Partiendo de una batería de preguntas en las que se preguntaba por el nivel de aceptación de varias políticas públicas relacionadas con la gestión de los residuos, surgió la idea de formular uno de los ítems de dos maneras distintas. Un mismo concepto planteado en diferentes términos lingüísticos. La política pública en cuestión es la de la devolución de un depósito, por parte de los comercios, al entregar el cliente las botellas o envases vacíos una vez consumidos. Las dos formulaciones sugeridas fueron las siguientes:

1. Devolver botellas o envases vacíos al supermercado o a puntos de recogida, recuperando el depósito, que suele ser de unos 15 céntimos por envase, pagado al comprarlos
2. Subir el precio de cada envase o botella en unos 15 céntimos en concepto de depósito.  Este depósito se recuperaría al devolver el envase al supermercado o puntos de recogida

De manera totalmente aleatoria, el 50% de los encuestados valoraron su aceptación del ítem 1; el otro 50%, el ítem 2. Un ser plenamente racional habría visto que ambas formulaciones se refieren exactamente a un mismo mecanismo: pagas de más y, al entregar la botella ya usada, te devuelven el depósito. Si esto fuera así, ambas formulaciones hubieran conseguido exactamente los mismos resultados. Pero, al analizar los datos…

Queda claro que la opción 1 disfruta de unos niveles de aceptación muy mayores a los de la opción 2. El 57% de los encuestados que vieron el estímulo 1 creen que es éste es muy buena idea, 31 puntos porcentuales más que los que vieron el estímulo 2. La diferencia entre ambas formulaciones es abismal. Y se trata exactamente del mismo mecanismo de devolución de depósito. La diferencia estriba en los términos lingüísticos: la primera formulación da la idea de incentivo, de «gano algo si me comporto así». En cambio, la segunda formulación sugiere la idea de penalización, de «si no hago esto, me castigan». Sí, la racionalidad humana es limitada.

Imaginemos ahora que la implementación de este sistema de recogida de residuos dependiera de una votación popular. Los responsables políticos deberían estar interesados en la aprobación de esta medida, dada la comprobada eficiencia del sistema de devolución de envases como mecanismo para reforzar la economía circular (no es el momento, aquí, de discutir sobre esta política). Si se llevara a cabo el referéndum, está claro que sus impulsores optarían por la formulación 1, dado que disfruta de una aceptación social mucho más amplia que la formulación 2. Y, quizá sin saberlo, habrían recurrido a un nudge, un instrumento que pretende orientar los comportamientos de las personas aprovechándose de sus sesgos mentales.

Quizá el nudge más paradigmático y reconocido por las personas (al menos las del sexo masculino) es el de la araña emplazada en los inodoros para hombres. Una simple araña de plástico colocada en el centro del inodoro hace que los baños se mantengan limpios por mucho más tiempo. Y el razonamiento no es racional: los hombres no piensan «voy a apuntar a la araña porque así mantendré el inodoro limpio». El razonamiento, totalmente irracional, es el de «me voy a mear en la araña, hehehe [sonidos guturales]». La idea de los nudge es precisamente esta, la de sacar provecho a los límites de nuestra racionalidad para conseguir conductas socialmente óptimas.

Dado el hecho que los nudges no restringen la libertad de los individuos (solo orientan la toma de decisiones) y que consiguen resultados positivos en el moldeamiento de las conductas humanas, el campo de estudio de estos instrumentos en el desarrollo de políticas públicas está disfrutando de un gran auge en la academia.

La entrada ¿Incentivar o pagar? se publicó primero en Investigación de Mercados en España.

Las utilidades de cada nivel (color blanco, negro, o amarillo, por ejemplo) del atributo color no dejan de ser una expresión de las preferencias de los consumidores. Situando varios productos (con combinaciones de atributos distintos) en un simulador de share de mercado es posible transformar estas preferencias en probabilidades que los consumidores compren un producto en relación con el resto de productos.

Obviamente se trata de un simulador, de un “experimento de laboratorio” que no tiene en cuenta muchos factores que operan en la vida real. Por ejemplo, el conocimiento de los consumidores de una determinada marca, o la disponibilidad de dicho producto en los lineales del supermercado, no se tienen en cuenta en este análisis. Pero puede ser un buen punto de partida para hacerse una idea de la penetración que tendrá nuestro producto cuando lo lancemos al mercado.

Este simulador de share lo pues montar con un simple Excel. En las filas tienes que colocar los productos que quieres testear (cuanto más fieles sean a lo que realmente se vende en el mercado, mejor). En las columnas tienes que insertar los atributos de cada uno de estos productos. Además, hay que añadir tres columnas adicionales, las funciones de las cuales te contaremos a continuación.

La columna “Utilidad total” es simplemente la suma de las utilidades de los niveles de cada atributo. Por ejemplo, en el caso de la combinación de la primera fila tendrías que sumar las utilidades de la marca A, del color blanco y del precio de 4,15€. La columna “e^(utilidad total)” es el exponencial de la utilidad total de cada combinación. En Excel solo tienes que insertar la función EXP() para conseguirlo. Y la última columna, “Market share”, nuestro objetivo final, se obtiene dividiendo el exponencial de la utilidad total de cada combinación entre la suma de los exponenciales de la utilidad total de todos los productos que aparecen en el simulador. Multiplicando este resultado por 100 lo obtendrás expresado en porcentaje.

