ANLISIS CONJUNTOEl Anlisis Conjunto ha atrado una considerable atencin como un mtodo que retrata las decisiones realistas de los consumidores, como ventajas y desventajas, entre mltiples atributos productos o servicios.El amplio empleo de la comercializacin del Anlisis Conjunto, en el desarrollo de nuevos productos para los consumidores, condujo a su adopcin en muchas otras reas, tales como segmentacin, marketing industrial, precios y publicidad.La mayora de las tcnicas multivariantes se establece en el campo estadstico. El Anlisis Conjunto, sin embargo, continuar desarrollando en trminos de su diseo, clculo y aplicaciones en muchas reas de investigacin.En trminos del modelo bsico de la dependencia, se expresa como:Y1 = X1+X2+X3+ +XN(no mtrica o mtrica) (no mtrica)Con el uso de variables independientes mtricas, el Anlisis Conjunto se parece a anlisis de varianza (ANOVA), que tiene una base en el anlisis de experimentos. Como tal, el anlisis conjunto es muy relacionado a la experimentacin tradicional.El uso de experimentos en el estudio de individuos tpicamente consiste en disear una serie de estmulos y luego pidiendo a los encuestados para evaluar un solo estmulo (o a veces mltiples estmulos en un diseo de medidas repetidas). Luego se analizan los resultados con procedimientos de ANOVA. El Anlisis Conjunto sigue este mismo mtodo a travs del diseo de los estmulos (conocido como perfiles). Se diferencia en que los encuestados siempre aparecen varios perfiles (a menudo de 15 o ms perfiles) para permitir que las estimaciones del modelo a cada demandado debido a que, cada encuestado proporciona mltiples observaciones mediante la evaluacin de mltiples perfiles.En ambas situaciones, el investigador tiene un nmero limitado de atributos que sistemticamente se puede variar en cantidad o carcter. Aunque podemos intentar utilizar el formato tradicional experimental para entender las preferencias de los consumidores, se requiere una gran cantidad de los encuestados y slo hace comparaciones entre los grupos. El Anlisis Conjunto permite al investigador una tcnica que puede aplicarse a un solo individuo o grupo de personas y proporciona penetraciones en no slo las preferencias para cada atributo (por ejemplo, fragancia), pero tambin la cantidad del atributo (pequea o alta)El Anlisis Conjunto realmente es una familia de mtodos y tcnicas especficamente desarrolladas para entender la al preferencias que comparten un fundamento terico basado en los modelos de informacin integracin y medicin funcional. Es ideal para los consumidores la comprensin reacciones y evaluaciones de las combinaciones de atributos predeterminados que representan potenciales productos o servicios. La flexibilidad y la singularidad del Anlisis Conjunto surgen principalmente de: La capacidad de acomodar una variable dependiente mtrica o no mtrica. El uso de slo variables predictora categricas. Supuestos muy generales acerca de las relaciones de variables independientes con la variable dependiente.QU ES EL ANLISIS CONJUNTO?El Anlisis Conjunto es una tcnica multivariante desarrollada especficamente para entender cmo los encuestados desarrollan preferencias para cualquier tipo de objeto (productos, servicios o ideas). Se basa en la simple premisa de que los consumidores evalan el valor de un objeto (real o hipottico) combinando las cantidades separadas de valor proporcionado por cada atributo. Por otra parte, los consumidores pueden proporcionar mejor sus estimaciones de preferencia por juzgar objetos formados por combinaciones de atributos.Su Utilidad, un juicio subjetivo de preferencia nica para cada individuo, es el concepto ms fundamental en el Anlisis Conjunto y la base conceptual para la medicin de valor. El investigador utilizando anlisis conjunto para estudiar qu cosa determina la utilidad debe considerar varios temas fundamentales: La utilidad abarca todas las caractersticas del objeto, tangible e intangible y como tal es una medida general de preferencia individual. La utilidad se supone que se basa el valor colocado en cada uno de los niveles de los atributos. Al hacerlo, los encuestados reaccionan a diferentes combinaciones de los niveles de