IN5625 - INVESTIGACIN DE MERCADOS

Posicionamiento

Andr Carboni
Semestre primavera 2012

Estamos aqu

Definicin del problema

Desarrollo del enfoque

Formulacin del diseo de inv.

Trabajo de campo

Preparacin y anlisis de campo

Conclusiones e informe

POSICIONAMIENTO

Entendiendo al consumidor

Inputs
(estmulos)

Conjunto de
caractersticas
del producto/
marca

Construcciones
Perceptuales

Objetivos/
concretos

Bsqueda
informacin

Simblicos

Ambigedad de
estmulos

Sociales

Atencin

Construcciones
Aprendizaje

Outputs

Sesgo
perceptual

Simplificacin modelo de comportamiento del comprador de Howard - Sheth

4

Problema de marketing asociado

No basta con que un producto/marca tenga una buena propuesta de beneficios

bsicos que ofrecer al consumidor debe tener un posicionamiento diferenciado
del de su competencia que agregue valor para el consumidor

En muchos mercados slo hay un pequeo espacio para dar cabida a

productos/marcas similares Un nuevo producto/marca que est posicionado en
el mismo lugar que otro ya existente tiene pocas probabilidades de xito

Lograr un buen posicionamiento requiere conocer y entender las dimensiones

utilizadas por los consumidores para percibir un nuevo producto/ marca, cmo los
productos/ marcas existentes se ubican sobre estas dimensiones y qu
importancia relativa tienen estas dimensiones para el consumidor

Detectar nichos de mercado para un nuevo producto o diferenciarse de la

competencia slo se puede lograr posicionando el producto/ marca en cuestin
en una ubicacin nica, sobre atributos de relevancia para el consumidor.

Anlisis de posicionamiento
Problema de Marketing asociado:
El anlisis de posicionamiento es un input para determinar la
propuesta de beneficios bsicos de un nuevo producto/ marca y la
articulacin de una campaa comunicacional y promocional
efectiva. La idea es asegurarse de que los consumidores perciban el
nuevo producto/ marca tal como se pens inicialmente

Segmentacin
1. Identifique las
variables de
segmentacin y los
segmentos.
2. Desarrolle el perfil de
cada segmento.

Targeting
3. Evale la atractividad
de cada segmento.
4. Seleccione el(los)
segmento(s)
objetivo(s).

Posicionamiento
5. Identifique el
concepto de
posicionamiento para
cada segmento.
6. Disee las estrategias
de 4P apropiadas.

Percepciones y posicionamiento
Existe evidencia respecto a que los consumidores tienden a
simplificar sus juicios mentales de percepcin reduciendo el
nmero de dimensiones a manejar, de esta manera las personas
evitan un estrs cognitivo y una sobrecarga de informacin (en
general, no ms de 7 dimensiones)
Por tanto, para entender el mercado, mejorar la creatividad de
las soluciones, modelar a los consumidores con precisin y usar
los modelos de preferencia e intencin de compra, se debe
analizar cuidadosamente los atributos perceptuales relevantes y
reducirlos a un conjunto de factores subyacentes
Dado que las dimensiones ms importantes son aqullas que el
consumidor usa para seleccionar un producto, es bsico
comenzar conociendo las dimensiones sicolgicas que
conforman su estructura de conocimiento

Percepciones y posicionamiento
Para determinar la estrategia ms apropiada a seguir los ejecutivos de
Marketing necesitan identificar:
N de dimensiones perceptuales subyacentes en el mercado
Nombres de esas dimensiones
Ubicacin de los productos/ marcas existentes sobre dichas dimensiones
Dnde est el producto/ marca ideal para el consumidor sobre esas dimensiones

Qu importancia relativa tienen estas dimensiones para el consumidor

Las caractersticas fsicas del producto/ marca que sustentan el
posicionamiento perceptual

Los 4 primeros puntos se determinan mediante el anlisis de imagen y

posicionamiento.
El 5 punto se soluciona a travs del anlisis de preferencias.

Preguntas bsicas sobre los consumidores

Qu compran?
Cantidad, marcas, caractersticas, ocasiones de uso

Dnde y cundo compran?

Cmo eligen?
Proceso, fuentes de informacin, participantes

Por qu seleccionan la categora de producto?

Hbitos y Actitudes

Marco de anlisis del consumidor

Puntos relevantes:
Productos y servicios como un conjunto de atributos que
ofrecen beneficios.
Percepciones de los consumidores sobre los atributos.
Preferencias de los consumidores por los atributos.
Decisin de compra de los consumidores.
Este tipo de estudios se denominan Estudios Base e
incorporan una parte de imagen y preferencias, y otra de
hbitos de compra/consumo.
Generalmente se comienza por la seccin de imagen y
preferencias, y despus la etapa de hbitos para no
influenciar las percepciones.

Contenidos del estudio base

Imagen y Posicionamiento + Preferencias
Conocimiento espontneo y ayudado de marca (top of mind, unaided brand
awareness, aided brand awareness). Conocimiento espontneo y ayudado de
publicidad.
Prueba, uso, abandono, preferencia y rechazo de marcas. Razones.
Atributos espontneos del producto.
Importancia de atributos ayudados.
Evaluacin de atributos ayudados para las marcas relevantes.

Hbitos de Compra

Lugar de compra.
Frecuencia de compra.
Marca(s) comprada(s) y marca preferida. Razn de compra.
Cantidad comprada.
Precio percibido.
Conducta de compra (automtica, compara marcas, precio).
Influenciadores en la decisin de compra.

Contenidos del estudio base

Hbitos de Consumo

Lugar de consumo (casa, trabajo, medio de transporte, etc.).

Parte del da y da de la semana.
Actividad que realiz en el momento del consumo.
Slo/acompaado (quines y cuntos).
Otras categoras consumidas simultneamente.
Cantidad consumida, marca, variedad.
Beneficios buscados en esa ocasin de consumo.