Ahora que ya sabes cómo montar el simulador de mercado, te contaremos cómo hacer un análisis de WTP (Willingness to Pay), o disposición de los consumidores a pagar una cantidad económica por una determinada característica de nuestro producto. Esto se consigue gracias al hecho que tanto el atributo precio como el resto de atributos se expresan en la misma unidad, la utilidad, cosa que nos permitirá realizar los trades-off entre precio y utilidad de cada característica. Si añado algo de utilidad en un producto incorporando una característica adicional, esto tendrá un impacto en el precio.

Supongamos el siguiente escenario:

Imaginad que queremos saber cuánto estaría dispuesto a pagar un consumidor por adquirir un producto de la marca A en lugar de la marca B. Para saberlo, en primer lugar tendríamos que calcular la diferencia de las utilidades entre la marca A y B, que en nuestro caso toma una valor de 1,239. Esta diferencia en la utilidad, ¿qué valor económico tiene? Vayamos ahora a las utilidades de precio. Observamos que la utilidad de 1,239 se encuentra en el rango de precios de 3,65€ y de 4,15€. Es en este rango donde tendremos que hacer los cálculos.

El rango de estos precios es de 0,5€ (4,15€-3,65€) y el rango de la utilidad es de 2,90 (1,592 -(-1,306)). Una utilidad de 2,90 tiene, pues, un precio de medio euro. Con una simple regla de 3 podremos saber que la utilidad 1,239 (la diferencia entre las utilidades de la marca A y la marca B) equivale a 0,21€. Y este sería nuestro resultado: el consumidor estaría dispuesto a pagar 21 céntimos más para hacer el cambio de la marca B a la marca A.

A lo largo de esta serie posts se ha podido ver cómo analizar, paso a paso y desde el inicio, los resultados de un conjoint mediante herramientas gratuitas (R) o ampliamente utilizadas (Excel). Tras un proceso de aprendizaje no es complicado adquirir las habilidades necesarias para llevarlo a cabo. Sin embargo, si tuvieras cualquier problema, no dudes en ponerte en contacto con el equipo de Empírica. Estaremos encantados de ayudarte.

Fotografía de Jinnifer Douglass en Burst

La entrada ¿Cómo crear un simulador de share de mercado? se publicó primero en Investigación de Mercados en España.

1. Conocer qué niveles de cada atributo son más importantes en la toma de decisión de compra de los consumidores. Para hacer esto, simplemente tienes que tomar la utilidad media de cada nivel y compararlo con el resto de niveles. El nivel que tenga mayor utilidad será el más deseado por los consumidores. Pero ¡ojo! Las utilidades solo se pueden comparar dentro de un mismo atributo. No tiene sentido comparar las utilidades del atributo color con las utilidades del atributo precio.

2. Conocer cuál es la elasticidad del precio. Lo puedes observar muy gráficamente a través de las coordenadas cartesianas. En el eje horizontal, coloca cada uno de los precios que has testeado en tu conjoint. En el eje vertical añade las utilidades medias de cada precio. Tendrías que conseguir algo similar a esto:

Y este sería tu gráfico de la elasticidad del precio. Como es lógico, a medida que el precio aumenta disminuye la utilidad. Lo realmente relevante en este gráfico es observar la pendiente de la recta que une cada uno de los puntos. De 2,65€ a 3,15€ se observa una gran elasticidad del precio: la demanda, medida a través de la utilidad, desciende abruptamente. Sin embargo, si estás dudando entre aplicar a tu producto un precio de 3,15€ o de 3,65€, la respuesta es clara: escoge los 3,65€. La demanda no variará significativamente (la recta presenta muy poca pendiente) y conseguirás un mayor margen de beneficios.

3. Conocer la importancia relativa de cada atributo en la decisión de compra. ¿Qué peso da el consumidor a cada uno de los atributos? ¿Valora más el precio, el color o la marca? Para responder esta pregunta, tienes que hacer lo siguiente para cada uno de los atributos. En primer lugar, selecciona el nivel de menor utilidad. En segundo lugar, selecciona el nivel de mayor utilidad. Y, por último, calcula el rango, la distancia, que existe entre las utilidades de la utilidad máxima y la utilidad mínimo. Si, por ejemplo, el máximo es de 2 y el mínimo es de -2, el rango será igual a 4. Repite este mismo proceso para cada uno de los atributos que hayas testeado.

Una vez tengas los rangos de cada uno de los atributos, ya casi lo tienes. La importancia relativa de cada atributo se calcula dividiendo el rango del atributo A entre la suma de los rangos de todos los atributos. Obtendrás un dato que toma valores del 0 al 1 (y que puedes multiplicar por 100 para poder trabajar en porcentajes) y que se interpreta como el peso que tiene el atributo en la decisión de compra. Por ejemplo, si el precio tomara un valor del 50%, sabrías que este atributo es fundamental cuando el consumidor se enfrenta a una decisión de compra.

