• No se han encontrado resultados

El análisis de escalamiento multidimensional

N/A
N/A
Protected

Academic year: 2018

Share "El análisis de escalamiento multidimensional"

Copied!
20
0
0

Texto completo

(1)

Natalia Vila López

Universitat de València

(2)

El análisis de escalamiento multidimensional

1. ¿Qué es el análisis de escalamiento multidimensional?

(Hair, Anderson, Tatham y Black, 1995)

El análisis de escalas multidimensionales es una técnica de representación espacial que permite visualizar sobre un mapa un conjunto de estímulos cuyo posicionamiento relativo se desea analizar. En otras palabras, se trata de un procedimiento rápido y sencillo para dibujar mapas sobre los que representan geométricamente, en forma de puntos, un conjunto de objetos (marcas, empresas, destinos turísticos, candidatos políticos, establecimientos comerciales …), de forma que la mayor proximidad entre dos objetos en el mapa significa que ambos son percibidos de forma bastante semejante, al tiempo que su alejamiento indica que uno y otro tienen poco que ver entre sí. Por este motivo, el análisis de escalas multidimensionales se conoce también como "mapa perceptual", aunque no debemos de olvidar que existen también otras técnicas de representación espacial que permiten la obtención de mapas perceptuales, como por ejemplo el análisis factorial de correspondencias, abordado en otro tema.

En líneas generales, el objetivo del análisis de escalas multidimensionales es trans-formar juicios de similitudes (o de preferencias) entre objetos, en distancias entre puntos en un mapa. De tal forma, si A y B son percibidos (o preferidos) de forma equivalente, los puntos a los que representan se aproximarán en el mapa percep-tual, mientras que en el supuesto contrario su distancia en el espacio perceptual aumentará.

2. Aplicación del análisis de escalamiento multidimensional

Paso 1. Establecimiento de objetivos

(3)

los métodos de descomposición). En el segundo caso, el análisis dependerá, en buena medida, de las variables seleccionadas para comparar a los objetos. Se habla entonces de análisis de escalas multidimensionales derivado (incluido entre los métodos de composición). Se diferencia del anterior en que la percepción global hacia un objeto se compone a partir de las percepciones individuales hacia cada uno de los atributos que lo define, que han sido explicitados por el investiga-dor. Su ventaja radica en poder representar sobre un mismo mapa perceptual tanto los objetos cuya posición en el espacio se analiza, como las variables utiliza-das para determinarla.

Por último añadir que, con frecuencia, se trata a toda la muestra de forma homogénea, sin distinguir segmentos de individuos con características afines. En este se caso se habla de análisis de escalas multidimensionales clásicos, basados en la obtención de un sólo mapa perceptual para toda la muestra. Por el contrario, resulta posible realizar análisis segmentados de forma que, además del mapa general, se obtengan mapas particulares para cada individuo (o segmento de individuos) identificados en la muestra. En este segundo caso se habla de análisis de escalas multidimensionales replicados. Su gran ventaja radica en generar distintos mapas perceptuales en función de los individuos (o segmentos) consid-erados.

[image:3.596.137.493.524.708.2]

Los distintos tipos de análisis de escalas multidimensionales se recogen en el cuadro 1.

Cuadro 1. Distintos tipos de análisis de escalamiento multidimensional

ESPECIFICACIÓN DE LOS OBJETOS A COMPARAR

Comparación directa entre objetos (objetos x objetos)

MDS DIRECTO

Comparación indirecta entre objetos (objetos x atributos)

MDS DERIVADO

Se trata toda la muestra a la vez

MDS CLÁSICO

Se trata toda la muestra de forma segmentada MDS REPLICADO

(4)

a comparar. No en vano, la adición de nuevos objetos, o eliminación de algunos de los ya considerados, supone la reubicación en el mapa de los objetos restantes. Dicha elección debe basarse en los objetivos de la investigación. Así, si el objetivo fuera el análisis del conjunto de productos para el cuidado de la piel, la cantidad y variedad de marcas o productos será bien diferente en comparación con otro hipotético estudio centrado únicamente en los productos ecológicos o no testados en animales. En cualquier caso el criterio aconsejable es incluir aquellos objetos que realmente compiten desde la perspectiva del consumidor.

Una precisión adicional hace referencia a la necesidad de que los encuestados conozcan lo suficiente a los distintos objetos seleccionados, para asegurar que las comparaciones que se efectúan responden a una base sólida de conocimientos.

Paso 2: Diseño del plan de análisis

En relación con el planteamiento de la investigación se debe señalar que el análisis de escalas multidimensionales trata de representar un conjunto de objetos en forma de puntos sobre un mapa. Para lo cual, una vez se han comparado los distintos objetos se construye una matriz cuyas celdas miden el grado de similitud/disimilitud entre cada par de objetos (δij). Es lo que se conoce como matriz de proximidades, o similitudes/disimilitudes. Los coeficientes de similitud/disimilitud de la matriz entre cada objeto "i" y cada objeto "j" se trans-forman en distancias en el mapa, de forma que dos objetos cuyo coeficiente de similitud (δij) sea elevado, estarán poco distantes (dij) en el mapa que los

repre-senta.