Enfoques de las tcnicas

Tcnicas de descomposicin:
Descomponen distancias explcitas en un conjunto de atributos
que estn implcitos en estas relaciones.
Requiere de datos basados en comparaciones holsticas entre
objetos.
La tcnica de descomposicin ms conocida es escalamiento
multidimensional (MDS).
Tcnicas de composicin:
Generan distancias implcitas entre objetos a partir de la
evaluacin explcita que reciben en un conjunto de variables.
Requiere de datos basados en evaluaciones de objetos en
atributos.
Las tcnicas de composicin ms conocidas son anlisis factorial
y anlisis de correspondencia.

ESCALAMIENTO MULTIDIMENSIONAL
(MDS)

Conceptos bsicos del MDS

MDS es una clase de procedimientos para hacer una
representacin espacial de las percepciones y preferencias
de los encuestados, por medio de una presentacin visual.
Las relaciones percibidas o psicolgicas entre estmulos se
representan como relaciones geomtricas entre puntos de
un espacio multidimensional Mapas espaciales
MDS se usa en la investigacin de mercados para
identificar:
El nmero y la naturaleza de las dimensiones
El posicionamiento de las marcas en las dimensiones
El posicionamiento de una marca ideal en las dimensiones

Ejemplo

Cmo funciona MDS?

A

2.2

B
1

Solucin
directa

A
0

Solucin NO
directa

2
A

Mejor
solucin

B
2

2,2
C

cmo funciona MDS?

Se trata de un programa iterativo que puede posicionar con xito un conjunto

de disimilaridades ordenadas sobre distintas dimensiones

Objetivo de la calibracin del modelo:

Minimizar la funcin S denominada Stress

INPUT: ij disimilaridad entre el elemento i y el elemento j (distancia

sicolgica); con i, j = 1, 2, ..., m; i j

OUTPUT: xi = (Xi1, Xi2, ..., Xir) vector de posicin del elemento i sobre las
dimensiones 1 hasta r; con i = 1, 2, ..., m

dij es la distancia entre xi y xj

^dij es un nmero tan cercano a su respectivo dij como es posible, sujeto a ser
una funcin monotnica del ij original ( ij kl ^dij ^dkl)
^

d ij d ij

i j
m

d
i j

2
ij

Realizacin de un MDS

Planteamiento del problema

Obtencin de datos de entrada

Eleccin de procedimiento de MDS

Decisin sobre el nmero de dimensiones

Asignacin de etiquetas a las dimensiones

Planteamiento del problema

Propsito para el que se utilizarn los resultados
Elegir las marcas/estmulos a comparar
Marcas elegidas determinan las dimensiones.
Cuidado: Depende mucho del juicio, si en un estudio de
automviles no se incluyen marcas de lujo, no aparecer
dicha dimensin.

Como mnimo 9 marcas.

Obtencin de los datos

Los datos de entrada pueden ser de dos tipos:
1. Percepciones:
Enfoques directos Juicios de semejanza, se pide a los
encuestados juzgar qu tan semejantes o diferentes son las
diversas marcas o estmulos. Se evalan n*(n-1)/2 pares.
Ej: Indique de 1 a 9 qu tan semejantes son las marcas
(1 = poco semejantes, 9 = muy semejantes).
Marca A

Marca B

Marca C

Marca A

Marca B

Marca C

Marca D

Marca D

Obtencin de los datos

Enfoques derivados Calificaciones de los atributos, se pide
a los encuestados calificar (segn escala de likert o diferencial
semntico) los estmulos en los atributos definidos.
Ej: Colgate:
Blanquea
Previene caries

No blanquea

No previene

1. Preferencias:
Ordenan las marcas o estmulos en trminos de la preferencia
de los encuestados por alguna propiedad Ordenar las
marcas de la ms a la menos preferida.

Eleccin del procedimiento de MDS

MDS no mtrico: supone datos de entrada ordinales, pero
producen salida mtrica (intervalo o razn) El mapa de
distancias se ajusta a una escala de intervalo.
MDS mtrico: supone datos de entrada mtricos, la salida
tambin es mtrica. Se mantiene relacin ms fuerte entre
datos de entrada y de salida.

Ambos generan resultados similares

Ojo: Supuesto importante del MDS: Todos los individuos
evalan las marcas segn las mismas dimensiones.

Decidir nmero de dimensiones

Se debe determinar la posicin de cada objeto en un espacio
perceptual de modo que los juicios de similitud expresados
por los consumidores se reflejen lo ms fielmente posible.
La proporcin de la varianza de los datos originales que no ha
sido recogida por el modelo se denomina la tensin o stress.
Un nmero mayor de dimensiones entrega mejores ajustes de
las distancias a los datos de entrada, pero menos parsimonia
(trade off). En efecto, si el nmero de dimensiones escogido
fuera igual al numero de objetos el stress sera nulo.

Criterio: Numero de objetos = 4K+1 ; Stress < 0,1

Ej: Marcas

Dimensiones

Etiquetar dimensiones
Un objetivo del MDS es interpretar (bautizar) las dimensiones resultantes.
Cada uno de los mapas puede ser rotado y reflejado arbitrariamente para
facilitar la interpretacin de los resultados y darle significado a las
dimensiones.
Primero se busca explicar el posicionamiento de los objetos extremos en cada
eje rotado.
Luego se trata de explicar el ordenamiento del resto de los objetos sobre
dichos ejes.

Sin embargo, al no contar inicialmente con atributos que orienten de

manera ms objetiva esta interpretacin (como en el anlisis factorial),
sta depende del conocimiento que tenga el investigador de los objetos
(marcas) que participan del estudio.
Es por ello, que esta tcnica basa gran parte su xito en el juicio y la
experiencia que el investigador tenga de la categora.

Ejemplo: Destinos tursticos

Problema a abordar: Destinos tursticos en Chile
Eleccin de destinos:
Uniformemente distribuidos
Populares/reconocidos
Abarcar climas distintos

14 ciudades seleccionadas
Objetivos:
Percepcin de la gente
Detectar y definir dimensiones

Ejemplo: Destinos tursticos

Iquique
Valle de la luna
San Pedro

La Serena
Valle del Elqui
Reaca
Via del Mar
Ruta del Vino
Pucn
Villarrica
Laguna San Rafael
Torres del Paine
Tierra del Fuego

Ejemplo: Destinos tursticos

42 encuestados
Nombre, sexo, edad y comuna

Ejemplo: Destinos tursticos

Resultados: Total
Estn OK los nombres de los ejes?