atributo (por ejemplo, diferentes precios, caractersticas o marcas) con diferentes niveles de preferencia. La utilidad se expresa por una relacin que refleja la manera en que la utilidad est formulada para cualquier combinacin de atributos. Por ejemplo, podemos sumar los valores de utilidad asociados con cada caracterstica de un producto o servicio para llegar a una utilidad general. Entonces asumimos que productos o servicios con valores de utilidad ms altos son ms preferidos y tienen ms posibilidades de ser elegidos.COMPARACIN DE ANLISIS CONJUNTO CON OTROS MTODOS MULTIVARIADOSEl Anlisis Conjunto representa un tipo de tcnica multivariante hbrida para la estimacin de relaciones de dependencia. En un sentido combina los mtodos tradicionales (es decir, Regresin y ANOVA), pero es nico en que es descomposicional en su naturaleza y los resultados pueden estimarse por separado para cada entrevistado. Ofrece al investigador una herramienta de anlisis desarrollada especialmente para entender las decisiones de consumo y sus estructuras de preferencia. DIFIERE de otras tcnicas multivariantes en cuatro reas distintas:(1) su naturaleza descomposicional, ((2) especificacin de la variable,(3) el hecho de que las estimaciones puede realizarse a nivel individual, y(4) su flexibilidad en trmino de relaciones entre variables dependientes e independientes.RESUMENEl Anlisis Conjunto pone ms nfasis en la capacidad del investigador o director a teorizar sobre el comportamiento de eleccin que hace en la tcnica analtica.Como tal, esta debe verse principalmente como exploratorio, porque muchos de sus resultados son directamente atribuibles a las asunciones bsicas hechas durante el curso del diseo y la ejecucin del estudio:1.- Explicar los usos gerenciales de Anlisis Conjunto. Tcnica Multivariante desarrollada especialmente para entender cmo los encuestados desarrollan preferencias por los objetos (productos, servicios o ideas). Su flexibilidad permite utilizarla en casi cualquier rea en la cual se estudian las decisiones. Asume que cualquier conjunto de objetos (por ejemplo, marcas, empresas) o conceptos (por ejemplo, posicionamiento, beneficios, imgenes) se evala como un conjunto de atributos. Despus de haber decidido la contribucin de cada factor de evaluacin global del consumidor, el investigador puede entonces:a.- Definir el objeto o concepto con la ptima combinacin de caractersticas.b.- Mostrar la contribucin relativa de cada atributo y cada nivel de la evaluacin global del objeto,c.- Usar estimaciones del comprador o cliente para predecir preferencias entre objetos con diferentes conjuntos de caractersticas,d.- Aislar grupos de clientes potenciales con caractersticas de importancias diferentes, o para definir los segmentos potenciales alto y bajo,e.- Identifican oportunidades de comercializacin, explorando el potencial de mercado, para las combinaciones de caractersticas no disponibles actualmente. Conocer la estructura de preferencias de cada individuo permite una flexibilidad casi ilimitada para examinar las reacciones individuales y agregadas a una amplia gama de productos - o servicios - materiales.2.- Conocer las directrices para la seleccin de las variables a ser examinadas por el Anlisis Conjunto. Emplea una variante aleatoria muy similar a las visto en otras tcnicas multivariantes. La variable conjunta es una combinacin lineal de los efectos de las variables independientes (factores) sobre una variable dependiente. El investigador especifica tanto las variables independientes (factores) y sus niveles, el entrevistado proporciona informacin sobre la medida dependiente. El diseo de los perfiles consiste en especificar la Variante Conjunta aleatoria seleccionando los factores y niveles para ser incluidos en los perfiles. Cuando operacionalizan de factores o niveles, el investigador debe asegurarse que las medidas son acciones transmisibles y concretas. Habiendo seleccionado los factores y estar seguro que las acciones sern medidas transmisibles y concretas, el investigador todava debe abordar tres cuestiones especficas a la definicin de factores: a.- el nmero de factores que incluyen, b.- la multicolinealidad entre los factores, yc.