Professional Documents
Culture Documents
NUEVOS PRODUCTOS
Profesor Titular
Area Comercialización e Investigación
de Mercados
UNIVERSIDAD DE OVIEDO r. ¿
1 . INTRODUCCION
ticas (son de tipo mu 11iatri but o ) que los diferencian de sus competido
res. Por ejemplo, una cuenta corriente de alta remuneración puede ser /
a favor del Banco, tasa anual equivalente que se devengará por saldos <=
sobre el saldo deudor, abona intereses del 7,5% para saldos medios men
ca del domicilio.
dos para:
1
2.- Obtener segmentos de consumidores que asignan diferentes valores
Como señalaban GREEN y RAO (1.971) y GREEN y WIND (1.973), los estu
tes a cada nivel de cada atributo. Por tanto, el análisis conjunto pro
2
1.985, destacando su aplicación para bienes de consumo (aproximadamente
comunes relativas a polinomios simples (1). Part icu 1armente para tres /
+ ^ EIq2,r3*Dq2 ,r3 r3
q.r p.q.r
3
Por supuesto, a medida que aumenta el número de atributos y sus nive
mayor parte de las investigaciones concluyen que los únicos efectos sig
1 .988 ) :
P.q.r 3
!>»$ 2
EIq2,r3*Dq2,r3 (dual-distributivo)
q.r
Tal que expresiones como (1— 1 y (1-2) son las de mayor utilización.
3. FASES PARA LA PUESTA EN PRACTICA DEL ANALISIS CONJUNTO
Consideremos una empresa que desea introducir una nueva marca dentrc
mente citadas o se les asigna una puntuación media elevada en una list
t o s.
mismo nivel entre todas las marcas compitiendo (con lo cual no se pued
5
perciben, en relación a estos atributos, entre los productos que compi
acciones entre los miembros del grupo) y las técnicas proyectivas (pre
6
competitivo de sus marcas. Por tanto, los atributos genéricos deben see
variables accionables.
depende del tipo de decisión, los costes que se está dispuesto a asumii
mos que se ha utilizado una entrevista de grupo que mediante una discu
prec i o .
puesto, el número de niveles no tiene que ser similar para todos los -
atri b u t o s .
7
ra cada atributo determinante. Por lo que se refiere al número de servi
lletas por paquete los niveles serían: 50, 100 y 200. Como niveles de /
cas, borde y estampado a relieve). El grosor que sea de una capa, dos c
tres. Las servilletas que se fabriquen con suave tisú, una calidad me -
rrollo de esta tarea implica ofrecer una respuesta a los siguientes in
SAN, 1.978):
8
atributos (JOHNSON, 1.974). Es un método sene i 11 o ,aunque cada vez menos
por WITTINK y CATTIN (1.989). Las razones para esta popularidad decre -
midor en tarjetas o tablas que los combinan dos a dos supone una cierta
9
encuestado señala sus preferencias por una serie de productos actuales/
descripción mas realista de los productos sobre los que se solicita pre
10
□tros métodos menos utilizados son la representación gráfica (por --
los estímulos.
dúo en el enfoque del perfil completo para que los resultados sean fia
los atributos a distintos niveles (lo que se conoce como diseño facto -
rial completo o diseño maestro). Para una investigación con "A" atribu
tos y "N" niveles cada uno, el entrevistado tendría que exponer sus pre
A
ferencias sobre un total de N estímulos. Si el estudio comprende "a" /
atributos con "n" niveles cada uno y "b" atributos con "m" niveles, el/
a K
número de atributos a presentar por entrevistado sería n .m .En núes
6
tro ejemplo, el número de estímulos vendría dado por 3 = 729. Con esta
11
las 729 combinaciones denominada "fracción del diseño factorial comple
les y de interacción (no confundidos entre sí) desee estimar mayor núme
SERVILLETAS
ESTIMULO PAQUETE COLOR DISEÑO GROSOR SUAVIDAD PRECIO
1 1 1 1 1 1 1
2 2 1 3 2 2 2
3 3 1 2 3 3 3
4 1 2 2 3 2 2
5 2 2 1 1 3 3
6 3 2 3 2 1 1
7 1 3 3 1 3 2
8 2 3 2 2 1 3
9 3 3 1 3 2 1
10 1 1 2 2 3 1
11 2 1 1 3 1 2
12 3 1 3 1 2 3
13 1 2 3 3 1 3
14 2 2 2 1 2 1
15 3 2 1 2 3 2
16 1 3 1 2 2 3
17 2 3 3 3 3 1
18 3 3 2 1 1 2
12
diseño con 18 estímulos, tal que cada nivel aparece el mismo número de/
veces bajo cada atributo. Además, para asegurar que los efectos princi
13
del co ns umi dor ,1 as investigaciones sobre análisis conjunto emplean prii
dinarios. Aún si los datos están referidos a una ordenación este métod<
actuales o potenciales.