Medidas de ajuste
Stress bruto normalizado
Stress-I
Stress-II
S-Stress
Dispersin explicada (D.A.F.)

Ojo:

0,05
0,22
0,58
0,11
0,95

Ejemplo: Destinos tursticos

Resultados: Hombres
Estn OK los nombres de los ejes?

29 hombres encuestados
Medidas de ajuste
Stress bruto normalizado
Stress-I
Stress-II
S-Stress
Dispersin explicada (D.A.F.)

0,05
0,22
0,56
0,10
0,95

Ejemplo: Destinos tursticos

Resultados: Mujeres
Estn OK los nombres de los ejes?

13 mujeres encuestadas
Medidas de ajuste
Stress bruto normalizado
Stress-I
Stress-II
S-Stress
Dispersin explicada (D.A.F.)

0,04
0,20
0,53
0,09
0,96

Ejemplo: Destinos tursticos

Resultados: Comuna oriente
Estn OK los nombres de los ejes?

29 encuestados en oriente
Medidas de ajuste
Stress bruto normalizado
Stress-I
Stress-II
S-Stress
Dispersin explicada (D.A.F.)

0,05
0,22
0,58
0,11
0,95

Ejemplo: Destinos tursticos

Resultados: Comuna poniente
Estn OK los nombres de los ejes?

13 encuestados en poniente
Medidas de ajuste
Stress bruto normalizado
Stress-I
Stress-II
S-Stress
Dispersin explicada (D.A.F.)

0,04
0,20
0,51
0,10
0,96

Ejemplo: Clnicas
Actual,
Moderna

Confianza

Alemana
Central
Clnica UC
Cordillera
Dvila
Hosp. UC
Hosp. UCH
Indisa
Las Condes
Las Lilas
Las Nieves
Santa Maria
Tabancura
Vitacura

63
2
18
2
5
24
14
9
49
7
4
32
6
3

47
3
25
3
7
31
19
7
30
6
3
29
6
3

DISTANCIA

Alemana

Central

Clnica UC

Cordillera

Dvila

Hosp. UC

Hosp. UCH

Indisa

Las Condes

Las Lilas

0,0
177,1
112,6
177,8
166,2
84,3
121,4
161,8

177,1
0,0
66,3
3,3
13,4
97,7
59,0
16,4

112,6
66,3
0,0
67,1
55,0
32,7
12,7
51,3

177,8
3,3
67,1
0,0
13,8
98,5
59,8
16,9

166,2
13,4
55,0
13,8
0,0
86,2
47,8
7,8

84,3
97,7
32,7
98,5
86,2
0,0
40,1
82,7

121,4
59,0
12,7
59,8
47,8
40,1
0,0
44,3

161,8
16,4
51,3
16,9
7,8
82,7
44,3
0,0

58,2
120,6
59,0
121,2
110,2
38,2
67,1
105,6

166,0
12,5
55,4
12,8
6,2
86,7
48,8
7,0

177,7
4,8
67,5
4,0
15,3
99,0
60,4
17,3

93,6
85,7
22,7
86,5
74,3
20,9
32,0
70,3

58,2
166,0
177,7
93,6
167,4
176,5

120,6
12,5
4,8
85,7
10,1
2,6

59,0
55,4
67,5
22,7
56,9
65,9

121,2
12,8
4,0
86,5
10,8
3,2

110,2
6,2
15,3
74,3
7,4
13,5

38,2
86,7
99,0
20,9
88,5
97,4

67,1
48,8
60,4
32,0
50,0
58,8

105,6
7,0
17,3
70,3
8,0
16,1

0,0
109,8
120,9
41,6
110,9
119,9

109,8
0,0
13,5
74,5
5,0
11,7

120,9
13,5
0,0
86,6
10,9
3,5

41,6
74,5
86,6
0,0
76,2
85,3

Alemana
Central
Clnica UC
Cordillera
Dvila
Hosp. UC
Hosp. UCH
Indisa
Las
Condes
Las Lilas
Las Nieves
Santa Maria
Tabancura
Vitacura

Trayectoria Especialista
57
3
25
2
7
35
23
9
34
7
2
31
4
2

Prestigio

Atencin

61
3
24
2
6
32
19
9
39
6
3
26
6
3

42
4
20
5
11
28
16
8
28
10
4
24
8
5

58
12
32
13
15
43
32
18
44
16
13
35
15
13

Reconocim. Innovadora
51
4
22
3
8
35
23
6
36
6
3
25
6
4

Variedad

52
4
18
4
5
25
18
7
40
5
4
22
7
4

53
8
25
7
11
38
26
12
41
11
7
31
10
8

Profesional Infrestruct.
54
7
26
8
11
36
27
12
38
10
6
27
9
7

64
6
24
7
10
32
20
11
45
10
7
33
9
6

Insumos de
Precio
Tecnologia
calidad
convenien. avanzada
55
6
25
5
8
32
23
10
40
8
6
32
9
6

24
4
17
3
9
24
19
8
13
5
1
23
4
2

Las Nieves Santa Maria

Ubicacin
adecuada

57
5
24
4
5
28
20
6
41
6
4
27
7
5

38
4
17
3
5
26
12
6
21
8
2
23
5
4

Tabancura

Vitacura

167,4
10,1
56,9
10,8
7,4
88,5
50,0
8,0

176,5
2,6
65,9
3,2
13,5
97,4
58,8
16,1

110,9
5,0
10,9
76,2
0,0
9,4

119,9
11,7
3,5
85,3
9,4
0,0

Ejemplo: Clnicas

Resumen del procesamiento de los casos

Casos

Coordenadas finales
14

Fuentes

Objetos

14

Proximidades

Proximidades totales

91(b)