- el nico rol del precio como un factor.3.- Formular el plan experimental para un Anlisis Conjunto. Para que explique la estructura de preferencia de los encuestados, basndose en evaluaciones generales solamente en un conjunto de perfiles, el investigador debe hacer dos decisiones fundamentales respecto al modelo conjunto subyacente: a.- Especificar la regla de composicin para utilizar y seleccionar el tipo de relaciones entre las estimaciones de valor de parte. Estas decisiones afectan tanto el diseo de los perfiles y los anlisis de las evaluaciones demandadas. b.- La regla de composicin describe cmo el investigador postula que el entrevistado combina los valores de parte de los factores para obtener el valor total o utilidad.Es una decisin crtica porque define la naturaleza bsica de la estructura de preferencia que se estima. La regla de composicin ms comn es un modelo aditivo. La regla de composicin usando efectos de interaccin es similar a la forma aditiva, que asume que el consumidor asume los mritos parciales para obtener un conjunto total en el conjunto de atributos. Se diferencia en que permite ciertas combinaciones de los niveles para ser ms o menos la suma. La eleccin de una regla de composicin determina el tipo y nmero de tratamientos o perfiles que el entrevistado debe evaluar, junto con la forma del mtodo de estimacin utilizado. Se compensan el uso de un enfoque sobre el otro. La Forma aditiva requiere menos evaluaciones del entrevistado y hace ms fcil obtener estimaciones de los valores parciales. Sin embargo, la forma interactiva es una representacin ms precisa porque los encuestados utilizan reglas de decisin ms complejas en la evaluacin de un producto o servicio.4.- Entender cmo crear diseos factoriales. Habiendo especificado los factores y niveles, adems de la forma del modelo bsico, el investigador debe hacer a continuacin tres decisiones que implican la recoleccin de datos:a.- tipo de presentacin para los perfiles (compensaciones, perfil completo o comparacin de pares),b.- El tipo de variable de respuesta, yc.- El mtodo de recoleccin de datos. El objetivo primordial es presentar las combinaciones de atributos (perfiles) a los encuestados de la manera ms realista y eficiente posible. En el anlisis conjunto simple con un pequeo nmero de factores y niveles, el entrevistado evala todos los perfiles posibles, lo que se conoce como un diseo factorial. A medida que aumenta el nmero de factores y niveles, este diseo se vuelve impracticable. As, con el nmero de tareas de opcines especificado, lo que se necesita es un mtodo para desarrollar un subconjunto de los perfiles totales que nos proporcionar la informacin necesaria para hacer las estimaciones de valor parciales exactas y confiables. Debe realizarse un proceso de seleccin de un subconjunto de todos los perfiles posibles, de manera de preservar la ortogonalidad (no hay correlacin entre niveles de un atributo) y equilibrio (cada nivel de un factor aparece el mismo nmero de veces) del diseo. El diseo factorial fraccionado es el mtodo ms comn para delimitar un subconjunto de los perfiles de evaluacin. El proceso desarrolla una muestra de perfiles posibles, con el nmero de perfiles segn el tipo de regla de composicin supuesto para ser utilizado por los encuestados. Si el nmero de factores se vuelve demasiado grande, el conjunto adaptado no es aceptable, se puede emplear un diseo de puente en el que los factores se dividen en subconjuntos de tamao apropiado, con algunos atributos de solapamiento entre los conjuntos de modo que cada conjunto tiene un factor en comn con otros grupos de factores. Los perfiles se construyen entonces para cada subconjunto, que los encuestados nunca ven el nmero original de factores en un perfil nico.5.