Al plantear la investigación se deben contemplar dos puntos esenciales. Primero, la selección del método de recogida de información (basado en los objetos ó basado tanto en los objetos como en los atributos), así como del nivel de agrega-ción de la muestra (análisis agregados ó desagregados). Segundo, la especificaagrega-ción del tipo de métrica a aplicar (análisis métricos ó no métricos) y de los objetos a estudiar.

(5)

categorización/clasificación y los que si los consideran como métodos de evalua-ción.

En relación con los métodos de categorización cabe distinguir los siguientes procedimientos de recogida de información:

a) categorización, o clasificación, propiamente dicha

Los distintos objetos son repartidos en conjuntos atendiendo a los similares que se perciben. Es decir, con este método, los objetos se clasifican utili-zando grupos alternativos, de forma que si los objetos son incluidos dentro de un mismo grupo son percibidos de forma equivalente y si son incluidos en distintos grupos son percibidos de forma diferente. Dos objetos que han sido frecuentemente incluidos en el mismo grupo se situarán próximos en el mapa puesto que su coeficiente de similitud es elevado.

En los casos en que la clasificación de objetos se haga por parejas, todos los pares deben ser repartidos en grupos o especies excluyentes. Una pareja de objetos similar a otra debe ser incluida dentro del mismo montón que aquella. La utilización de dos objetos en lugar de uno como base de comparación se recomienda para situaciones en que intervienen pocos objetos. Ello obedece a que el número de parejas posibles es bastante más elevado que el de objetos.

A veces la clasificación no se realiza por pares si no por tríos (Weirs, 1986). En el caso del método de las triadas de Combs los objetos se presentan en subgrupos de tres y el sujeto selecciona el par más similar y el menos similar. En el caso del método de las triadas completo cada subgrupo se muestra tres veces sirviendo en cada caso uno de los objetos como referen-cia para ordenar los otros dos. A partir de estos juicios se derivan los coefi-cientes de similitud entre pares de objetos.

b) citación directa

(6)

d) comparaciones pareadas

Los distintos objetos se comparan dos a dos, indicando el encuestado sobre una escala el grado en que los percibe similares. Dos objetos que, en promedio, tienen un coeficiente de similitud elevado, se situarán próximos en el mapa. Schiffman, Reynolds y Young (1981) utilizan tres tipos de escalas bipolares dependiendo de los estímulos a comparar.

“Diferentes” _________________

__ “Iguales”

“Más diferentes” _________________

__ “Exactamente iguales”

“Completamente diferentes” _________________

__ “Exactamente iguales”

La primera escala es la más utilizada (Davison, 1983; Dillon y Goldstein, 1984) y suele emplearse dividida en seis o nueve puntos.

A veces la medición de distancias no es tan directa. Tal es el caso de comparaciones pareadas en las que no se juzga la similitud percibida entre dos objetos, si no la preferencia de un objeto sobre otro. Así pues, para cada sujeto se obtiene una matriz cuadrada cuyas celdas δij indican la preferencia de i sobre j, o a la inversa. Aunque existe una extendida creen-cia de marketing que asume que productos similarmente percibidos serán similarmente preferidos por el consumidor, tendencias más recientes constatan lo contrario. Es decir, lo que es importante cuando los consumi-dores juzgan la similitud entre productos no se ajusta necesariamente a lo que es importante para ellos cuando los evalúan para la compra (Lefkoff-Hagius y Mason, 1993). No en vano, los juicios directos de similitud entre pares de objetos descansan mayormente sobre atributos físicos o carac-terísticas del producto (cilindradas, velocidad, nº de caballos etc.) y los juicios de preferencias lo hacen mayormente sobre atributos subjetivos o beneficios del producto (prestigio, status, seguridad etc.) (Ratneshwar y Shocker, 1991; Lefkoff-Hagius y Mason, 1993).

e) Ordenamiento condicionado:

(7)

Existen dos tipos de ordenamientos: el ordenamiento condicional completo y el simplificado. La diferencia radica en que el ordenamiento simplificado solo considera aquellos objetos más parecidos y menos parecidos al standard, dejando sin ordenar objetos intermedios.

Este método también puede utilizar como pivote de comparación una pareja de objetos. En este caso, las restantes parejas se ordenan respecto al par elegido como standard en cada ocasión.

f) Probabilidades condicionadas

Con este método, cada coeficiente δij de similitud de la matriz de

proximi-dades recoge la probabilidad de que presentado el objeto i, se responda con el objeto j. Este método se utiliza, básicamente, para derivar matrices de reconocimiento, que miden la probabilidad de que un objeto sea recono-cido. Los elementos de la diagonal principal indican la probabilidad de que mostrado un objeto el encuestado lo reconozca y responda correctamente su nombre.