4. Conocer cuál es la combinación de atributos que maximiza la utilidad de los consumidores. Simplemente, selecciona los niveles de mayor utilidad de cada atributo… y ya lo tienes. Sumando las utilidades de esta combinación obtendrás la utilidad total del producto. Incluso puedes generar todas las combinaciones de niveles posibles (las puedes montar rápidamente a través de un simple Excel) y, así, observar cómo varían sus utilidades totales.

Hasta ahora te hemos contado cuatro tipos de análisis que puedes hacer con los resultados de un conjoint. Pero hay más posibilidades, que te contaremos en el siguiente post. Y es que el análisis de utilidades también te permite generar un simulador de share de mercado y calcular el WTP (Willingness To Pay), la cantidad económica que los consumidores estarían dispuestos a pagar por cada uno de los niveles de los atributos de tu producto.

La entrada Análisis de los resultados de un conjoint se publicó primero en Investigación de Mercados en España.

Lo más estimulante del oficio de investigador es el aprendizaje continuo, es imprescindible adaptarse a nuevas herramientas, metodologías y tecnologías, vivimos inmersos en el descubrimiento. Esto siempre ha sido así, pero en la actualidad, es imprescindible adaptarse a una innovación mucho más acelerada y vertiginosa. Es precisamente en este compromiso con el aprendizaje continuo en el que se centra un proyecto que quiero compartir con vosotros: el Máster en Investigación de Mercados y Marketing Digital, una formación que se imparte de forma presencial y online.

En 2020 tuve el honor de recibir la invitación para formar parte de este proyecto enfocado a formar al investigador del futuro, proporcionándole las herramientas necesarias para dominar las nuevas tendencias, y a la vez, dándole acceso a una preparación analítica de primer nivel, como destaca uno de nuestros alumnos:

«(…) conseguí plaza en el Instituto Nacional de Estadística y ahora estoy muy motivado estudiando para el nivel superior. Te informo porque considero que el conocimiento del máster y los magníficos profesores que lo conformáis fueron clave para conseguirlo (…)» Alexis Prieto Paz

Cuando hablamos del investigador del futuro, un informe de referencia es el prestigioso GRIT ( GreenBook Research Industry Trends Report). Si observamos los datos de 2023, es evidente que nuestra profesión se ha vuelto mucho más compleja y tecnológica. Es esencial dominar herramientas y metodologías que están avanzando a gran velocidad y ya están generando un gran impacto, tales como la Inteligencia Artificial generativa, la integración de datos procedentes de diferentes fuentes, el análisis automático de textos, el análisis de redes sociales, las comunidades cualitativas online, los behavioral economics models (modelos de economía conductual), la visualización de datos, el storytelling en la investigación… Y precisamente, es en estas áreas en las que formamos a los alumnos del máster, como comparte otro de nuestros alumnos:

«El Máster en Marketing Digital e Investigación de Mercados de la UCLM me ha brindado un entendimiento completo del mundo dinámico del marketing digital, el comportamiento del consumidor y las estrategias de investigación de mercados. He tenido la oportunidad de explorar tecnologías de vanguardia y las últimas tendencias de la industria, lo que me ha preparado para prosperar en el siempre cambiante panorama de la era digital» Cem Nalbantoglu

Y en este proyecto nos tomamos en serio otro reto fundamental, algo que quienes nos dedicamos a la investigación comprendemos muy bien, pero que a veces es difícil de transmitir: la pasión por la investigación. Nuestro objetivo es contagiar a nuestros alumnos esa sensación de satisfacción, emoción y trabajo bien hecho que nos embarga cuando entendemos mejor a las personas, cuando encontramos una nueva respuesta o cuando finalmente todo cuadra. Contagiar esta pasión es realmente increíble:

«He disfrutado cada momento, cada clase y cada espacio que me ha ofrecido este Máster en Investigación de Mercados y Marketing Digital (Mi2mD). He aprendido sobre el mundo del marketing digital de la mano de grandes profesionales (…)» Diego Ortega Navarro

«Llegar al final de esta etapa me llena de felicidad. Y qué mejor manera de cerrarla que presentando mi proyecto de investigación titulado «La Monitorización y Análisis de los Comentarios sobre Shakira – BZRP Music Sessions #53». Este trabajo ha sido motivador y divertido a la vez» Daniel Claudiu Muntean

Este proyecto va más allá de la investigación, ya que ofrece a los alumnos la posibilidad de ser especialistas tanto en investigación de mercados como en marketing digital. Estas dos formaciones están estrechamente relacionadas y se benefician mutuamente.

De esta forma, los alumnos del máster tienen la oportunidad de aplicar los conocimientos sobre análisis de datos, segmentación, análisis de tendencias y el uso de herramientas tecnológicas en casos prácticos. La integración de habilidades en investigación de mercados y marketing digital les capacita para afrontar con éxito un entorno cada vez más complejo y altamente tecnológico.

Muchas gracias por leer este caso de éxito que quería compartir contigo, me llena de orgullo decirte que continuaremos dando lo mejor de nosotros para formar al investigador del futuro.

La entrada Formando al investigador del futuro se publicó primero en Investigación de Mercados en España.

