse que el mapa es con muchas flechas con caracteristicas
6.5.3.1.2. Ventajas:
6.5.3.1.3. Desventajas:
6.5.3.1.4. Técnica por correspondencia
6.5.3.2. 2) Datos de no atributos: análisis de similitud (que tan parecido son este objeto o marca con este otro) o análisis de preferencia (cuales prefieres este con este), basicamente hay que preguntar que tanto prefiere de una marca o la otra o que tan similar es con la otra marca CLAVE EL PREGUNTAR POR MARCA NO POR ATRIBUTO
6.5.3.2.1. Acordarse que el mapa solo tiene flechas con las marcas
6.5.4. Como se forman
6.5.4.1. Casi todos a través del análisis de interdependencia menos el de análisis de discriminante
7. 6) Diseño/ Metodología
7.1. Información Secundaria
7.1.1. Aun que haya sido recopilado para un propósito distinto, si nos puede entregar info suficiente para resolver un problema
7.1.2. Beneficios: bajo en costo y tiempo, menos esfuerzo del empleado
7.1.3. Desventajas: son recolectados para otros fines, pueden estar obsoletos, no ser muy exactos
7.1.4. Internas: info que levantan las empresas: se tiene info inmediata (Ejemplo: base de clientes, ingresos, etc)
7.1.5. Externas: estimación de la demanda (censos, precio, nº de competencia), se tiene que considerar por quien, por que y como fueron recolectados los datos. Se tiene que validar la consistencia con otra fuente.
7.1.6. Fuentes estandarizadas: entre mas especifica y local sea la necesidad de información, menor es la probabilidad de encontrar datos secundarios relevantes. Esto es que el canal de distribución es largo por lo que se pierde el conocimiento
7.1.6.1. 1) Auditorias en tiendas: permite saber cuanto producto se mueve a través del canal de distribución
7.1.6.2. 2) Paneles de consumidores: muestra representativa de hogares. (Rating)
7.1.6.2.1. Ventajas: bueno para hacer cuasiexperimentos, preciso, mide los cambios del comportamiento del cliente, se puede ver la estimación de la demanda
7.1.6.2.2. Desventajas: posibilidad de sesgos de selección, efecto mortalidad, efecto prueba, se cambia de marca
7.1.6.3. 3) Sistemas de Scanner
7.1.6.4. 4) Sistemas de fuentes únicas de datos: combina datos de scanner, paneles y mediciones de TV
7.2. Información Primaria
7.2.1. Método cualitativo
7.2.1.1. Exploratorio
7.2.1.1.1. Entrevistas en profundidad
7.2.1.1.2. Focus Group
7.2.1.1.3. Técnicas proyectivas
7.2.1.2. Profundizar de como las personas piensan y sienten, a través de la comprensión de sus actitudes, motivaciones y creencias
7.2.1.3. Ayuda a entender datos de la investigación cuantitativa
7.2.1.4. Problemas: los resultados no son necesariamente representativos de la población, es solo una fotografía del momento
7.2.2. Método cuantitativo
7.2.2.1. Descriptivo
7.2.2.1.1. Encuestas
7.2.2.2. Causal
7.2.2.2.1. Experimentos
7.2.2.2.2. ¿Qué constituye la causalidad?