Dimensin
1

Alemana

1,573

-,419

Central

-,575

-,051

Proximidades perdidas

ClinicaUC

Proximidades activas(a)

,240

,121

91

Cordillera

-,588

-,057

Davila
Medidas de ajuste y stress
Stress bruto normalizado

,00129

-,442

,033

HospiatUC

,637

,148

HospitalUCH

,133

,134

-,378

-,014

Indisa

Stress-I

,03594(a)

LasCondes

Stress-II

,05747(a)

S-Stress

,00197(b)

Dispersin explicada
(D.A.F.)
Coeficiente de
congruencia de Tucker

,99871
,99935

,949

,253

LasLilas

-,427

-,061

LasNieves

-,578

-,109

,481

,146

Tabancura

-,458

-,045

Vitacura

-,565

-,079

StaMaria

Ejemplo: Clnicas

Escalamiento Multidimensional - Distancias

0,4

<-- Calidad / Econmico -->

Alemana

0,3

Central

0,2

ClinicaUC
Cordillera

0,1

Davila

HospiatUC

0
-1

-0,5

0,5

-0,1

1,5

HospitalUCH
Indisa

-0,2

LasCondes
LasLilas

-0,3

LasNieves

-0,4

StaMaria

-0,5

Tabancura
Vitacura

-0,6
Imagen de marca

ANLISIS FACTORIAL

Anlisis factorial
Anlisis factorial es un nombre general que denota una clase de
procedimientos que se usan para reducir y resumir datos.
Es una tcnica de interdependencia se examina el conjunto
completo de relaciones interdependientes entre variables.
Usos:
Determinar dimensiones subyacentes o factores que explican las
correlaciones entre variables.
Encontrar un conjunto nuevo y ms reducido de variables no
correlacionadas que remplacen al conjunto original de variables
correlacionadas.
Identificar conjunto ms reducido de variables que sobresalen
(alta correlacin entre la variable y un factor).

Ejemplo

Procedimiento de un anlisis factorial

Plantear el problema

Construir matriz de correlaciones

Determinar mtodo de anlisis factorial

Determinar nmero de factores

Rotar factores

Interpretar factores

Calcular puntuaciones de los factores

Plantear el problema
Identificar los objetivos del anlisis
Especificar variables a incluir Medidas en escala de
intervalo o de razn.
Tamao de la muestra:
Regla general: al menos 5 veces ms grande que el nmero
de variables

Construir matriz de correlaciones

Para que sea adecuado utilizar AF como tcnica de reduccin de
dimensiones, primero se debe probar que las variables estn
correlacionadas.
Si todas las correlaciones son demasiado bajas quizs no sea
apropiado ocupar este mtodo (habr tantos factores como variables).
Si todas las correlaciones son excesivamente altas es probable que el
anlisis no resulte adecuado (habr slo un factor significativo).
Para esto se debe examinar la matriz de y realizar algunas pruebas
estadsticas de verificacin:
Prueba de esfericidad de Barlett: se ocupa para rechazar la hiptesis
nula que dice que las variables no estn correlacionadas (matriz
identidad). Un valor alto de este estadstico (significancia tendiendo a
0) favorece el rechazo de la hiptesis nula.
Medida KMO: medida que va entre 0 y 1. Un valor bajo de este (<0,5)
estadstico indica que estas correlaciones no podrn ser explicadas por
medio de otras variables (factores).

Construir matriz de correlaciones

V1

V2

V3

V4

V5

V6

V7

V1

1,00

V2

0.13

1,00

V3

0.67

0.21

1,00

V4

0.17

0.71

0.19

1,00

V5

0.7

0.15

0.49

0.13

1,00

V6

0.13

0.69

0.16

0.69

0.21

1,00

V7

0.56

0.22

0.73

0.27

0.72

0.31

1,00

KMO y prueba de Bartlett

Medida de adecuacin mues tral de Kais er-Meyer-Olkin.
,872
Prueba de es fericidad de Bartlett

Chi-cuadrado aproximado

4086,909

gl
Sig.

La muestra es adecuada para el anlisis

325
,000

Determinar mtodo de AF
Anlisis factorial comn:
Cada variable se expresa como combinacin lineal de los
factores subyacentes
Varianza observada de cada atributo original es aportada
parcialmente por un grupo de factores comunes y el resto por
un factor especfico de la variable
X ijk ak1 Fij1 ... akR FijR d k yijk

Donde:
R = nmero de factores comunes a los K atributos
Xijk = evaluacin de la persona i del producto j sobre el atributo k
ak1 = efecto del factor comn 1 sobre el atributo k (correlacin)
Fij1 = puntuacin de la persona i del producto j sobre el factor 1
dk = peso del factor nico yijk
yijk = factor nico del producto j sobre el atributo k para la
persona i

Determinar mtodo de AF
Idealmente R ser pequeo al igual que contribucin de factores
nicos
Correlaciones factoriales individuales (akl) para cada variable debieran
ser muy pequeas o muy grandes

Componentes Principales:
Similar al Anlisis Factorial Comn, pero sin factores nicos (yijk)
Varianza de variables originales es explicada slo por factores
subyacentes (Fijr)
Existen tantas componentes (dimensiones) como variables originales
(atributos)
Prioriza obtener la mayor cantidad de informacin posible en la menor
cantidad de factores.

Determinar el nmero de factores

Es posible calcular tantas componentes principales como
variables haya, aunque no se gane mucho con ello.
El criterio que se debe seguir para definir este nmero es buscar
la menor cantidad de factores (principio de parsimonia) dado
que stos deben ser fciles de interpretar (principio de
interpretabilidad).
Varios mtodos:
Determinacin a priori
Determinacin basada en autovalores: Usar factores con
autovalores > 1.
Determinacin basada en porcentaje de la varianza: Nmero de
factores tal que el porcentaje acumulado de varianza extrado por
los factores alcance un buen nivel.
Determinacin basada en significancia de factores

Rotacin de factores

Al generar el mapa de posicionamiento, los factores se pueden rotar.

Con la rotacin se busca que cada factor tenga cargas o coeficientes

significativos slo para algunas variables.