También permite generar matrices de transición, referidas a dos momentos de tiempo, que recogen la probabilidad de que un estado inicial se mantenga transcurrido un cierto plazo. Los elementos de la diagonal principal indican la probabilidad de un estado inicial se repita al final.

g) Probabilidades conjuntas

Con este método cada coeficiente δij de la matriz de proximidades recoge

la probabilidad conjunta de que dos objetos se presenten simultáneamente. Se utiliza para derivar matrices de interacción y de co-ocurrencia. Esta matriz puede obtenerse, por ejemplo, clasificando los objetos en distintas categorías. Si un par de objetos es percibido similar, ambos formarán parte del mismo grupo y en la matriz de proximidades aparecerá un 1, si dos objetos se perciben diferentes formarán parte de clases distintas y en la matriz aparecerá un 0

En relación con los métodos de evaluación cabe distinguir:

a) Asociación

(8)

b) Puntuación de atributos

Los distintos objetos son puntuados sobre las distintas variables sobre una escala, en función del grado en que posee cada una de estas variables. Dos objetos que obtienen, en promedio, puntuaciones elevadas sobre las distin-tas variables se situarán próximas en el mapa.

Henry y Stumpf (1975) investigaron empíricamente el impacto que ejercían la cantidad de objetos a comparar y la metodología seguida, tanto sobre la precisión de la respuesta como sobre el tiempo requerido en cada caso. En relación con la variable precisión los resultados rechazaron la hipótesis de que niveles superiores correspondieran a comparaciones entre pocos objetos. En relación con la variable tiempo todo pareció favorecer el método de "ordenamiento condicionado" debido a su mayor rapidez sin perdida de precisión. Varela (1982) también obtiene que el "ordenamiento condicionado" ó "punto de anclaje" resulta prácticamente tan preciso como los métodos de clasificación por tríos y o por pares, requiriendo menor tiempo para su cumplimentación. Sin embargo, el método de las escalas de puntuación parece mejor que este último pues es significativamente más rápido, no proporciona resultados menos adecuados y además resulta más grato.

Atendiendo al nivel de desagregación de la muestra, se puede optar por considerarla de forma global ó segmentada, aplicando, respectivamente, análisis clásicos o replicados. Es decir, en el primer caso, se cuenta con una sola matriz de partida, mientras que en el segundo caso, deberá generarse una matriz distinta para cada segmento o individuo que se desea estudiar.

En relación con la métrica a aplicar se tiende, hoy en día, a la obtención de outputs métricos, tanto si el input es métrico como si no lo es (ordenaciones). La razón estriba en que los outputs métricos facilitan la interpretación de los resulta-dos en la medida que permiten rotaciones.

(9)

Paso 3: Condiciones de aplicabilidad

El análisis de escalas multidimensionales no tiene restricciones ni del tipo input, ni del tipo de relaciones entre las variables, pero requiere no descuidar algunos aspectos:

1. No todos los individuos estructuran mentalmente los objetos empleando el mismo número de dimensiones. Existen sujetos que desarrollan esque-mas mentales complejos, con gran cantidad y variedad y de variables evaluativas, mientras que otros simplifican su entendimiento del entorno con un número más reducido.

2. No todos los individuos asignan la misma importancia a todas las variables que consideran mentalmente cuando comparan los objetos. Algunos pueden asignar más peso, por ejemplo, al factor coste, mientras otros pueden decantarse hacia aspectos relativos a la calidad.

3. Los juicios de similitud o de preferencia, tanto en términos de variables utilizadas como de importancia asignada a las mismas, no tienen porque permanecer estables a lo largo del tiempo.

Todas estas consideraciones apuntan hacia la identificación de segmentos homogéneos en términos de variables consideradas e importancia otorgada a las mismas a fin de conseguir que los mapas estimados representen, con el mayor ajuste posible, las percepciones de los individuos analizados. La razón estriba en que a medida que las opiniones/preferencias diverjan, su representación a través de mapas perceptuales será poco representativa de lo que realmente ocurre en sus mentes.

Paso 4: Estimación del modelo y medida de ajuste global

En primer lugar, se debe seleccionar el número de dimensiones que, en principio, se considera adecuado en función del número de objetos comparados. General-mente se suelen retener dos dimensiones, ya que ello permite obtener mapas bidimensionales fácilmente interpretables. Cuando se retienen más de tres dimen-siones, resulta complejo representar en el espacio Euclídeo la posición de los objetos comparados, salvo que se vayan tomando, dos a dos, las coordenadas de cada objeto. Es decir, salvo que se dibujen distintos mapas bidimensionales para cada posible par de factores identificados.