14
de un menor número de funciones de utilidad en modelos a gregados).La al
tinuación estimar los parámetros del modelo para cada segmento obtenidc
del nivel mas alto y el mas bajo de cada atributo, mas importante será
15
50 100 200 Cuadra Franja Esta»
Verde Rosa do pado
” 0.8
I 0.7
Il
0.3
FIGURA 4
Muy Suave
— Suavidad Media
— Aspero
FIGURA 5
16
de suavidad las preferencias aumentan a medida que lo hace el grosor, /
el preferido.
a los estudiados para cada atributo (siempre que sean de carácter conti
nuo) mediante una simple interpolación lineal (7). Dado que este razona
buto generará el mejor producto aunque el mismo muchas veces no sea fac
cias por una serie de perfiles de productos varían a lo largo del tiem
17
ATRIBUTOS PRODUCTO 1 PRODUCTO 2 PRODUCTO 3
NUMERO
SERVILLETAS 50 (0,6) 200 (0,3) 100 (0,7)
DISEÑO Alternar
DECORACION Estampado (0,8) Franj as (0,4) Es tampado (0,8)
2.- Fiabilidad sobre la serie de estím u1o s .¿Serán los resultados si
18
ríe concreta de atributos y sus niveles será idéntica si se eliminan o/
sión parece unánime puesto que el enfoque del perfil completo ofrece ma
Los tests de validez interna anal izan la correlación entre los datos
de la segunda submuestra.
19
terminantes. Típicamente tales aplicaciones comerciales suponen (LOUVIE
segmen t o .
dores en grupos homogéneos, cada uno de los cuales puede ser selección
El análisis conjunto es útil en esta tarea dado que una de sus apli
20
veles para cada segmenta obtenido.
Una ingeniosa extensión del análisis conjunto, menos popular que las
(2 )
tipos de personas (su perfil descriptivo) se inclinan mas por cada uno/
21
centra en determinar la demanda o cuota de mercado c o rrespondiente a di
Ahora bien ¿cómo poner en práctica esta potencial aplicación del análi
sis conjunto?.
utilidad total (U) que sus productos suponen para cada individuo de la/
vos a los niveles de los atributas que integran los mencionados produc
tos .
NIUMAXp
(3) CMp = ---- ----
22
NIUMAXp = Número de individuos (de toda la muestra o del segmento)/
que asignan una utilidad máxima al producto P.
N = Número de individuos (de la muestra o del segmento).
presiones como:
U
Upk e^
(4) ProbPk = ---—
Z
------ Probpk
- — PK =
~ u
Pk
UPk A e
P P
Probpk = Probabilidad de que individuo k seleccione producto P.
Upk = Utilidad del producto P para el individuo k obtenida me
diante expresiones como la (1).
e = Base de los logaritmos neperianos. .
s
Tal que la cuota de mercado se supone como la media, para cada pro
muestra o de segmentos).
23
de distribución adecuados), de comunicarles la información sobre los ni
mas f iab1e s .
tiempo de la demanda del nuevo producto en sus dos aspectos: prueba acu
dad y efectos sinergia con otros productos) debe fundamentar sus deci -
5. CONCLUSIONES
24
ra distintos segmentos de mercada.
sumidores que señale sus preferencias por una serie de productos (combi
tiple por Mínimos Cuadrados Ordinarios, MON AN OVA , LOGIT y PROBIT. Abog¿
mos por completar los estudios de análisis conjunto con medidas de fia
25
dos y para comunicar información sobre los niveles de sus atributos; el
En d e fin it iva ,nos encontramos ante una técnica que cada día gana mas
26
NOT AS
(2) Atributos determinantes son aquellos con capacidad para ser deci
sivos en la elección de compra del consumidor, en la determinación de /
sus preferencias. El consumidor puede tener en mente varios atributos /
pero como estos son poseidos a igual nivel por todas las marcas no re -
sultarán d eterminantes.
27
tas y grosor) pero que en la realidad se limiten a ciertos valores por/
razones competitivas.
(7) Una alternativa válida tanto para atributos continuos como cate
góricos es la desarrollada por GREEN (1.974).Supongamos que al entrevis
tado se le solicita que asigne una valoración de 10 al nivel mas prefe
rido del atributo número de servilletas (100) de 0 al menos preferido /
(200) e intermedia para los niveles restantes (indica 7,5 para 50 servi
lletas). Se estima la importancia de los niveles extremos del atributo?
número de servilletas mediante análisis conjunto (para 100 es 0,7 y pa
ra 200 es 0,3) y a posteriori se deriva la correspondiente a valores in
termedios. Para 50 será: 0,3 + (7,5/10).(0,7-0,3) = 0,6.