Este fichero RBetas es un csv que tendrás que trabajar un poco antes de ponerte con el análisis. Así es su apariencia original:

En primer lugar, para no tener problemas con posterioridad, si es que trabajas con comas en lugar de puntos como separadores decimales, sustituye todos los puntos del fichero por cualquier carácter no incluido en este fichero. Puedes utilizar, por ejemplo, la arroba.

En segundo lugar, separa las columnas delimitadas por comas. Aquí se explica cómo hacerlo.

En tercer lugar, sustituye todas las arrobas por comas. Ya casi tendrás el fichero RBetas tal y como lo necesitas.

En cuarto lugar, para trabajar más cómodamente, deberías cambiar las etiquetas de las columnas. A1 corresponde al primer atributo que cargaste a ChoiceModelR; A2 al segundo atributo; A3, al tercero (marca, color y precio, según el ejemplo que vamos siguiendo).

El último número de cada cabecera indica el código del nivel, que corresponde también con el que asignaste anteriormente. Así, una vez aplicados estos cambios, deberías haber llegado a un fichero similar a este:

Ahora sí. Ya lo tienes todo listo para empezar con el análisis. Este fichero RBetas te muestra, para cada individuo (reflejado a través de una fila e identificado con la id que cargaste a ChoiceModelR), qué utilidades corresponden a cada uno de los niveles de los atributos. Sin embargo, el análisis individual te aportará datos muy poco fiables. Piensa que, en el experimento del ejemplo, cada encuestado ha visto solo 20 combinaciones de producto distintas ¡de un total de 216 combinaciones posibles!

El análisis hay que hacerlo, pues, en términos agregados. No es mala idea, antes de empezar, hacer un análisis de la dispersión de utilidades de cada nivel (unos cuantos gráficos de caja te servirían para hacerte una idea aproximada). Si hay niveles con una elevada variabilidad, es posible que los datos escondan diferencias entre distintos grupos de consumidores (adolescentes y adultos, por ejemplo), cosa que haría recomendable segmentar los datos para sacar modelos distintos para cada una de estas categorías sociales.

En nuestro ejemplo, se observa una categoría con una elevada variablidad: el “Ninguno de los anteriores”, que diferencia a los realmente interesados en el producto de los que, en muchas ocasiones, preferirían no comprar ningún producto antes que los dos que se le muestran en la pantalla.

A continuación tendrías que sacar las medias de cada uno de los niveles… y obtendrás la utilidad media de cada uno de ellos. ¿Qué podemos hacer con estas utilidades? Te lo explicamos en el siguiente post.

La entrada RBetas: análisis de las utilidades de un conjoint con R se publicó primero en Investigación de Mercados en España.

Antes que nada, asegúrate que tienes instalados los siguientes paquetes de R: “bayesm”, “MASS”, ”lattice”, ”Matrix”, ”ChoiceModelR” y “XLConnect”. En la web encontrarás muchos tutoriales sobre cómo instalar paquetes de R… aquí te dejamos un ejemplo.

Asegúrate también que el csv que vas a cargar esté en el directorio de trabajo de R. Y aquí tienes el código que tienes que introducir en la consola de este software para proceder con el análisis:

Solo tienes que sustuir los caracteres marcados en rojo por lo que corresponda a tu caso. En “data”, simplemente escribe el nombre de tu fichero de carga. En “xcoding“, introduce tantos ceros como atributos tenga tu diseño de conjoint. Hay otras opciones que permiten customizar tu análisis, que puedes consultar en la documentación del paquete, pero con esta base ya tendrás suficiente para seguir adelante. Por ejemplo, si tienes pensado que otras personas puedan replicar tu metodología, no sería mala idea guardar la semilla a partir de la cual arranca tu análisis. Cada análisis que hagas, debido a cierta aleatoriedad existente en los cálculos, te dará resultados ligeramente distintos. Guardando esta semilla te asegurarás de que otras personas que repliquen el análisis obtendrán exactamente el mismo resultado.

Una  vez hayas introducido este código en la consola, dale al intro… y la magia empieza.

En primer lugar, verás que se te abre una ventana con este gráfico, que irá evolucionando a medida que se desarrolle el análisis. El algoritmo de cálculo inicia con la primera iteración (una muestra de los parámetros que pretende calcular el modelo). Los resultados de esta primera iteración servirán de base para realizar una segunda iteración (otra muestra de parámetros) y así sucesivamente, hasta llegar a las 20.000, que son las que teníamos predeterminadas en nuestro código. El hecho que iteraciones pasadas sirvan de base para calcular iteraciones futuras explica por qué el modelo aplicado por ChoiceModelR tiene un enfoque bayesiano.

No hay que establecer obligatoriamente las 20.000 iteraciones. La idea es jugar con un número de iteraciones suficiente para que las líneas del anterior gráfico, que representan las utilidades de cada uno de los niveles de nuestro conjoint, se estabilicen o converjan.

De otro lado, verás que la consola de R, a medida que se va desarrollando el análisis, muestra los siguientes resultados:

Cada 100 iteraciones ChoiceModelR te muestra los resultados a los que, hasta el momento, ha llegado el modelo. Aunque ofrece varias métricas, la realmente interesante es la de RLH (Root-likelihood), que, tomando valores del 0 al 1, indica cómo de bien un modelo se ajusta a los datos. Cuanto más se acerque a 1, más capacidad explicativa tendrá el modelo. Verás que, para cada iteración, el RLH va aumentando, hasta llegar a un punto en el que una nueva iteración ya no hace cambiar su valor de manera significativa. Es aquí cuando habrás llegado al punto de convergencia.