- Explicar el impacto de elegir la opcin fila frente a calificaciones como medida de preferencia. La medida de preferencia escala de medida versus clasificacin (por ejemplo, una escala 1, 10) tambin debe seleccionarse. Aunque el mtodo de compensacin emplea slo datos de clasificacin, la comparacin de pares y mtodos completa-perfil pueden evaluar preferencias ya sea por obtener un grado de preferencia de un perfil sobre el otro o simplemente una medida binaria que es preferida. La medida de preferencia de rango-orden es probable que sea ms confiable, porque es ms fcil de calificacin con un nmero razonablemente pequeo (20 o menos) de perfiles y proporciona ms flexibilidad en la estimacin de diferentes tipos de reglas de composicin. En contraste, las escalas de calificacin fcilmente son analizadas y administradas, incluso por correo. Aun, los encuestados pueden ser menos discriminatorios en sus juicios que cuando son de una fila ordenada. La decisin sobre el tipo de medida de la preferencia a utilizar debe basarse en cuestiones tanto prcticas como conceptuales. Muchos investigadores favorecen las escalas de medida ya que representa el proceso subyacente de la opcin de anlisis conjunto, eligiendo entre los objetos.Desde una perspectiva prctica, sin embargo, el esfuerzo de grandes nmeros de perfiles de graduacin llega a ser abrumadora, especialmente cuando la recoleccin de datos se realiza en un entorno como la entrevista personal. Las escalas de medida tienen la ventaja inherente de ser fciles de administrar en cualquier tipo de contexto de recoleccin de datos, pero tambin tiene inconvenientes. Si los encuestados no estn comprometidos y participan en la tarea de eleccin, las medida de calificacin pueden proporcionar poca diferencia entre los perfiles (por ejemplo, todos los perfiles nominales sobre la misma). Por otra parte, como la tarea de eleccin se convierte ms involucrada con perfiles adicionales, el investigador debe guardar relacin no slo con fatiga de la tarea, sino confiabilidad de las calificaciones a travs de los perfiles.6.- Evaluar la importancia relativa de las variables predictivas de cada uno de sus niveles en los que afectan a los juicios del consumidor. El mtodo ms comn de interpretacin es un examen de estimaciones parciales de cada factor, para determinar su magnitud y patrn. Las estimaciones parciales son tpicamente escalas de medicin, as que cuanto mayor sea la estimacin parcial (positivo o negativo) el mayor impacto tiene sobre la utilidad general. Adems de retratar el impacto de cada nivel con las estimaciones del valor de la parte, el Anlisis Conjunto puede evaluar la importancia relativa de cada factor.Porque las estimaciones parciales normalmente se convierten a una escala comn, la mayor contribucin a la utilidad general, y por lo tanto, el factor ms importante es el factor con mayor rango (sea bajo o alto). El factor de cada valor de importancia se puede convertir a porcentajes de sumar al 100 por ciento, dividiendo el rango de cada factor por la suma de todos los valores de rango. En la evaluacin de cualquier conjunto de estimaciones de valor de parte, el investigador debe considerar tanto importancia prctica como correspondencia a cualquier basado en la teora de las relaciones entre niveles. En trminos de importancia prctica, la consideracin primordial es el grado de diferenciacin entre los valores de la parte con en cada atributo.Muchas veces un atributo tiene una estructura terica en base a las relaciones entre niveles. El ms comn es la relacin montona, tal que la parte vale de nivel C debe ser mayor que los de nivel B, que a su vez debe ser mayor que los valores de parte del nivel A. El problema surge cuando una de las partes no siguen el patrn terico y rompe la relacin monotnica asumida, causando lo que se genere una reversin. Las reversiones pueden causar graves distorsiones en la representacin de una estructura de preferencia.7.- Aplicar un simulador de resultados conjuntos para la prediccin de juicios del consumidor de nuevas combinaciones de atributos. Se revela la importancia relativa de los atributos y el impacto de niveles especficos en las estructuras de preferencia. Otro objetivo principal del anlisis conjunto es realizar anlisis Qu sucede si para predecir el porcentaje de las preferencias de un perfil (real o hipottica) es probable que la captura en diferentes escenarios competitivos de inters a la gestin. Los simuladores de eleccin permiten al investigador simular cualquier nmero de escenarios competitivos y luego estimar cmo reaccionaran los encuestados a cada escenario. El beneficio real, sin embargo, implica la capacidad del investigador para especificar las condiciones o relaciones entre los perfiles ms realista que representan las condiciones del mercado. Por ejemplo, todos los objetos competirn igualmente con todos los dems? La semejanza entre los objetos puede crear diferentes patrones de preferencia? Pueden incluirse las caractersticas del mercado en la simulacin? Cuando se utiliza un simulador, deben incluirse al menos tres tipos bsicos de efectos: a.