(10)

matriz de partida (δij) con las distancias que guardan los puntos que los represen-tan (dij). Para tal fin se emplean tres índices de ajuste: el Stress, el S-Stress y RSQ:

1. El S-Stress indica el ajuste existente entre las distancias euclídeas al cuadrado de los puntos del mapa D2 y las disimilitudes de la matriz de

partida S. El S-Stress será 0 cuando este ajuste sea perfecto, lo que signi-fica que el mapa reproduce con absoluta fidelidad la matriz original I{S}=

D2. Generalmente, se suele incurrir en un término de error (E0), de forma

que I{S}= D2+E. El S-Stress intenta minimizar precisamente este término

de error.

{ }E

Sstress = I S

donde E es al suma de todos los elementos al cuadrado de la matriz de error e I{S} la suma de todos los elementos al cuadrado de la matriz origi-nal (como se indica la matriz origiorigi-nal S se puede transformar linealmente

{S} o monotónicamente m{S}.

2. El Stress se define igual que el S-stress salvo que usa distancias y no distancias cuadradas. Kruskal (1964) establece la siguiente clasificación:

Perfecto

0 Excelente

25 Bueno

50 Regular

100 Malo

200 Clasificación

Stress

3. El RSQ (coeficiente de correlación al cuadrado) mide la correlación entre distancias euclídeas entre puntos del mapa D y disimilitudes de la matriz original S. Es decir, el porcentaje de variabilidad de los datos de partida que es explicado por el modelo. Conforme se aproxima a la unidad (100%) el ajuste mejora, mientras su acercamiento a cero denota un creci-miento del término de error en la estimación.

(11)

en el de ordenadas. Aquel punto en el que se produce un salto brusco puede tomarse como un buen indicador del número de dimensiones que deben retenerse.

Otro aspecto interesante es el concerniente a las soluciones degeneradas, que corresponden a mapas que no representan de forma ajustada las percepciones de los sujetos encuestados. Generalmente se detectan porque los objetos analizados se representan siguiendo un patrón circular, o lo que es lo mismo, en forma de corona en torno a los ejes de coordenadas.

Paso 5: Interpretación de los resultados

Si en el mapa se representan sólo objetos (métodos de descomposición), se anali-zan sus distancias y consultando fuentes secundarias, o incorporando a posteriori la evaluación de cada objeto sobre una lista de variables, se interpretan los resul-tados. En ambos casos la idea es conseguir información que permita, en función de cómo están posicionados relativamente los competidores, explicar de que forma se relacionan entre sí.

Si en el mapa se representan tanto objetos como propiedades (métodos de compo-sición) se facilita la interpretación de los resultados, ya que en este caso las variables están incluidas a priori en el espacio perceptual.

Paso 6: Validación de los resultados

Para validar los resultados a fin de permitir su generalización se puede llevar a cabo una división de la muestra y realizar dos análisis similares simultáneamente. Es decir, obtener dos mapas y compararlos. Su convergencia sirve para garantizar la bondad de los análisis realizados. Esta convergencia puede contrastarse anali-zando, visualmente, la colocación de los objetos, o bien, de forma más precisa, calculando las correlaciones entre las distancias eclídeas de los dos mapas obteni-dos. En ambos casos los índices de ajuste (Stress, S-Stress y RSQ) deben ser igualmente buenos.

(12)

3. Ejemplo de aplicación del análisis de escalamiento

multidimen-sional

(Vila, 1999)

Selección de los competidores objeto de estudio

En este ejemplo se relacionan 18 empresas de coches, concretamente aquellas que cuentan con los volúmenes de facturación de turismos mas elevados España. Esta decisión se ha tomado a partir de los resultados obtenidos en una fase previa cualitativa.

Selección del método de recogida de información

Se ha optado por recoger la información sobre la forma en que se relacionan las 18 empresas siguiendo el método de categorización, o clasificación, propiamente dicha. Este método, consiste, según se ha detallado, en solicitar a cada uno de los 211 profesionales del sector encuestados que reparta las 18 empresas en tantos grupos como él considere oportuno, basándose en la competencia que percibe entre ellas. juntos. Para tal fin se ha recurrido al empleo de tarjetas, cada una con el nombre de un competidor diferente. El porcentaje de veces que dos empre-sas han sido agrupadas juntas es lo que se conoce como "coeficiente similitud" o "coeficiente de proximidad". Así por ejemplo, el "coeficiente de similitud" o "proxi-midad" entre Audi (1 en la matriz) y BMW (2 en la matriz) es de 89,6%, lo que equivale a afirmar que de los 211 profesionales encuestados, 188 han colocado Audi y BMW en la misma categoría competitiva (188/211= 89,6%).