En el caso que nos ocupa, nuestra iteración 20.000 presenta un RLH de 0,73, indicando un buen ajuste del modelo a los datos. Si el RLH de tu modelo indica un mal ajuste… lo más probable es que hayas diseñado el conjoint de manera errónea.

Más allá de de la información que muestra la consola de R, ChoiceModelR guardará 4 ficheros en tu directorio de trabajo. En el siguiente post te hablaremos del fichero RBetas, que es el que realmente nos interesa para seguir con nuestro análisis Conjoint.

La entrada ChoiceModelR: Procesamiento de los datos conjoint en R se publicó primero en Investigación de Mercados en España.

Una vez ya has recogido tus datos, Alchemer nos permite descargar un fichero parecido a este. No pasa nada si tu base de datos tiene un formato distinto; tanto si trabajas con Alchemer como a través de otros métodos vamos a tener que trabajar los datos para poder cargarlos a R. Lo que sí que es imprescindible es que cada línea del Excel se refiera a cada combinación de atributos mostrados en cada pantalla.

Esta base de datos es el resultante de un ejercicio ficticio en el que cada producto es el resultante de la combinación de tres atributos distintos: marca, color y precio. La columna “ID” es el identificador único del encuestado. La columna “set” indica la pantalla en la que se ha mostrado al encuestado el producto en cuestión (toma valores del 1 al 10, ya que en este ejemplo se muestran 10 pantalladas por encuestado). La columna “card” indica la posición de cada producto en cada set (1, 2 y, para los “Ninguno de los anteriores”, 3). La columna “choice” indica, mediante un 100, qué producto se ha seleccionado en cada set. Las filas que contienen el término “none” se refieren a la opción “Ninguna de las anteriores”.

El siguiente paso es la transformación de este archivo para poder cargarlo a choiceModelR, el módulo de R que emplearemos para calcular los resultados del conjoint. La idea es la siguiente: para cada set, la primera card deberá señalar, en la columna “choice”, cuál de las tres cards se ha seleccionado (1,2 ó, en el caso de “Ninguno de los anteriores”, 3). Para conseguir este resultado, al lado de la columna “choice” puedes aplicar la siguiente función de Excel a la primera fila, y extenderla hasta el final de la tabla:

=SI(H2=100;1;SI(H3=100;2;SI(H4=100;3)))

Con esto conseguirás que todas las primeras filas de cada set reflejen la elección que ha hecho el encuestado.

A todas las cards cuyo valor no sea igual a 1 se les asignará, en la columna “choice”, el valor 0. Y todas las filas correspondientes al “none” deberán ser borradas del archivo.

A continuación, se tienen que transformar los valores categóricos de los niveles de nuestros atributos a códigos numéricos. No es estrictamente necesario, pero dado que choiceModelR lo hará igualmente, mejor tener claro ya de inicio qué códigos numéricos corresponderán a cada uno de los niveles. Y recuerda anotar estas correspondencias.

La transformación del anterior fichero según los cambios que se acaban de comentar debería dar como resultado un fichero parecido al de esta imagen. Es muy importante que las filas mantengan el mismo orden: las cards ordenadas siempre de menor a mayor y, los sets, ordenados también de menor a mayor. Finalmente, ordena también de menor a mayor la id del encuestado. Si no lo ordenas así, choiceModelR será incapaz de aplicar el algoritmo MCMC (Markov chain Monte Carlo). Ah, y guarda el fichero en formato csv.

Ya está todo preparado para subir los datos a R y analizar los datos del conjoint. En el siguiente post te explicaremos cómo procesar la información a través del paquete choiceModelR.

La entrada Preparación del fichero conjoint para cargar a R se publicó primero en Investigación de Mercados en España.

Hay distintos tipos de análisis conjoint, pero en este post nos centaremos en el choice-based conjoint de respuesta simple, ya que creemos que es el que más facilita la tarea por parte de los encuestados. En cuanto a la recogida de datos, a través de una encuesta online, su lógica es la siguiente: se muestran X pantallas a cada encuestado, en cada una de las cuales aparecen dos productos (aunque podrían ser incluso más) con distintas combinaciones de atributos. El encuestado debe escoger cuál de los dos productos mostrados prefiere.

Opcionalmente se puede incluir un botón “Ninguno de los dos”. A veces, los encuestados sienten aversión por los productos mostrados. En estos casos, este botón nos ayuda a evitar respuestas forzadas que puedan “ensuciar” la calidad de los datos.

Se recomienda no emplear más de 6 atributos en nuestro conjoint. También se recomienda que cada uno de estos atributos no tenga más de 6 niveles (por ejemplo, el atributo “color” podría tener los niveles “blanco”, ”amarillo”, “rojo”…). Sobrepasar estos límites puede dificultar la valoración de los encuestados y llevarlos a desarrollar estrategias psicológicas de simplificación, como ignorar un determinado atributo por completo.

