Caso Practico Unidad 3

Estudiante:
Martha Stella Rincón Gayón

Docente:
Camilo Mauricio Grillo

Corporación Universitaria Asturias

Administración y Dirección de Empresas
Plan de Marketing
2020
 1

Planteamiento

Ejemplo de análisis factorial para la toma de decisiones 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 presentará 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
 2

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:

1. Describir con claridad gran cantidad de datos cuantitativos y analizar las relaciones
existentes entre ellos.
2. Realizar estudios Multivariantes posteriores, como un Análisis Cluster, 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,...
 3

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.

Ejemplo práctico de análisis factorial

Una empresa especializada en el diseño de automóviles de turismo desea averiguar

cuáles son las preferencias más importantes del público que compra estos automóviles. 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 CARACTERISTICAS
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

Se trata de averiguar si estas diez variables pueden agruparse en pocos factores.

Tabuladas las encuestas los datos se ingresan al SPSS. Las variables (características
vehiculares) se ingresan como columnas y los datos de cada sujeto conforman una fila.
Inicialmente el SPSS arroja la respectiva Matriz de Correlaciones.

(Aunque sería necesario un curso sobre Estadística y SPSS, os detallo que, a

continuación, el SPSS nos ha proporcionado los resultados de los tests requeridos: Test de
Bartlett e Índice Kaiser-Meyer-Olkin, y los resultados obtenidos en los dos tests indican que
es posible continuar con el Análisis Factorial).
 4

De inmediato el SPSS nos proporciona la Tabla de Estadísticos Iniciales, en donde

todas las variables presentan la misma comunalidad junto con sus valores propios
(eigenvalues) así como los valores porcentuales y acumulados de la varianza explicada por
cada uno de los factores.

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.
VARIABLES CARACTERISTICAS
Que use gasolina normal (0.933)
Que se pague a plazos (0.923)
No Juvenil (-0.879)
Que sea barato (0.878)
No buenas prestaciones (-0.861)
Que tenga poco consumo (0.840)
No aerodinámico (-0.765)

El segundo factor (Factor 2) aglutina las siguientes características:

VARIABLES CARACTERISTICAS
Que sea confortable (0.900)
Que sea seguro (0.720)
Que tenga una gran capacidad (0.671)

A continuación el SPSS entrega la Tabla de Estadísticos Finales, donde se encuentra

que ha variado la “comunalidad” y que se ha reducido el número de factores. La variación en
las comunalidades es consecuencia directa de la reducción de los factores.
 5

Las comunalidades expresan la cantidad de información de cada variable representada

en los factores que quedan.

En la Tabla de Estadísticos Finales se puede observar que hay dos factores. De esta
forma se ha pasado de diez variables a tan sólo dos, produciéndose la pérdida de tan solo el
22.3% de la información original representada por las diez variables iniciales
 6

Vemos que las variables importantes siguen siendo las mismas y con coeficientes muy
parecidos, por lo que la interpretación no varía, y se reduce la complejidad del análisis y el
riesgo de error en el manejo de datos.

Conclusiones del ejemplo

Esto sólo ha sido un ejemplo de la necesidad de “cuantificar” la información de
Marketing para sacar conclusiones rigurosas.

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.

Finalmente, el manejo de herramientas de Marketing de Apoyo a las Decisiones debe

seguir la siguiente secuencia:

1) Recogida de Información - 2) Análisis de Datos - 3) Conocimiento - 4)

conclusiones. Sin esta “forma de pensar” corremos el riesgo de no ser rigurosos en la toma de
decisiones y, en consecuencia, mayor riesgo de errores
 7

Cuestiones
1. ¿Cuándo es oportuno realizar un análisis factorial? ¿Qué ventajas e inconvenientes
tiene esta técnica?

2. ¿Qué técnica multivalente de apoyo a las decisiones de marketing utilizaremos si

queremos segmentar el mercado?