- Impacto Diferencial el impacto de cualquier nivel de atributo es ms importante cuando el entrevistado valora ese objeto entre dos objetos, que indica su rol en la eleccin real de entre estos objetos;b.- Sustitucin Diferencial la semejanza entre objetos afecta la opcin, con objetos similares que comparten la preferencia global (por ejemplo, cuando se elegir si viajar en el autobs o coger un auto, aadiendo autobuses de diferentes colores no aumentara la posibilidad de tomar un autobs, pero algo los dos objetos dividira la posibilidad total de tomar un autobs); yc.- Mejora Diferencial, dos objetos muy similares del mismo tipo bsico se pueden distinguir por diferencias ms pequeas en un atributo que es relativamente insignificante cuando se comparan dos objetos de tipo diferente. El paso final en la simulacin conjunta es predecir la preferencia de cada individuo y luego calcular cuota de preferencias para cada perfil agregando las opciones individuales.8.- Comparar un modelo principal de efectos y un modelo de trminos de interaccin y mostrar cmo validar un modelo versus el otro. Un beneficio clave de anlisis conjunto es la habilidad para representar muchos tipos de relaciones en las variante conjunta. Una consideracin crucial es el tipo de efectos (efectos principales ms los trminos de interaccin deseado) que son incluidos, porque requieren modificaciones en el diseo de la investigacin. Uso de trminos de interaccin aade generalizaciones a la regla de composicin. La adicin de trminos de interaccin presentan ciertos inconvenientes en que cada trmino de interaccin requiere una estimacin por lo que requiere nuevas valoraciones parciales con al menos un perfil adicional para cada encuestado. A menos que el investigador sepa exactamente qu trminos de interaccin va a calcular, el nmero de perfiles se incrementa dramticamente. Por otra parte, si los encuestados no utilizan un modelo interactivo, los trminos estimados de interaccin adicional en la variante aleatoria conjunta reduce eficiencia estadstica (estimaciones de parciales) del proceso de estimacin y hace ms ardua la tarea conjunta. Incluso cuando es utilizado por los encuestados, las interacciones predicen substancialmente menos varianza que los efectos aditivos, a menudo no es superior a un aumento de 5 a 10 por ciento de varianza explicada. As, en muchos casos, el mayor poder predictivo ser mnima interaccin trminos son los ms propensos a ser sustancial en los casos de los atributos que son menos tangibles, particularmente cuando la esttica o reacciones emocionales juegan un papel importante. El mayor potencial para explicar los trminos de interaccin debe ser equilibrado con las consecuencias negativas de la adicin de trminos de interaccin. El trmino de interaccin es ms eficaz cuando el investigador puede hipotetizar las partes no explicables de utilidad estn asociadas con slo algunos atributos de nivel.9.- Reconocer las limitaciones del anlisis tradicional conjunto y seleccionar la metodologa alternativa apropiada (por ejemplo, basada en la seleccin o adaptacin conjunta) cuando sea necesario. Los mtodos de perfiles completos son inmanejables con ms de 10 atributos, sin embargo, muchos estudios conjuntos necesitan incorporar 20, 30 o incluso ms atributos. En estos casos, alguna adaptacin o reduccin de anlisis conjunto se utiliza para simplificar el esfuerzo de recoleccin de datos y presentar la eleccin de una decisin realista de eleccin. Las 2 opciones incluyen:a.- Una adaptacin/auto explicada conjunta para hacer frente a un gran nmero de atributos, yb.