La rotacin cambia el porcentaje de la varianza explicado por cada factor.

Distintas rotaciones entregan distintos factores.

Rotacin ortogonal: si los ejes se mantienen en ngulo recto:

VARIMAX El ms utilizado. Minimiza el nmero de variables con cargas altas
de un factor. Facilita interpretacin de factores.
QUARTIMAX Minimiza el nmero de factores necesarios para explicar cada
variable.
EQUAMAX Combinacin de VARIMAX y QUARTIMAX

Rotacin oblicua: Ejes no rotan en ngulo recto y factores estn

correlacionados:
Se usan cuando es probable que los factores mantengan fuerte correlacin

Rotacin de factores - Ejemplo

El AF/ACP entrega matriz de correlacin de los factores
con los atributos:

Rotacin de factores - Ejemplo

Matriz rotada:

Rotacin de factores - Ejemplo

En este caso, se eliminaron las cargas factoriales con
mdulo < 0,3

Interpretar los factores

La interpretacin se facilita al identificar las variables que
tienen cargas altas sobre un factor. Ese factor se
interpreta en base a dichas variables.
Para facilitar interpretacin, graficar el mapa de atributos

Calcular puntuaciones de los factores

Una vez determinadas las dimensiones relevantes se busca la
posicin de la marca j en el factor r (Fjr). Estas coordenadas
se denominan puntuaciones factoriales (factor scores).
R

F jk w ji x ik
i 1

Donde:
Fjk = Puntuacin del objeto k sobre el factor j, con j entre 1 y R
(nmero de componentes principales).
wji = Coeficiente de la puntuacin factorial (factor score coefficient) de
la i-sima variable (atributo) sobre el j-simo factor.
x^ik = valor estandarizado del i-simo atributo para el objeto k.

Ejemplo Caso Clnicas

Alemana
Central
Clnica UC
Cordillera
Dvila
Hosp. UC
Hosp. UCH
Indisa
Las Condes
Las Lilas
Las Nieves
Santa Maria
Tabancura
Vitacura

Actual,
Moderna

Confianza

63
2
18
2
5
24
14
9
49
7
4
32
6
3

47
3
25
3
7
31
19
7
30
6
3
29
6
3

Trayectoria Especialista
57
3
25
2
7
35
23
9
34
7
2
31
4
2

58
12
32
13
15
43
32
18
44
16
13
35
15
13

Prestigio

Atencin

61
3
24
2
6
32
19
9
39
6
3
26
6
3

42
4
20
5
11
28
16
8
28
10
4
24
8
5

Reconocim. Innovadora
51
4
22
3
8
35
23
6
36
6
3
25
6
4

52
4
18
4
5
25
18
7
40
5
4
22
7
4

Variedad
53
8
25
7
11
38
26
12
41
11
7
31
10
8

Profesional Infrestruct.
54
7
26
8
11
36
27
12
38
10
6
27
9
7

Insumos de
Precio
Tecnologia
calidad
convenien. avanzada

64
6
24
7
10
32
20
11
45
10
7
33
9
6

55
6
25
5
8
32
23
10
40
8
6
32
9
6

24
4
17
3
9
24
19
8
13
5
1
23
4
2

Al correr ACP con 3 factores:

Matriz de componentes(a)

Comunalidades
Componente
1

ACTUAL_MODERNA

,963

-,236

,079

CONFIANZA

,992

,095

,039

,995

,045

-,070

,994

-,076

,002

,993

,037

,060

,994

,031

-,082

,981

-,181

-,057

,996

,023

-,056

,994

,026

-,090

,989

-,131

,054

INSUMOS_CALIDAD

,998

-,031

,001

PRECIO_CONVENIENTE

,876

,475

,010

,990

-,118

-,018

ESPECIALISTA
PRESTIGIO
ATENCION
RECONOCIMIENTO
INNOVADORA
VARIEDAD
PROFESIONALES
INFRAESTRUCTURA

TECNOLOGIA_AVANZ
UBICACION_ADECUADA

,982
,090
,133
Mtodo de extraccin: ACP, a 3 componentes extrados

ACTUAL_MODERNA

Extraccin
,990

CONFIANZA

,995

ESPECIALISTA

,997

PRESTIGIO

,995

ATENCION

,990

RECONOCIMIENTO

,997

INNOVADORA

,999

VARIEDAD

,996

PROFESIONALES

,997

INFRAESTRUCTURA

,998

INSUMOS_CALIDAD

,996

PRECIO_CONVENIENTE

,992

TECNOLOGIA_AVANZ

,995

UBICACION_ADECUADA

,989

57
5
24
4
5
28
20
6
41
6
4
27
7
5

Ubicacin
adecuada
38
4
17
3
5
26
12
6
21
8
2
23
5
4

Ejemplo Caso Clnicas

Varianza total explicada
Sumas de las saturaciones al cuadrado
de la extraccin
Componente
1

Total
13,495

% de la
varianza
96,396

% acumulado
96,396

,374

2,674

99,070

,058

,417

99,487

Observaciones:
Las comunalidades indican el porcentaje de varianza
explicada de la variable asociada, con respecto a las
dimensiones o componentes.
Marginalmente, el tercer factor slo explica un 0,417% de
la varianza, lo cul es un primer indicio de que convendr
utilizar slo 2 factores

Ejemplo Caso Clnicas

Mapa de atributos, componente 1 v/s componente 2:

<-- Calidad / Econmico --> (componente 2)

Mapa de atributos - imagen de marca v/s Calidad/economco

0,5
ACTUAL_MODERNA

0,4

CONFIANZA
ESPECIALISTA

0,3
PRESTIGIO

0,2

ATENCION
RECONOCIMIENTO

0,1

INNOVADORA
VARIEDAD

0
0

0,2

0,4

0,6

0,8

-0,1

1,2

PROFESIONALES
INFRAESTRUCTURA
INSUMOS_CALIDAD

-0,2

PRECIO_CONVENIENTE

-0,3

TECNOLOGIA_AVANZ

Imagen de Marca
(componente 1)