(13)
[image:13.596.106.485.103.286.2]

Cuadro 2. Matriz cuadrada derivada a partir de datos de categorización

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 1 100 89.6 3.3 2.8 2.8 3.3 8.5 3.8 85.8 4.7 3.8 2.8 3.3 17.5 3.3 9.5 20.9 57.3

2 100 1.9 3.3 3.3 1.9 9.5 4.7 90.5 3.8 2.4 1.9 1.4 18 1.9 11.4 14.2 55.0

3 100 35.1 63.5 76.3 28.9 34.1 3.8 45 69.2 74.4 78.7 33.2 78.2 26.5 42.2 10.4

4 100 50.7 27.5 38.4 83.4 4.3 39.8 24.6 28 26.5 30.8 33.6 35.1 16.1 11.8

5 100 59.2 34.6 48.8 5.2 43.6 51.7 51.7 57.3 35.5 61.6 26.5 34.1 10.4

6 100 28.4 26.5 3.8 49.3 80.6 76.3 83.9 32.2 75.4 29.4 47.4 11.4

7 100 44.1 9 54 33.6 35.5 28.9 42.7 29.4 67.3 36 23.2

8 100 4.3 39.3 24.2 25.1 25.1 28 33.2 36 15.6 10.9

9 100 3.3 3.8 3.3 3.3 15.2 3.8 9.5 12.8 56.4

10 100 53.6 47.9 47.4 40.3 48.8 49.8 41.2 14.2

11 100 78.7 76.3 35.1 71.1 32.2 54 12.8

12 100 78.2 37.4 72.5 30.3 49.3 11.4

13 100 31.8 79.1 25.6 47.9 9.5

14 100 31.8 44.5 40.8 33.6

15 100 29.9 42.2 9

16 100 37.4 24.6

17 100 32.7

18 100

Unidad: proximidades

Nota: si dos competiodores tienen el mismo color, es porque un elevado porcentaje de profesionales los han incluído en el mismo conjunto, lo que determina su pertenencia al mismo grupo competitivo.

Leyenda:

Audi: 1 Citroen: 3 Fiat: 5 Honda: 7 Mercedes: 9 Opel: 11 Renault: 13 Seat 15 Volkswagen: 17 BMW: 2 Daewoo: 4 Ford: 6 Huyndai: 8 Nissan: 10 Peugeot: 12 Rover: 14 Toyota: 16 Volvo: 18

Selección del número de segmentos objeto de estudio y del álgoritmo de análisis

Los profesionales han sido agrupados en dos grandes bloques atendiendo a su antigüedad en el puesto de trabajo. En efecto, se ha observado que el número de grupos que forman los encuestados depende de su experiencia (c2=33.816, p=0.038). Así es, mientras los profesionales más antiguos, con mayor experiencia, tienden a simplificar en tres grupos su entendimiento de la competencia, los profe-sionales menos experimentados emplean, en promedio, cuatro grupos. Por este motivo, resulta adecuado dividir la muestra considerando, por una parte, un primer grupo de profesionales con una antigüedad superior a los diez años (x>10años=127) y por otra, un segundo grupo con una antigüedad inferior a los diez años (x<1año=14 encuestados - 1año<x<3años=20 encuestados -3años<x<10años=50 encuestados).

Se han formado dos segmentos y no más porque, primero, los análisis aplicados pierden robustez conforme aumenta el número de segmentos considerados (Young y Harris, 1993) y segundo, para trabajar con segmentos de dimensión similar.

(14)

p=0.825), el grado de control ejercido por la sede central de la marca (χ2=22.489,

p=0.372), la asistencia a ferias y exposiciones (χ2=16.005, p=0.363), la lectura de

revistas sobre el sector (χ2=13.762, p=0.468), la pertenencia a asociaciones

(χ2=11.398, p=0.655) y el cargo/categoría profesional detentada (χ2=33.965,

p=0.5).

Dado que, según se ha señalado, la muestra total de oferentes resulta divisible en dos segmentos, la tabla general calculada para toda la muestra (tabla 1) se ha desdoblado en dos: una para el segmento de profesionales experimentados, con más de 10 años de antigüedad, y otra para profesionales no tan experimentados, con menos diez años en el sector.

Ambos segmentos han constituido el input del análisis de escalas multidimension-ales, aplicado en su modalidad INDSCAL (INdividual Differences SCALing1)

para contemplar diferencias entre uno y otro. Dicho algoritmo permite derivar, partiendo de ambas matrices, las disimilitudes (PHI de Pearson2) entre pares de

empresas. Estas disimilitudes se transforman en distancias entre pares de puntos (empresas) en una representación bidimensional, o mapa 1, que se obtiene como resultado si se retienen dos ejes. La razón de esta transformación obedece a que el análisis de escalas multidimensionales trata de minimizar la suma de los residuos al cuadrado en la estimación de distancias entre parejas de puntos.

Selección del número de dimensiones a retener en la solución final

La decisión de retener dos ejes, a fin de obtener el mapa 1 obedece a dos motivos.