(10) 'De acuerdo con las conclusiones de GREEN y KRIEGER (1.988), aun
que el criterio de máxima utilidad goza de gran aceptación parece mas /
apropiado para compras no rutinarias,mientras que para productos de com
pra repetitiva los criterios de cuota de utilidad ofrecen mejores resul
tados dado que las preferencias del consumidor cambian con cada ocasión
de uso.
28
6 . BIBLIOGRAFIA
29
JOHNSON, R.M. (1.974):"Trade-Off Analysis of Consumer Values".Jour
nal of Marketing R es e a r c h ,v o 1. il (mayo), pp. 121-127.
KOHLI, R .(1.988):"Assessing Attribute Significance in Conjoint Ana
1 y s i s :Nonparametric Tests an Empirical Validation'1.Journal of Marketing
Researc h .v o 1. 25 (mayo), pp. 123-133.
LEIGH, T.W.; MacKAV, D.B. y SUMMERS, J.O. (1.984):"Reliabi1ity and
Validity of Conjoint Analisys and Self Explicates Weights:A Comparison"
Journal of Marketing R e s e a r c h .v o 1. 21 (noviembre), pp. 456-462.
LOUVIERE, J.J. (1.988): Analyzing Dec ision Mak ing : Metric Conj oin t
Ana 1y s i s . Sage Publications, Inc. Newbury Park, California.
MARTIN DAVILA, M. (1.987):"Como Diagnosticar lo gue los Consumido
res Desean Realmente: El Análisis Conjunto". Investigac ión y_ Ma rketing.
23 (marzo), pp. 21-33.
McLEAN, R. Y ANDERSON, V. (1.984) :Applied Factorial and Frac t iona1
D e s i gn s. Marcel Deckker: New York.
MOORE, W.L. (1.980):"Leve 1s of Aggregation in Conjoint Analysis:An
Empirical Comparison".Journal of Marketing R e s e a r c h .v o 1.17 (noviembre),
pp. 516-523.
MUGICA GRIJALBA, J.M. (1.9 8 9 a ):"Los Modelos Mu 1tiatributo en Marke
ting: El Análisis Conjunto". IPMARK. 324 (16-28 febrero), pp. 63-71.
MUGICA GRIJALBA, J.M. (1.989b):"E1 Análisis Conjun t o :A l ternativ a s ,
Problemas y Limitaciones". IPMARK. 326 (16-31 marzo), pp. 45-54.
OGAWA, K. (1.987):"An Approach to Simultaneous Estimation and Seg
mentation in Conjoint Analysis". Marketing S c i e n c e .v o 1.6. 1 (invierno),
p p . 66-81.
PAGE, A.L. y ROSENBAUM, H.F. (1.987):"Redesigning Product Lines —
with Conjoint Analysis: How Sunbeam Does It". J our na1 of Produc t Innova
tion & Man ag eme nt. 14, pp. 120-137.
REIBSTEIN, D.j BATESON, J. y BOULDING, W. (1.988):"Conjoint Analy
sis Reliability: Empirical Findings". Marketing Sc i enc e.v o l ■ 7, 3 (vera
no), pp. 271-286.
SEGAL, M.N. (1.982):"Reliabi1ity of Conjoint Analysis: Contrasting
Data Collection P r oce du res ". J o u r n a 1 of Marketing R e s e a r c h .vol. 19 (fe
brero), pp. 139-143.
SHOCKER, A.D. y SRINIVASAN, V. (1.977):"LINMAP (Version II): A For
tran IV Computer Program for Analyzing Ordinal Preference (Dominance) /
Judgements via Linear Programming Technigues and for Conjoint Measure -
m e n t " . Journal of Marketing R e s e a r c h .v o l . 14 (febrero), pp. 101-103.
WIITINK, D.R. y CATTIN, P. (1.989):"Commercia1 Use of Conjoint Ana
lysis: An Update". J o u r n a 1 of M ar k e t i n g . 53 (julio), pp. 91-96.
ZUFRYDEN, F.S. (1.988):"Using Conjoint Analysis to Predict Trial /
and Repeat-Purchase Patterns of New Frequently Purchased Prod uct s" .Deci
sion S ci enc es.vol. 19 (invierno), pp. 55-71.
30
Doc 001/1988
Doc 002/1988
Doc 003/1988
Doc 004/1988
■ Doc 005/1989
Doc nQ 006/1989
Doc nQ 00 7/1989
Doc 008/1989
Doc 011/1990
Doc 012/1990
Doc 013/1990
Doc 014/1990
Doc 015/1990
■ Doc 016/1990
Doc 017/1990
Doc 019/1990