UBICACION_ADECUADA

Ejemplo Caso Clnicas

Mapa de atributos, componente 2 v/s componente 3:
Mapa de atributos - Calidad/economco v/s componente 3
0,5
ACTUAL_MODERNA

0,4

CONFIANZA

ESPECIALISTA

Componente 3

0,3

PRESTIGIO
ATENCION

0,2

RECONOCIMIENTO

0,1

INNOVADORA
VARIEDAD

0
-0,5

-0,3

-0,1

0,1

0,3

-0,1

0,5

PROFESIONALES
INFRAESTRUCTURA
INSUMOS_CALIDAD

-0,2

PRECIO_CONVENIENTE
TECNOLOGIA_AVANZ

-0,3

<-- Calidad / Econmico --> (componente 2)

UBICACION_ADECUADA

Ejemplo Caso Clnicas

Ahora ACP con 2 factores:
Matri z de componentesa

ACTUAL_MODERNA
CONFIANZA
ESPECIALISTA
PRESTIGIO
ATENCION
RECONOCIMIENTO
INNOVADORA
VARI EDAD
PROFESIONALES
INFRAESTRUCTURA
INSUMOS_CALIDAD
PRECIO_CONVENIENTE
TECNOLOGIA_AVANZ
UBICACION_ADECUADA

Comunalidades

Componente
1
2
,963
-,236
,992
,095
,995
,045
,994
-,076
,993
,037
,994
,031
,981
-,181
,996
,023
,994
,026
,989
-,131
,998
-,031
,876
,475
,990
-,118
,982
,090

ACTUAL_MODERNA
CONFIANZA
ESPECIALISTA
PRESTIGIO
ATENCION
RECONOCIMIENTO
INNOVADORA
VARI EDAD
PROFESIONALES
INFRAESTRUCTURA
INSUMOS_CALIDAD
PRECIO_CONVENIENTE
TECNOLOGIA_AVANZ
UBICACION_ADECUADA

Mtodo de extraccin: Anlisis de Componentes principales.

Mtodo de extraccin: Anlisis de componentes principales.

a. 2 componentes extra dos

Varianza total explicada

Componente
1
2

Extraccin
,984
,994
,993
,995
,987
,990
,996
,993
,989
,995
,996
,992
,995
,972

Sumas de las sat uraciones al cuadrado

de la extraccin
% de la
Total
v arianza
% acumulado
13,495
96,396
96,396
,374
2,674
99,070

Mtodo de extraccin: Anlisis de Componentes principales.

 Mapa de atributos, componente 1 v/s componente 2:

<-- Calidad / Econmico --> (componente 2)

Mapa de atributos - imagen de marca v/s Calidad/economco

0,5
ACTUAL_MODERNA

0,4

CONFIANZA
ESPECIALISTA

0,3
PRESTIGIO

0,2

ATENCION
RECONOCIMIENTO

0,1

INNOVADORA
VARIEDAD

0
0

0,2

0,4

0,6

0,8

-0,1

1,2

PROFESIONALES
INFRAESTRUCTURA
INSUMOS_CALIDAD

-0,2

PRECIO_CONVENIENTE

-0,3

TECNOLOGIA_AVANZ

Imagen de Marca
(componente 1)

UBICACION_ADECUADA

Ejemplo Caso Clnicas

Mapa de marcas: Le pedimos a SPSS que nos guarde las
puntuaciones de los factores como variables.
Mapa de marcas

Central
Clnica UC
Cordillera
Dvila
Hosp. UC

Hosp. UCH
Indisa
Las Condes
Las Lilas
Las Nieves
Santa Maria
Tabancura
Vitacura

FACTOR 2
-1,078
-0,227
0,853
-0,367
0,476

0,977
0,242
-0,558
1,236
-0,628
-0,878
0,739
-0,672
-0,840

1,715
1,267
0,067
-1,927
-0,162
-0,782
1,144
-0,443
-0,536

2,5
Alemana

Central

1,5

<-- Calidad / Econmico -->

Alemana

FACTOR 1
2,307
-0,840
0,381
-0,857
-0,609

Clnica UC
Cordillera

Dvila

0,5

Hosp. UC

0
-2

-1

-0,5

Hosp. UCH

Indisa
Las Condes

-1

Las Lilas

-1,5

Las Nieves
Santa Maria

-2

Tabancura

-2,5

Vitacura

-3

Imagen de marca

Ejemplo Caso Clnicas

Veamos qu pasa si hacemos rotacin VARIMAX
en este caso dificulta el anlisis.
En particular, en el caso de las clnicas ninguna rotacin
ayud mucho pero esto no es una regla!
Mapa de atributos

Mapa de marcas
2,5

1,2

ACTUAL_MODERN
A
CONFIANZA

1,5

Calidad?
(componente 2)

PRESTIGIO

0,6

ATENCION

0,4

RECONOCIMIENTO

0,2

INNOVADORA
VARIEDAD

0
0

0,5

1
Tecnologca?
(componente 1)

1,5

PROFESIONALES

Calidad
(componente 2)

ESPECIALISTA

0,8

Alemana

Central

1
0,5
-2

0
-1 -0,5 0

Clnica
UC
Cordiller
a
Dvila
Hosp.
UC
Hosp.
UCH
Indisa

-1
-1,5
-2
Tecnolgica
(componente 1)

ANLISIS DE CORRESPONDENCIA

Anlisis de correspondencia
El anlisis de correspondencia (ANACOR) es una tcnica que describe las
relaciones existentes entre los objetos (marcas o consumidores) que
componen un mercado y las variables (atributos) asociadas a ste,
representando estas relaciones en tan pocas dimensiones como sea
posible.
Usa como entrada una matriz que cruce la informacin de las filas
(habitualmente marcas o perfiles de consumidores) y las columnas
(habitualmente atributos) para visualizar de manera conjunta la
proximidad o lejana de todos los elementos que participan en un
mercado.

El AC permite visualizar en un mismo mapa (plano) los objetos (marcas o

consumidores) y los atributos.
Se puede trabajar tanto con variables categricas como continuas.