En primer lugar, a que el 79.8% de los profesionales encuestados ha declarado utilizar uno o dos criterios para explicar la forma en que compiten entre sí las empresas estudiadas. Estos criterios fueron citados espontáneamente cuando se les solicitó que indicaran qué variables habían tenido en cuenta para formar los grupos competitivos, es decir, para repartir las empresas en conjuntos. Entre los criterios citados sobresale, en primer lugar, el carácter "generalista/especialista" de la empresa categorizada, citado por el 38,28% de los profesionales (significado otorgado al eje horizontal del mapa 1) y en segundo lugar, los factores "calidad

2 La disimilitud entre dos competidores se puede obtener con el índice PHI de Pearson (basado en el test c2) que se

aplica a parejas de variables escaladas nominalmente (recuento de frecuencias) para medir la asociación, o inten-sidad de relación, entre esas dos variables (Knoblich, 1994). Es decir, a partir de cada celda de la matriz de frecuencias se deriva la disimilitud entre el competidor que aparece en la columna y el que aparece en la fila (distancia PHI de Pearson). Esta disimilitud se normaliza para que su valor máximo sea 1 (competencia total) y el mínimo -1 (ninguna competencia).

1 Los detalles de este algoritmo pueden verse, por ejemplo, en Bigné (1986), Arabie, Carroll y DeSarbo (1987),

(15)

asociada a la empresa y su oferta" y "coste", citados respectivamente por el 35% y el 33,6% de los profesionales (significado otorgado al eje vertical del mapa 1).

La segunda razón aducida para seleccionar dos dimensiones y obtener el mapa 1 es que los índices de ajuste de esta solución, recogidos en el cuadro 3, denotan que dicho mapa representa fielmente, de forma visual, los datos de categorización facilitados, de forma verbal, por los profesionales, siendo mínimo el error cometido en esta estimación. Es decir, que la disimilitud entre dos objetos se corresponde con su distancia en el mapa.

Cuadro 3. Bondad del análisis multidimensional realizado con datos de categorización

994 45

1 Stress RSQ

S-Stress

Figura 2. Mapa perceptual conjunto derivado a partir de datos de categorización

[image:15.596.119.458.446.685.2]

Dimensión 1 2. 5 2. 0 1. 5 1. 0 . 5 0. 0 -.5 -1.0 Di me nsi ón 2 2. 0 1. 5 1. 0 . 5 0. 0 -.5 -1.0 -1.5 Volvo Volkswagen Toyota Seat Rover Renault Peugeot Opel Nissan Mercedes Hyundai Honda Ford Fiat Daewoo Citroen BMW Audi

(16)

S S

D i m e n s i ó n 1

1 . 6 1 . 4

1 . 2 1 . 0

.8 .6

.4 D i m e n s i ó n 2

. 1 5

. 1 4

. 1 3

. 1 2

. 1 1

. 1 0

. 0 9

. 0 8

S2

S1 θ = 4 5 º

Interpretación de los resultados

Sobre el mapa de la figura 2, obtenido de forma global, se pueden derivar dos submapas, uno para cada uno de los dos segmentos en que se ha dividido la muestra total. Para ello, sólo hay que ponderar las coordenadas de cada empresa en este mapa, por los pesos que otorga cada segmento a cada dimensión, según las indicaciones contenidas en el cuadro 4.

Como se recoge en la el cuadro 4 y se visualiza en la figura 3, a medida que el ángulo (q) tiene más grados, significa que el sujeto concede más importancia al eje vertical, sería el caso de los profesionales con menos antigüedad (S2), cuya

menor veteranía se traduce en una estructura competitiva más compleja. Por el contrario, valores inferiores a los 45% denotan un fuerte protagonismo del eje horizontal, sería el caso de los profesionales más antiguos (S1), cuya larga

(17)
[image:17.596.99.523.141.206.2]

Cuadro 4. Derivación de los submapas del mapa obtenido mediante categorización

1.279 998

26 1.410

9.891 Segmento 2

1.594 991

59 896

9.915 Segmento 1

Índice de Weirdness4 RSQ

Stress Ponderación

para el eje Y Ponderación

para el eje X3

En conclusión, siguiendo la tabla 3, el mapa 1se puede interpretar de la siguiente manera. El segmento de profesionales más experimentados (S1) simplifica su percepción del panorama competitivo concediendo gran importancia al eje horizontal, por lo que opone "empresas especialistas" (tramo positivo del eje horizontal), frente a "empresas generalistas" que dirigen su oferta a un público más amplio (tramo negativo del eje horizontal). Situación no tan evidente para los profesionales con menos antigüedad (S2), que ponderan también una segunda dimensión, la vertical. En este sentido quedan en un extremo marcas de Japón y Corea relacionadas con el factor "coste" (tramo positivo del eje vertical) y en el opuesto marcas de otras nacionalidades más relacionadas con el factor "calidad" (tramo central y negativo del eje vertical).

