REPRESENTACIÓN DE LAS IDEAS

En esta fase, el objetivo es representar las ideas o rasgos a partir de los resultados obtenidos de las fases anteriores.

Para ello, siguiendo las indicaciones de Trochim (1989), la conceptualización y representación gráfica de los resultados obtenidos se realiza en dos fases aplicando dos técnicas estadísticas diferentes que permiten (1) representar visualmente la matriz de agrupaciones anterior y (2) agrupar aquellas ideas que los expertos han considerado que están relacionadas. Ambas fases se han realizado a partir de un programa desarrollado por el grupo de investigación de Fornells et al., (2015)7

La primera fase se realiza aplicando la técnica del multidimensional scaling (o escalado multidimensional, en adelante MDS, por sus siglas en inglés), siguiendo el método Alscal, como indica Trochim (1989). El MDS se refiere al conjunto de técnicas estadísticas utilizadas habitualmente en marketing y ciencias sociales para la visualización y exploración de datos, con el objetivo de tomar las preferencias y percepciones de los encuestados y poderlas representar en un diagrama visual. En este caso, tenemos una matriz de 103 × 103 (número de ideas o rasgos), y cada fila representa la agrupación de una idea con las otras 102. Para representar esta matriz, se necesitaría un espacio de 103 dimensiones y, obviamente, esto es inimaginable visualmente. Por este motivo, el MDS proyecta el espacio de 103 dimensiones al menor número posible, con el objetivo de ayudar a visualizar las relaciones entre las ideas. En general, se utiliza una proyección en dos dimensiones (Green, 1975).

Cuantas más dimensiones haya, más fiable será la estadística, pero más difícil será interpretar el resultado. La figura 5.2 muestra el resultado de aplicar el MDS, en que los puntos representan las ideas o rasgos (mediante sus números) en dos dimensiones que

7 _{Programa desarrollado por el Research Group in Hospitality, Tourism and Mobilities de la Facultad de} Turismo y Dirección Hotelera de Sant Ignasi, Universidad Ramon Llull.

142

representan los factores que considera la técnica como los más relevantes. Un factor se podría describir como una combinación del posible significado de las agrupaciones.

Figura 5.2 Mapa de puntos resultante del Multidimensional Scaling (MDS) Fuente: Elaboración propia

La cercanía o distancia entre los puntos debe entenderse como representativa del número de expertos que colocan dichas ideas o rasgos en un mismo grupo o en grupos distintos. Por tanto, los rasgos situados con mayor proximidad en el mapa muestran que fueron agrupados juntos más frecuentemente, es decir, una mayor cercanía de los puntos es representativa de que un mayor número de expertos situaron dichos rasgos en un mismo grupo.

La segunda fase se centra en identificar agrupaciones de las 103 ideas en función al criterio de proximidad espacial de los puntos en el mapa anterior. Por tanto, se persigue encontrar aquellas agrupaciones que minimicen la distancia entre las ideas o los rasgos y el centro de su agrupación, y se maximice la distancia entre los centros de los diferentes grupos. Existen multitud de técnicas de clustering en la literatura y todas ellas son igualmente válidas. Por tanto, se trata de elegir la técnica en función de la tipología de los datos y el procedimiento que se quiera seguir para su estudio. En este estudio, las técnicas

143 que mejor se ajustan son las de clustering jerárquico, ya que permiten mostrar agrupaciones de ideas en diferentes niveles. La figura 5.3 muestra un ejemplo donde nueve objetos o ideas se agrupan en diferentes niveles. Los objetos 6-8 y 1-9 son similares entre ellos y, al mismo tiempo, se pueden agrupar todos juntos de una manera más general. Por tanto, esta aproximación es especialmente útil para detectar dependencias.

Figura 5.3 Ejemplo de agrupaciones de ideas Fuente: Elaboración propia

En este estudio, se ha aplicado el algoritmo de Ward siguiendo las indicaciones de Trochim (1989). Siguiendo al creador del concept mapping, la tarea del analista o del investigador consiste en decidir cuál es el número de clústeres en que agrupar el conjunto resultante de ideas, en nuestro caso los 103 rasgos, examinando las diferentes alternativas de solución para decidir cuál de ellas tiene más sentido.

Así pues, se optó por utilizar el criterio de la mayor relación de significado o coherencia de sentido entre los rasgos que aparecían agrupados en las distintas alternativas de número de clústeres. Este criterio ha sido utilizado por otros autores ( Rosas y Camphausen, 2007; Santomà, 2008). Teniendo en cuenta este criterio y que Trochim (1989) recomienda que idealmente el analista pueda implicar a los participantes del focus group en dicho proceso, se realizó una segunda sesión en noviembre de 2012, nuevamente aprovechando una reunión de la Junta de UNIJES. El objetivo era presentar los resultados obtenidos aplicando el MDS, es decir, los mapas de rasgos obtenidos y las opciones que ofrecía el análisis clúster jerárquico, para así determinar cuál era el número óptimo de clústeres.

144

En la sesión de trabajo, se validó el proceso seguido y se expuso el criterio a seguir, citado anteriormente, para decidir el número final de clústeres, que se aceptó de forma unánime. En cuanto a la opción por un número determinado de clústeres, se debatió entre las alternativas de 4 o 5 clústeres y, en referencia a cómo denominarlos se hicieron varias propuestas. Por la premura de tiempo disponible, ambas cuestiones (la decisión final sobre el número de clústeres y cómo denominarlos) se dejaron finalmente en manos del autor del estudio para que, por sí mismo, teniendo en cuenta las aportaciones de la reunión y mediante una posible consulta con expertos en la materia, pudiera determinar finalmente el número de clústeres y sus denominaciones siguiendo el criterio ya apuntado de la mayor coherencia de significado.

Teniendo en cuenta el análisis previo realizado, las aportaciones del focus group y la recomendación de un experto en el área de recursos humanos y formación por competencias, coincidente con el autor del estudio, se decidió establecer aquel número de clústeres en que las agrupaciones meramente estadísticas obtenidas por el MDS tuvieran también una significación conceptual coherente por los rasgos o las ideas contenidas en cada grupo, tal como han hecho otros autores que se han mencionado anteriormente. Así pues, y siguiendo el criterio de mayor coherencia de significado de los grupos de rasgos, se determinó que el número óptimo era el de 4 clústeres, como puede apreciarse en la figura 5.4.

145 Figura 5.4 Mapa de 4 clústeres

Fuente: Elaboración propia