De lo absoluto
El anlisis de correspondencia se basa en que las relaciones
entre objetos es mejor entenderlas en trminos relativos
que absolutos.
Supongamos una tabla de contingencia de n filas y p
columnas, que denominaremos matriz de frecuencias
absolutas (k):
1
1
2
.
.
.
i
.
.
n
Total col

Total fila
K1.
K2.

Kij

K.1

K.2

Ki.

K.j

Kn.
K

K.p

Donde:
K

ij

Ki .

k
j

ij

K. j

k
i

ij

 a lo relativo
Es evidente que los valores absolutos no permiten comparar a dos
filas o a dos columnas. Por lo tanto, se debe expresar la matriz K en
trminos relativos, dividiendo cada una de las frecuencias absolutas
entre el total de las filas o de las columnas (k).
De esta manera se obtiene la matriz de frecuencias relativas (F):
1
1
2
.
.
.
i
.
.
n
Total col

Total fila
F1.
F2.

Fij

F.1

F.2

Fi.

F.j

Fn.
1

F.p

Donde:
Fij

k ij

Fi .

ki.

F
j

F F
i.

.j

F. j

ij

ij

k. j
k

ij

Distancia entre filas y columnas

El carcter relativista del AC tambin se ve reflejado en la forma de
medir la distancia entre objetos. En efecto, se utiliza la distancia
Chi-cuadrado (2), la cual es equivalente a una distancia euclidea
ponderada por la masa de las columnas cuando se mide distancia
entre filas y ponderada por la masa de las filas cuando se mide
distancia entre columnas.
La expresin de la distancia entre dos filas i e i es la siguiente:
p

d 2 (i , i ')

j 1

1 Fij Fi ' j

F. j Fi . Fi '.

La expresin de la distancia entre dos columnas j y j es la siguiente:

d 2 ( j , j ')

i 1

1 Fij Fij '

Fi . F. j F. j '

Inercia de las filas y columnas

En AC las filas y columnas no reciben la misma ponderacin (visin relativista). La

ponderacin corresponde a la masa de cada fila o columna.

La inercia o dispersin de las columnas es la suma de las diferencias de cada punto

respecto del centro de gravedad (media) ponderadas por la masa de cada fila.
Del mismo modo, la inercia de las filas es la suma de las diferencias de cada punto
respecto del centro de gravedad (media) poderadas por la masa de cada
columna.

La expresin matemtica de la inercia es la siguiente:

Para las filas:
I

Para las columnas:

F d
i.

( i, G f )

F
i.

Fd
.j

66

( j , Gc )

1 Fij

F
.j

F. j Fi .

F
.j

1 Fij

Fi .
Fi . F. j

Dimensiones resultantes

Las dimensiones o factores resultantes son vectores que relacionan los subespacios Rn (filas) y Rp (columnas) de manera de explicar la inercia contenida en los
datos.

El ANACOR entrega todas las dimensiones que aportan a explicar cierta proporcin
de la inercia de los datos.

Las dos primeras dimensiones son las ms explicativas y conforman los ejes del
mapa perceptual.

La varianza explicada por el modelo es la suma de la varianza explicada por la

dimensin 1 (la dimensin ms explicativa) y la dimensin 2 (la segunda dimensin
ms explicativa). Estas son las llamadas dimensiones relevantes.

Adems entrega las coordenadas (posicin) de cada objeto en cada dimensin.

Interpretacin de los mapas perceptuales

A diferencia del anlisis factorial en que se persigue
interpretar los ejes del mapa perceptual (bautizarlos), en el
anlisis de correspondencia esto no es una norma.
En efecto, los ejes resultantes son esencialmente
funcionales (sirven para graficar los objetos en un plano) y
el foco se pone en la interpretacin de la cercana o lejana
entre objetos (marcas, consumidores, atributos) ms que
en el significado de estos ejes.

Ejemplo Caso Clnicas

Alemana
Central
Clnica UC
Cordillera
Dvila
Hosp. UC
Hosp. UCH
Indisa
Las Condes
Las Lilas
Las Nieves
Santa Maria
Tabancura
Vitacura

Actual,
Moderna

Confianza

63
2
18
2
5
24
14
9
49
7
4
32
6
3

47
3
25
3
7
31
19
7
30
6
3
29
6
3

Trayectoria Especialista
57
3
25
2
7
35
23
9
34
7
2
31
4
2

58
12
32
13
15
43
32
18
44
16
13
35
15
13

Prestigio

Atencin

61
3
24
2
6
32
19
9
39
6
3
26
6
3

42
4
20
5
11
28
16
8
28
10
4
24
8
5

Reconocim. Innovadora
51
4
22
3
8
35
23
6
36
6
3
25
6
4

52
4
18
4
5
25
18
7
40
5
4
22
7
4

Variedad
53
8
25
7
11
38
26
12
41
11
7
31
10
8

Profesional Infrestruct.
54
7
26
8
11
36
27
12
38
10
6
27
9
7

Insumos de
Precio
Tecnologia
calidad
convenien. avanzada

64
6
24
7
10
32
20
11
45
10
7
33
9
6

55
6
25
5
8
32
23
10
40
8
6
32
9
6

Resumen
Proporcin de inercia

Dimensin
1
2
3
4
5
6
7
8
9
10
11
12
13
Total

Valor propio
,168
,080
,049
,034
,025
,020
,016
,012
,007
,006
,004
,003
,000

Inercia
,028
,006
,002
,001
,001
,000
,000
,000
,000
,000
,000
,000
,000
,040

Explicada
,709
,163
,060
,029
,016
,011
,006
,004
,001
,001
,000
,000
,000
1,000

Acumulada
,709
,872
,932
,961
,977
,987
,994
,997
,999
,999
1,000
1,000
1,000
1,000