7.2.3. Cuestionarios: instrumento de medición
7.2.3.1. Permite medir el comportamiento del segmento, actitudes y conocimientos del tema y aquellas característica relevantes
7.2.3.2. Pasos
7.2.3.2.1. 1) Planear que medir: que información especifica queremos obtener de cada participante
7.2.3.2.2. 2) Determinar tipo de cuestionario y método
7.2.3.2.3. 3) Formular preguntas para obtener información que se necesita
7.2.3.2.4. 4) Decidir el orden y redacción de las preguntas
7.2.3.2.5. 5) Decisiones de secuencia y diseño
7.2.3.2.6. 6) Pruebas previas y corrección de problemas
7.2.3.3. Validez: medida de actitud en su capacidad de medir lo que se quiere medir
7.2.3.4. Confiabilidad: es cuan estables son en el tiempo las mediciones usando el mismo instrumentos en el mismo encuestado
7.2.3.5. Niveles de medición
7.2.3.5.1. 1) Nominal
7.2.3.5.2. 2) Ordinal
7.2.3.5.3. 3) Intervalo
7.2.3.5.4. 4) Razón o de ratios
7.2.3.6. Escalas de Medición
7.2.3.6.1. Escalas de actitud
7.3. Observación
7.3.1. Se observa el comportamiento y como reacciona a diferentes circunstancias
7.3.2. Ventajas: detalle de los datos conductuales, útiles cuando se investigan grupos pocos cooperadores
7.3.3. Desventajas: incapacidad de explicar conductas y motivaciones, percepción selectiva, consumen mas tiempo, problemas éticos
7.3.4. Tipos:
7.3.4.1. Directa: voy ahí mismo
7.3.4.2. Diseñada
7.3.4.3. Rastreo físico: estadística para ver cuando hay mayor o menos flujo de personas
7.3.4.4. Humanística- Etnográfica: entro en el mundo de las personas
7.3.4.4.1. No es solo observación sino que también mezcla, entrevistas, focus group, etc
7.3.4.5. Mistery Shooper: se hacen pasan por un cliente incognito
7.3.4.6. Eye-tracking
8. 7) Muestreo
8.1. Error en el muestreo
8.1.1. Error total: diferencia entre el valor verdadero de la variable de interés (población) y el valor observado (muestra)
8.1.1.1. Error muestral: error entre el parámetro de la población y la muestra solo se debe al muestreo
8.1.1.2. Error no muestral: error que depende al momento de encuestar
8.2. Censo vs Muestra
8.2.1. Censo: cuando a todas las personas le preguntan lo mismo
8.2.1.1. Es apropiado cuando:
8.2.1.1.1. Tamaño de la población pequeño
8.2.1.1.2. Se necesita información de todas las personas de la población
8.2.1.1.3. Errores de muestreo son altos
8.2.1.1.4. Costo de una decisión incorrecta es muy alto
8.2.2. Muestra: extracto de la población y tiene que ser representativa de esta.
8.2.2.1. Es apropiado cuando:
8.2.2.1.1. Tamaño de la población es grande
8.2.2.1.2. Costo y tiempo es alto
8.2.2.1.3. Necesito una decisión rápida
8.2.2.1.4. Población homogénea
8.2.2.1.5. Censo es imposible
8.3. Pasos
8.3.1. 1) Identificar el target
8.3.1.1. Se debe elegir la población que le convenga a la muestra y que sea adecuada al propósito
8.3.1.2. Elementos de la muestra (hombres y mujeres), unidades de muestreo (que realicen deporte, la edad), área de cobertura o alcance (el lugar donde se va a realizar)
8.3.2. 2) Determinar el marco muestral
8.3.2.1. Lista de miembros de la población que se usa para obtener una muestra
8.3.2.2. Problemas:
8.3.2.2.1. Incompletas
8.3.2.2.2. Desactualizadas
8.3.2.2.3. Repetidas
8.3.2.2.4. Subconjunto
8.3.2.2.5. Superconjunto
8.3.3. 3) Seleccionar el procedimiento de muestreo
8.3.3.1. Muestreo Probabilístico:
8.3.3.1.1. a) Muestreo simple: cada miembro de la población tiene la misma probabilidad de ser seleccionado
8.3.3.1.2. b) Muestreo sistemático: se distribuye la muestra entre la lista de los miembros de la población
8.3.3.1.3. c) Muestreo estratificado:
8.3.3.1.4. d) Muestreo por conglomerado:
8.3.3.2. Muestreo no probabilístico
8.3.3.2.1. a) Muestreo por conveniencia
8.3.3.2.2. b) Muestreo por juicio o criterio
8.3.3.2.3. c) Muestreo de bola de nieve
8.3.3.2.4. d) Muestreo por cuotas:
8.3.3.3. Problemas de representatividad
8.3.3.3.1. Estructura de la muestra distinta a la de la población
8.3.3.3.2. Problema de procedimiento
8.3.3.3.3. Problemas de rechazo o no respuesta
8.3.4. 4) Calcular el tamaño de la muestra
8.3.4.1. tiene que ver en como se comportan los parámetros en la población, estos parámetros son desconocidos, por lo que tengo que estímalos.
8.3.4.2. Lo que determina el tamaño de la muestra
8.3.4.2.1. Tamaño de la población
8.3.4.2.2. Variabilidad de los datos
8.3.4.2.3. Error estadístico