- Una eleccin basada en una decisin conjunta proporciona tareas de eleccin ms realistas. En el modelo auto expresado, el entrevistado proporciona una clasificacin de la conveniencia de cada nivel de un atributo y luego tasas la importancia relativa del atributo global. Con el modelo de adaptacin/hbrida, se combinan los modelos conjuntos expresados por los valores parciales. Los valores auto explicados se utilizan para crear un pequeo subconjunto de perfiles seleccionados a partir de un diseo factorial fraccional. Los perfiles son evaluados de manera similar al anlisis conjunto tradicional. Los sistemas de perfiles difieren entre los encuestados, y aunque cada encuestado evala slo un pequeo nmero colectivamente, todos los perfiles son evaluados por parte de los encuestados. Para hacer la tarea conjunta ms realista, una metodologa conjunta alternativa, conocido como eleccin en conjunto puede ser utilizada. Si pide a los entrevistados que elijan un perfil completo de un conjunto de Perfil de alternativa, conocida como un conjunto de eleccin. Este proceso es mucho ms representativo del proceso de seleccionar un producto de un conjunto de productos de la competencia. Por otra parte, la eleccin basada conjunto proporciona una opcin de no elegir alguno de los perfiles presentados al incluir una opcin "No" en el conjunto de eleccin. Aunque el conjunto tradicional asume preferencias de los encuestados se asignar siempre entre el conjunto de perfiles, el enfoque de eleccin permite para la contraccin del mercado si todas las alternativas en un conjunto de elegidas son poco atractivas.Para utilizar el anlisis conjunto el investigador debe evaluar muchos aspectos de la toma de decisiones. Nuestro enfoque ha estado en la prestacin de un mejor entendimiento de los principios de anlisis conjunto y cmo representan el proceso de eleccin del consumidor. Esta comprensin debe permitir a los investigadores evitar la mala aplicacin de esta tcnica relativamente nueva y poderosa cuando se enfrenta con la necesidad de entender la eleccin juicios y estructuras de preferencia.PREGUNTAS1. Pida a tres compaeros para evaluar combinaciones de eleccin basados en las siguientes variables y niveles en relacin con su estilo preferido de libros de texto para una clase y especificar la regla composicional que crees usarn. Recopilar informacin con mtodos de la compensacin y perfil completo.2. Cun difcil fue para los encuestados manejar las palabras y conceptos abstractos ligeros que se les pidi evaluar? Cmo mejoraras las descripciones de los factores o niveles? Qu mtodo de presentacin era ms fcil para los encuestados?3. Utilizando un procedimiento numrico simple discutido anteriormente, o un programa de computadora, analizar los datos del experimento en la pregunta 1.4. Disee un experimento de anlisis conjunto con al menos cuatro variables y dos niveles de cada variable que sea apropiado para una decisin de marketing. De esta manera, definir la regla composicin que va a utilizar, el diseo experimental para la creacin de perfiles y el mtodo de anlisis. Use por lo menos cinco encuestados para apoyar su lgica.5. Cules son los lmites prcticos de anlisis conjunto en trminos de variables o tipos de valores para cada variable? Qu tipo de problemas de eleccin se ajustan mejor para analizarlos con el anlisis conjunto? Cules se ajustan menos?

Normalmente, los modelos conjuntos estimados a nivel individual (un modelo por individuo) se utilizan en una o ms de las siguientes reas de apoyo a la toma de decisiones mediante la representacin de los procesos de decisin de los individuos. Con resultados a nivel individual, se pueden representar empricamente las preferencias de cada individuo. Los resultados agregados conjuntos pueden representar grupos de individuos y ofrecer tambin un medio de predecir sus decisiones en cualquier tipo de situacin. Las aplicaciones ms comunes del anlisis conjunto con su representacin de la estructura de preferencias del consumidor incluyen la segmentacin, anlisis de rentabilidad y simuladores conjuntos.

6. Cmo aconsejara a un investigador de mercado a la hora de elegir entre los tres tipos de metodologas conjuntas? Cules son los supuestos ms importantes a considerar, junto con las ventajas y desventajas de cada metodologa?

8 de 8