Conf ianza para el Valor

propio
Desv iacin
tpica
,007
,005

Correlacin
2
,095

24
4
17
3
9
24
19
8
13
5
1
23
4
2

57
5
24
4
5
28
20
6
41
6
4
27
7
5

Ubicacin
adecuada
38
4
17
3
5
26
12
6
21
8
2
23
5
4

Ejemplo Caso Clnicas

a
Examen de los puntos de fila

Puntuacin en la
dimensin

Fila
Alemana
Central
Clnica
Cordille
Dv ila
Hosp. UC
Hosp.UCH
Indisa
Las Con
Las Lila
Las Niev
Santa Ma
Tabancur
Vitacura
Total activ o

Masa
,071
,071
,071
,071
,071
,071
,071
,071
,071
,071
,071
,071
,071
,071
1,000

a. Normalizacin Simtrica

1
-1,097
,211
,065
,241
,271
,175
,280
,180
-,826
,192
,148
-,164
,131
,192

2
-,183
,136
-,360
,239
-,038
-,566
-,227
,141
,384
,130
,322
-,377
,174
,226

Contribucin

Inercia
,015
,001
,001
,001
,001
,003
,002
,001
,009
,001
,001
,003
,000
,001
,040

De los puntos a la
inercia de la
dimensin
1
2
,513
,030
,019
,016
,002
,116
,025
,051
,031
,001
,013
,285
,033
,046
,014
,018
,291
,131
,016
,015
,009
,092
,011
,127
,007
,027
,016
,046
1,000
1,000

De la dimensin a la inercia del

punto
1
2
Total
,972
,013
,985
,741
,147
,888
,045
,653
,698
,638
,302
,940
,733
,007
,740
,138
,693
,831
,426
,133
,559
,481
,142
,623
,872
,090
,962
,512
,112
,624
,283
,647
,930
,125
,315
,440
,484
,405
,889
,546
,362
,908

Ejemplo Caso Clnicas

Mapa de marcas
0,600
Alemana

0,400

Las Condes

Central

Las Nieves
0,200

Vitacura Cordillera
Tabancura Central
Indisa
Las Lilas

-1

-1

-1

Cordillera
Dvila
Hosp. UC

0,000
-1

Clnica UC

Dvila
0

Hosp. UCH
Indisa

Alemana

-0,200
Santa Maria

-0,400

Hosp. UCH
Clnica UC

Las Condes
Las Lilas
Las Nieves
Santa Maria

-0,600

Hosp. UC

Tabancura
Vitacura

-0,800

Ejemplo Caso Clnicas

Y si aplicamos K-medias? Con 4 conglomerados

Ejemplo Caso Clnicas

a
Examen de los puntos columna

Puntuacin en la
dimensin

Columna
ACTUAL_MODERNA
CONFIANZA
ESPECIALISTA
PRESTIGIO
ATENCION
RECONOCIMIENTO
INNOVADORA
VARI EDAD
PROFESIONALES
INFRAESTRUCTURA
INSUMOS_CALIDAD
PRECIO_CONVENIENTE
TECNOLOGIA_AVANZ
UBICACION_ADECUADA
Total activ o
a. Normalizacin Simtrica

Masa
,071
,071
,071
,071
,071
,071
,071
,071
,071
,071
,071
,071
,071
,071
1,000

1
-,789
-,007
,865
-,419
,192
-,080
-,383
,323
,289
-,198
,000
,508
-,348
,047

2
,286
-,407
,540
-,189
-,009
-,268
,223
,150
,089
,268
,048
-,495
,040
-,276

Contribucin

Inercia
,008
,001
,011
,003
,001
,001
,002
,002
,001
,001
,000
,005
,002
,001
,040

De los puntos a la
inercia de la
dimensin
1
2
,266
,073
,000
,147
,319
,259
,075
,032
,016
,000
,003
,064
,063
,044
,044
,020
,036
,007
,017
,064
,000
,002
,110
,218
,052
,001
,001
,068
1,000
1,000

De la dimensin a la inercia del

punto
1
2
Total
,878
,055
,934
,001
,838
,839
,839
,156
,995
,772
,075
,848
,498
,000
,499
,065
,355
,420
,756
,123
,879
,796
,083
,878
,715
,032
,748
,404
,354
,759
,000
,068
,068
,623
,284
,906
,805
,005
,810
,024
,393
,417

Ejemplo Caso Clnicas

Mapa de atributos
0,6

Actual, Moderna

Especialista

Confianza
Especialista

0,4
Actual, Moderna
Innovadora
Infrestructura

Prestigio
Atencin

0,2

Variedad
Profesionalismo
Insumos calidad

Tecnologia avanzada
0
-1

-0,8

-0,6

-0,4

-0,2

Atencin
0,2

0,4

0,6

Reconocimiento
Innovadora

0,8

Variedad
Profesionalismo

Prestigio

-0,2

Infrestructura

Reconocimiento
Ubicacin
-0,4

Insumos calidad
Precio conveniente

Confianza
Precio conveniente

-0,6

Tecnologia avanzada
Ubicacin

Ejemplo Caso Clnicas

Ambos mapas anteriores se pueden (deben) superponer:
Las clnicas ms cercanas a cierto atributo tienen ms de
ese atributo.
Alemana
Central
Clnica UC
Cordillera
0,600
Dvila
Especialista
Hosp. UC
Hosp. UCH
Indisa
Las Condes 0,400
Las Condes
Las Nieves
Actual, Moderna Infrestructura
Las Lilas
Innovadora
Cordillera
Las Nieves
0,200 Vitacura
Variedad
Santa Maria
TabancuraCentral
Indisa
Las Lilas
Profesionalismo
Tabancura
Tecnologia
Insumos calidad
Vitacura
avanzada
0,000
Atencin
Actual, Moderna
Dvila
-1
-1
0
1
1
Confianza
Especialista
Alemana
Prestigio
-0,200Hosp. UCH
Prestigio
Reconocimiento
Ubicacin
Atencin
Reconocimiento
Clnica UC
Santa Maria
-0,400 Confianza
Innovadora
Precio convenienteVariedad
Profesionalismo
Hosp. UC
Infrestructura
-0,600
Insumos calidad
Precio conveniente
Tecnologia avanzada
-0,800
Ubicacin

Mapa de marcas y atributos

-2

En este caso, el mapa hay que trabajarlo un poco ms para

que sea claro