Análisis

1. Los métodos de análisis factorial son apropiados cuando contamos con una
gran cantidad de variables, ya que tienen un alto poder de reducción de información y
facilitan el diseño y agregación de variables. El Análisis Factorial se utiliza comúnmente
en Marketing, para comprobar la validez de una serie de Items (preguntas) sobre las
preferencias de los consumidores, una encuesta por o un conjunto de respuestas o
puntuaciones en escala ordinal en torno a una dimensión,. En primer lugar se comprueba
la relación entre las variables mediante la Matriz de Correlaciones, requisito previo
indispensable para llevar a cabo este análisis estadístico

Ventajas
 Solución ad-hoc con alto poder de reducción de
 Da cuenta sistemáticamente del error de medición siendo más factible que pueda ser
aplicado a más problemas de productividad.
 Permite identificar relevantes dimensiones subyacentes de los datos
 Reduce el riesgo de contar varias veces atributos que están altamente correlacionados
 Los puntajes factoriales pueden ser guardados y usados en futuros análisis
 Contribuyen a la validación sistemática de escalas subjetivas

Desventajas
 El puntaje factorial final es de difícil interpretación
 La agregación y pesos puede variar cada vez que un nuevo dato es considerado,
dificultando la comparación temporal o entre diferentes contextos.
 No hay una solución única de agregación
 8

 La validez de los constructos identificados depende de la relevancia teórica de los

indicadores elegidos.
 Dificultad para trabajar con escalas ordinales.

2. Son muchas las técnicas utilizadas para segmentar y su uso está en función de lo que
necesitemos analizar y conocer de los clientes. Se clasifican en 3 grupos por ser
descriptivas, semidescriptivas y predictivas
DESCRIPTIVAS SEMIDESCRIPTIVAS PREDICTIVAS
Análisis de frecuencia Chaid Regresión Múltiple
Crosstabs RFM
Cluster Redes Neuronales

Ahora bien como técnica multivalente que nos ayuda a tomar decisiones, podríamos
sugerir el Análisis Conjunto, la cual nos sirve para entender como los encuestados desarrollan
preferencias en relación a productos o servicios. El Análisis Conjunto es una de las numerosas
técnicas para investigar situaciones donde una persona que toma decisiones tiene que escoger
entre varias opciones que simultáneamente varían entre dos o más variables.

El Análisis Conjunto se usa para determinar cómo la gente valora los diferentes atributos
de un determinado producto o servicio. El objetivo del análisis conjunto es determinar cuál es
la combinación de un limitado número de atributos de un determinado producto o servicio,
que más influye en la decisión de compra. Esta técnica estadística categoriza las percepciones
y preferencias de los clientes hacia los productos o servicios. Estas percepciones y
preferencias son luego evaluadas y agrupadas para buscar homogeneidad en los segmentos.
 9

Conclusiones

Dentro de las ciencias que se encargan de enriquecer al marketing, está la estadística,

área que permite tomar datos numéricos y transformarlos en conclusiones y probabilidades.

Con las técnicas estadísticas, podemos sacar conclusiones importantes sobre el éxito y
aceptación de las campañas, así como también establecer de manera acertada si las ventas
disminuyen o aumentan significativamente.

La importancia de las técnicas estadísticas en el marketing, radica en el buen uso de

todas las herramientas de medición que estén a nuestro alcance para poder hacer buen uso de
los recursos y de esta manera lograr un resultado que este enfocado en los objetivos iniciales.
 10

Referencias Bibliográficas

Análisis Estadístico en Marketing, enero 2018 (s f)., Recuperado de

https://estamatica.net/analisis-estadistico-marketing/

Usos del análisis factorial para la construcción y validación de escalas, (s f) Recuperado de

http://interwp.cepal.org/mmp/pres/15_An%C3%A1lisis_Factorial_Escalas.pdf

Gerencia de Mercadeo, Técnicas Estadísticas Multivariante , Ayala Ruiz L.E. Recuperado de

http://3w3search.com/Edu/Merc/Es/GMerc039.htm