¿Cómo determinar el tamaño de la muestra que necesitamos? Simplemente, aplica esta fórmula:

Tamaño de la muestra=(1.000 x número de niveles del atributo que tiene más niveles)/(pantallas a mostrar x productos mostrados por pantalla)

Ten en cuenta que el tamaño requerido aplica solo al global de la muestra. Es decir, si por ejemplo necesitas comparar los resultados entre hombres y mujeres, vas a tener que duplicar el tamaño del resultado de esta fórmula.

De otro lado, intenta no excederte con el número de pantallas que mostrarás… cuantas más pantallas muestres, más se cansarán nuestros encuestados (tomar decisiones es fatigante mentalmente), cosa que redundará en una reducción de la calidad de los datos obtenidos.

Antiguamente, los conjoint se hacían mediante diseños ortogonales (a través del programario de SPSS los podías generar), que consistían en reducir el número de posibles combinaciones de atributos y niveles del producto a un número de combinaciones que fuera manejable para un encuestador. Un diseño ortogonal balancea al máximo los atributos y niveles para que se muestren más o menos repartidos, aunque imposibilita la presentación de todas las combinaciones posibles.

Hoy en día, sin embargo, en el mercado existen numerosos softwares específicos para realizar análisis conjoint, capaces de aleatorizar totalmente las combinaciones de atributos y niveles: Conjoint.ly, 1000minds, Sawtooth…

En Empirica trabajamos con Alchemer, un programario orientado al diseño de encuestas. Pese a no ser un software específico para realizar conjoints, Alchemer nos ofrece todo lo que necesitamos para implementar esta técnica estadística. Quizá, a diferencia de softwares específicos, flojea un poco en cuando a sus herramientas analíticas, pero es algo que nosotros suplimos a través de la carga y análisis a través de R y un simple excel.

En el siguiente post, como te prometimos, entramos en materia: ¿cómo analizar los datos de un conjoint con R?

La entrada ¿Cómo utilizar R para analizar los resultados de un conjoint? Paso a paso se publicó primero en Investigación de Mercados en España.

En primer lugar, ChatGPT puede ayudar a las empresas a identificar los objetivos clave de su proyecto de investigación de mercados. Al comprender los objetivos de la empresa, ChatGPT puede ayudar a determinar qué tipo de investigación de mercado es la adecuada para el proyecto y proporcionar una guía para seleccionar las herramientas y métodos más apropiados.

En segundo lugar, ChatGPT puede ayudar a las empresas a recopilar y analizar datos. Como modelo de lenguaje, tiene la capacidad de procesar grandes cantidades de datos de manera rápida y precisa. Puede ayudar a las empresas a identificar las fuentes de datos relevantes para su proyecto de investigación y a extraer y analizar datos de diferentes fuentes, como encuestas, entrevistas, datos de ventas y redes sociales. Además, puede analizar los datos para extraer información útil y ayudar a comprender las implicaciones de los resultados de la investigación.

En tercer lugar, ChatGPT puede ayudar a las empresas a presentar sus resultados de investigación de manera clara y efectiva. Puede ayudar a resumir los resultados en un formato visualmente atractivo y fácil de entender, como gráficos, tablas y diagramas. También puede interpretar los resultados y proporcionar recomendaciones basadas en la información recopilada. Además, puede ayudar a desarrollar un informe de investigación que destaque los principales hallazgos y las implicaciones para el negocio.

En cuarto lugar, ChatGPT puede ayudar a las empresas a mantener el enfoque en su proyecto de investigación. Puede asegurarse de que el proyecto avance según lo previsto y de que se logren los resultados deseados. Además, puede ayudar a las empresas a adaptarse a los cambios en el mercado y a los nuevos desarrollos en su sector para asegurarse de que su investigación sigue siendo relevante y efectiva.

En conclusión, ChatGPT es un modelo de lenguaje de inteligencia artificial que puede ayudar a las empresas a realizar proyectos de investigación de mercados de manera efectiva. Desde la identificación de objetivos clave hasta la presentación de resultados y recomendaciones, ChatGPT puede ayudar a las empresas a comprender mejor a sus clientes, a identificar oportunidades de mercado y a tomar decisiones informadas para su negocio. Si una empresa necesita ayuda con su próximo proyecto de investigación de mercados, puede contactar a ChatGPT para saber cómo puede ayudar.

Habrá que ir poniendo a prueba las capacidades de ChatGPT… de momento, lo que sí podemos asegurar, ¡es que los posts los escribe de maravilla!

Todo lo que has leído hasta el anterior párrafo lo ha escrito GhatGPT solo en base estas orientaciones:

• Escríbeme un post de unas 500 palabras sobre cómo nos puedes ayudar a hacer proyectos de investigacion de mercados.
• ¿Lo puedes escribir en tercera persona?
• Añade un primer párrafo explicando qué es chatGPT.
• ¿Puedes hacer este párrafo un poco más corto?
• I love you!
• Escríbeme un título para el post que me has redactado.
• ¿Puedes añadir un chiste en el post que acabas de escribir?
• ¿Tienes un chiste mejor?
• Bueno, el humor no es lo tuyo…

Y, por cierto, la imagen que acompaña este post también la ha hecho una inteligencia artificial… cortesía de Dall-E. Ni el mismísimo Kandinsky lo habría superado.