Validación de los resultados

A fin de validar los resultados obtenidos, se ha recabado información utilizando un método de recogida de información basado en la evaluación, la asociación de atributos. Este método consiste, según se ha expuesto, en solicitar a cada profe-sional del sector que asocie un conjunto de propiedades clave de la competencia entre empresas, generadas en una fase cualitativa, con aquellos competidores que, a su juicio, destacan sobre el resto.

Agregando los resultados de toda la muestra de profesionales encuestados se obtiene cuadro 5, matriz rectangular asimétrica, en cuyas celdas se recoge el

4 El índice de Weirdness mide el protagonismo otorgado por cada segmento a cada dimensión. El hecho de que se

aleje de cero, significa que alguna de las dimensiones recibe más importancia en detrimento de otras. Si llega a la unidad, significa que el segmento sólo concede importancia a una de las dimensiones. Si toma el valor de cero, significa que las dimensiones extraídas tienen importancia equivalente.

3 Las coordenadas cartesianas de cada segmento (valor de la abscisa y de la ordenada) se pueden convertir en

coordenadas polares (ángulos y vectores) sin perder información. Así pues, las coordenadas polares del vector S1 (segmento primero) son la longitud de este vector y su ángulo (θ1) respecto a la dimensión horizontal. Las coordenadas polares de S2 (segmento segundo) son la longitud de este vector y su ángulo (θ2) sobre el eje

(18)

porcentaje de veces que cada empresa (columna) ha sido asociada con cada propiedad (fila).

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 a 9.8 7 28.5 22 18.2 43.5 8.9 19.2 7 9.3 17.8 15 27.6 7.5 23.4 10.7 11.7 6.5

b 39.7 40.7 15.9 15 15 28 20.1 15.9 45.3 17.3 19.6 15.4 16.8 14.5 16.4 23.8 25.2 20.1

c 7.9 7.9 52.8 25.2 22.4 24.3 9.3 22.9 6.5 12.6 13.6 15.9 16.8 7.5 18.7 8.4 8.9 5.1

d 49.1 50 18.2 15 15.9 22.9 19.6 16.4 52.3 18.7 22 19.2 22 19.2 17.3 22 36.4 29

e 48.1 50.5 15.4 13.6 13.1 17.3 15.9 d14 52.3 13.6 16.8 13.6 14 15 15.4 20.6 29.9 22

f 5.7 19.2 23.4 16.4 18.2 26.6 20.6 16.4 18.7 16.4 28 21 22.9 14.5 21 16.4 29.4 16.8

g 22 23.8 26.6 16.8 22.9 33.6 16.4 17.3 24.8 17.8 26.2 22 32.2 15 28 17.8 22 16.4

h 12.6 15.4 28.5 16.8 28 41.1 13.1 16.8 11.7 15.4 33.6 28 32.2 12.6 36.9 12.6 24.3 9.8

i 55.1 64 2.3 1.9 1.9 4.7 6.5 1.9 72.4 2.3 3.7 2.8 2.3 7 2.3 9.8 11.7 23.8

j 23.8 21 22.4 21.5 22 38.8 20.6 23.8 20.6 18.2 21.5 21 29.4 16.4 21.5 23.8 21.5 15.9

k 14.5 17.3 25.7 18.7 19.2 32.7 15 16.8 15.4 16.8 18.2 16.4 22 14.5 25.2 16.4 14 15

l 23.4 24.3 36.9 16.4 23.4 43.5 16.4 16.4 20.1 19.6 32.2 27.6 46.3 18.2 45.3 15.4 28 16.8

ll 22.4 23.4 38.3 15 23.4 50.5 15.4 15 22 17.8 33.6 29 41.6 19.2 47.2 16.4 25.7 18.7

m 27.6 24.8 37.9 16.4 26.6 48.6 17.8 15.9 24.3 22.4 36.9 32.2 46.3 20.6 44.9 17.3 30.4 21.5

n 28 23.4 33.2 19.6 22.4 43.5 19.2 21 22 21 29 26.6 28.5 20.1 28 20.1 24.8 20.1

Unidad: proximidades (frecuencias relativas)

Audi: 1 Citroen: 3 Fiat: 5 Honda: 7 Mercedes: 9 Opel: 11 Renault: 13 Seat 15 Volkswagen: 17 BMW: 2 Daewoo: 4 Ford: 6 Huyndai: 8 Nissan: 10 Peugeot: 12 Rover: 14 Toyota: 16 Volvo: 18

a Producir muchos coches a la vez para abaratar el coste de fabricación de cada automóvil

b Invertir mucho en tecnología, por ejemplo en robots, para acortar los tiempos de fabricación

c Vender sus coches a precios más baratos, haciendo, por ejemplo, ofertas en el concesionario

d Interesarse por aspectos relacionados con la calidad ofreciendo coches que den buen resultado.