Venga, nos vemos donde las caipirinhas

La entrada Descubre cómo ChatGPT puede mejorar tus proyectos de investigación de mercados se publicó primero en Investigación de Mercados en España.

Aunque existen distintas aproximaciones prácticas a los chatbots, éstas se podrían resumir en el hecho que es una tecnología de recogida de datos sobre los consumidores. Los chatbots, programas informáticos capaces de interactuar con los humanos, ya sea mediante texto o voz, están cada vez más presentes en la vida cotidiana de las personas. Los altavoces inteligentes, según datos de IAB, son empleados por el 9,3% de la población española. Además, según Invesp, el 67% de consumidores utilizaron, a nivel mundial, algún chatbot para dirigirse al servicio técnico de alguna empresa durante 2019 .

Estos datos, en constante crecimiento, parecen indicar que el ser humano está cada vez más acostumbrado a relacionarse con robots en sus quehaceres habituales. Los posibles sesgos derivados de las diferencias entre usuarios y no usuarios de chatbots, pues, se desvanecen ante un uso cada vez más universal por parte de los consumidores.  Es el momento en el que el sector de la investigación entre de lleno en el uso de esta tecnología.

En este sentido, voy a destacar dos de las ponencias del IIeX que me parecieron más interesantes al respecto.

En la primera de éllas, William Yattah, CEO de DISCUSSNOW, presentó el proyecto que han desarrollado para Samsung. Los compradores de esta marca, al registrarse como clientes y dar su consentimiento a la política de privacidad, entran a formar parte de un CRM que se alimenta tanto de los datos sociodemográficos requeridos para el login como de los productos comprados por el propio cliente. Además, el CRM se alimenta de las conversaciones que los usuarios realizan con los chatbots, en cuanto a agentes de soporte técnico, y de otras conversaciones, también mantenidas por herramientas de inteligencia artificial, desarrolladas a través de mensajería instantánea. Whatsapp, Facebook o Twitter se convierten en canales no solo para solucionar los problemas de los consumidores en relación con los productos comprados, sino para que los investigadores formulen sus propias preguntas con el objetivo de conseguir insights valiosos para Samsung.

Pero la aplicación de la inteligencia artificial no se queda solo aquí: mediante herramientas automáticas se procede también al análisis cuantitativo de los datos cualitativos, y a la creación de un dashboard que agrega toda la información. Este proceso de análisis de información, para mí una caja negra (no lo creeré hasta que no lo vea con mis propios ojos), es otra de las grandes tendencias vislumbradas en el IIeX, sobre todo debido al gran número de empresas que, ofreciendo este servicio, prometían el acceso al Santo Grial de los insights. Pero esto ya es harina de otro costal… tendré que empezar a pedir demos para despejar las sombras de duda… seguimos con los chatbots.

En la segunda de las ponencias que destacamos, Karlien Kriegler y David Wright, de Kantar, presentaron su proyecto desarrollado en Sudáfrica para los supermercados Woolworths. El objetivo era conocer los hábitos alimentarios de los sudafricanos para adecuar la oferta de productos, definir cuándo y cómo se debían lanzar ciertas promociones… en resumen, conseguir ideas que ayudaran a la marca a maximizar sus beneficios.

Para conocer estos hábitos alimentarios, Kantar decidió apostar por un diario online. Pero no un diario online cualquiera. Éste era gestionado por un bot, con la imagen y las maneras de comportarse de una chica joven, que interactuaba constantemente, vía Facebook Messenger, con los panelistas. El objetivo: conocer los platos, los ingredientes y las motivaciones que, a lo largo del tiempo, se desarrollan en los hogares sudafricanos. Que no se asusten los dinamizadores de técnicas cualitativas (al menos, de momento). El objetivo de Serena, el nombre de este chatbot, se limita a animar a los panelistas a colgar fotos y a hablar sobre sus menús diarios… sin entrar en temas que requieran niveles de mucha más profundidad.

En base a toda esta información, Woolworths llegó a la conclusión que el jueves es el día del chocolate. Después de los excesos del fin de semana, los sudafricanos, con cierta sensación de arrepentimiento, comen productos sanos que les ayuden, además de mantenerse en forma, a aliviar su sentimiento de culpa… hasta que llega el jueves, el día en el que el ansia generado después de tres días «comiendo salud» extiende sus alas. Ha llegado el momento de atiborrarse de chocolate. Bingo. Este es el día en el que Woolworths debía lanzar sus promociones de este tipo de productos.

El empleo de chatbots, ¿supone una amenaza para los institutos de investigación clásica? Viendo el éxito de estos proyectos y teniendo en cuenta el crecimiento de las capacidades comunicativas de los chatbots… diría que sí. A los investigadores clásicos nos tocará reinventarnos. Pero esto no es algo que no hayamos hecho con anterioridad. Tiempo al tiempo.

Fotografía: Computerizer

La entrada Chatbots: la tecnología que viene se publicó primero en Investigación de Mercados en España.

Ámsterdam será, de nuevo, la sede de uno de los eventos de investigación que más apreciamos en IME: el IIeX Europe 2020. Como no podía ser de otra manera, los próximos días 25 y 26 estaremos en la capital neerlandesa para contarte de primera mano cuáles son las principales novedades del sector de los insights. Será ya la tercera edición consecutiva en la que visitamos el IIeX… sí, nos gusta este evento

Y no tan solo por los contenidos, siempre sorprendentes, ni por la facilidad de estrechar lazos de networking con investigadores de alrededor del mundo. IIeX es frescura, agilidad, flexibilidad, algo que hace que tengas la sensación que el tiempo que has pasado allí ha sido realmente breve.

Y, más allá de los nuevos descubrimientos, tanto teóricos como tecnológicos, el formato de las charlas, cada vez más cercanas a las TED Talks, te permite descubrir nuevas maneras de narrar y de comunicar de una manera realmente creativa. Y de esto se aprende.

Nosotros estaremos allí… ¿Y tú? ¿Quieres venir? Por ser miembro del grupo LinkedIn de IME te damos la oportunidad de conseguir un descuento del 25% en tu inscripción al IIeX. Solo tienes que apuntarte a través de este link. ¡Anímate!

La entrada ¿Te vienes al IIeX Europe 2020? se publicó primero en Investigación de Mercados en España.

“El tiempo es una ilusión”

Albert Einstein

¿Que el tiempo es una ilusión? Que se lo expliquen a mis clientes… será una ilusión, en física, en función de la velocidad de la luz y la posición del observador… o una ilusión en tanto en cuanto la percepción del tiempo, como decía Thomas Mann, depende de cómo estemos disfrutando, o padeciendo, los momentos de la vida. El tiempo será ilusorio. Pero el transcurrir del reloj y del calendario, arbitrariedades inventadas por el ser humano, no pasan desapercibidas cuando se acerca el deadline para la presentación de un informe.

Y quizá esta necesidad de rapidez no sea baladí en el sector de la investigación… anticiparse a los movimientos de la competencia siempre ha sido clave en cualquier industria, y más aun si le sumamos los contextos online -con internet todo va aún más rápido- y sociales -nunca antes el consumidor había cambiado tanto en tan poco tiempo. Como se desprende del Informe GRIT 2019, para los compradores de investigación, el mayor reto del sector es el de aumentar la rapidez en la generación de insights. El 11% de los compradores dio esta respuesta al preguntársela en abierto. El segundo reto que más se comentó por los compradores entrevistados (10% de ellos) es el de mejorar la accesibilidad y el volumen de datos.

Quizá sea esta necesidad de rapidez la que provoca que las dos tendencias que se perciben como más relevantes en el sector sean la Inteligencia Artifical y la automatización. Según el informe GRIT, el 27% de los proveedores de investigación (23% en el caso de los compradores) considera la inteligencia artificial como la tendencia del momento, seguida por un 12% de proveedores (9% en el caso de los compradores) que mencionaron la automatización.

Interesante ver que, en ambas tendencias, los porcentajes son más elevados entre proveedores que entre clientes… quizás debido al hecho que el investigador sabe que automatizar procesos redundará en una reducción de los tiempos. De hecho, al cliente le debería dar lo mismo aplicar una tecnología u otra… o ninguna (excluyendo a los negocios online de esta afirmación). Para el cliente, lo importante debería ser el timing, el precio… y la generación de insights de valor, tarea ésta más propia de los humanos que de las máquinas.

Automatizar no dará lugar a mejores insights… pero sí que permitirá ofrecerlos más rápido y a un menor coste. Mención a parte sobre la inteligencia artificial: sus posibilidades analíticas pueden permitir la detección de patrones de comportamiento sobre cantidades ingentes de datos, unos patrones que, aunque no cristalicen efectivamente en insights, pueden actuar como guías para que el investigador descubra una realidad escondida en un mar de datos.

La tercera tendencia del momento más mencionada por los encuestados no es ni tecnológica ni técnica. Es de carácter teórico. El paradigma del Behavioral Economics, o ciencias del comportamiento, parece que, al menos “de boca”, se está asentado entre la comunidad investigadora internacional. El 10% de compradores, así como el 10% de proveedores, creen que es una tendencia a consolidar.

El Behavioral Economics, a mi entender, es un paradigma que no se circunscribe a ninguna disciplina académica en concreto, sino que bebe de los descubrimientos de la economía, la psicología (y la neurociencia) y la sociología para ofrecer un cuerpo teórico cuyo principal objetivo es el de explicar las causas del comportamiento humano. Defiende que nuestros comportamientos no siempre son racionales (con lo que el principal impulsor del paradigma, Daniel Kahneman, rompía con la tradición economicista clásica) y que nuestro inconsciente (emociones, sesgos mentales, creencias) moldea nuestras conductas. Este enfoque debería servir para, por ejemplo, evitar ciertas preguntas en cuestionarios que conminan al encuestado a responder declarativamente por las razones de sus actos o actitudes.

Y es que solo entendiendo cómo funciona nuestra toma de decisiones podremos, desde el marketing, conseguir cambios en las conductas de los consumidores. Sin duda alguna, las premisas teóricas del Behavioral Economics irán calando, poco a poco, entre la comunidad investigadora.

La entrada Informe GRIT 2019: tendencias en investigación de mercados se publicó primero en Investigación de Mercados en España.