e Utilizar los mejores componentes: motores potentes, tecnología avanzada.

f Fabricar coches de bajo consumo, para favorecer el ahorro y responder a las preocupaciones ecológicas

g Fabricar coches a medida de cada consumidor, teniendo en cuenta sus gustos y poder adquisitivo: color, precio, prestaciones

h Interesarse por “la gente joven”, ofreciendo coches para ciudad y económicos acorde con sus necesidades

i Interesarse por “ la clase alta”, ofreciendo coches caros pero excelentes que satisfagan sus exigencias

j Presentar modelos nuevos frecuentemente, ser innovadores en diseño, estilo, color

k Acortar los plazos de entrega del coche, para que el cliente no tenga que esperar

l Tener buenas redes de distribución para vender sus coches en España

ll Tener implantación en España, dando seguridad a los clientes de que la empresa esta cerca y responde

m Disponer de una amplia red de servicios post venta (reparaciones, talleres, repuestos)

(19)
[image:19.596.143.512.190.495.2]

Figura 4. Mapa perceptual conjunto derivado a partir de datos de evaluación. Representación simultánea de competidores y propiedades.

,amd

Dimensión 1

3 2 1 0 -1 -2 -3 -4

Di

me

nsi

ón

2

2.0 1.5 1.0 .5 0.0 -.5 -1.0 -1.5 -2.0 Seat Rover Renault Peugeot Opel Nissan Mercedes Hyundai Honda Ford Fiat Daewoo Citroen BMW Audi Clasealta Juventud Redes ventas Postventa Mejores componentes Calidad Ofertas Tecnología E.escala Innovación Bajoconsumo A medida Implantación Plazos NO IMPLANTACIÓN Volvo IMPLANTACIÓN CALIDAD COSTE Volkswagen Toyota

D

B

A

C

Para validar los resultados, se han calculado las correlaciones entre las distancias eclídeas de todas las posibles parejas de puntos del mapa 1 con las distancias eclídeas de todas las posibles parejas del mapa 3. Es decir, como hay 18 competi-dores, y por tanto 18 puntos en el mapa, se han correlacionado un total de 162 distancias eclídeas (combinaciones de 18 elementos tomados dos a dos). Esta correlación se eleva a 0,811 (p<0,001), lo que significa que los dos mapas tienen mucho que ver entre sí, por lo que se validan los resultados.

Bibliografía de apoyo

Arabie, P.; Carroll, J.D.; DeSarbo, W. (1987): Three-way multidimensional scaling and related techniques. Beverly Hills; Londres y Nueva Deli: Sage Publications

(20)

Bigné, E. y Vila, N. (1998): "La eficacia de la técnica MDS en la medición del posicionamiento. Una aplicación en los servicios". Esic-Market, (mayo), 100, 71-90.

Bigné, E. y Vila, N. (1999b): "Análisis multidimensional". En Análisis multivari-ante de datos. 5ª Ed. Hair, J.; Anderson, R.; Tatham, R. y Blakc, W. Madrid: Prentice Hall.

Davison, M.L. (1983): Multidimensional scaling. Nueva York; Chichester; Brisbane; Toronto y Singapure: John Wiley & Sons.

Dillon, W.R. y Goldstein, M. (1984): Multivariate analysis.. USA: John Wiley & Sons, Inc., 107-156.

Green, P.; Carmone, F. y Smith, S. (1989): Multidimensional scaling: concepts and applications. Massachusetts: Allyn and Bacon

Henry, W. y Stumpf, R. (1975): "Time and accuracy measures for alternative multidimensional scaling data collection methods". Journal of Marketing Research, vol. XII, mayo, 165-170.

Knoblich, H. (1994): "Representación espacial de las relaciones de competencia enre productos". Cuadernos Aragoneses de Economía, Vol. 4, 1, 27-38. Kruskall, J.B. (1964): "Nonmetric multidimensional scaling: a numerical method".

Psychometrika, 29, 115-129.

Lefkoff-Hagius, R. y Mason, C.H. (1993): "Characteristic, beneficial, and image attributes in consumer judgments of similarity and preference". Journal of Consumer Research, vol 20, junio, 101-110.

Ratneshear, S. and Shocker, A. (1991): "Substitution in use and the role of usage context in product category structures". Journal of Marketing Research, 28, agosto, 282-295.

Schiffman, S.; Reynolds, M.L. y Young, F.W. (1981): Introduction to multidimen-sional scaling. Theory, methods and applications. Orlando, Florida: Academic Press, INC.

Steffler, V.J. (1972): "Some applications of multidimensional scaling to social science problems. IN A.K. Romney, R.N. Shepard y S. B. Nerlove eds, New York: Seminar Press. Cit en Cooper, L.G. (1983).

Varela, J.A. (1982): "La recogida de datos de disimilitud directa en el análisis multidimensional no-métrico". Revista Economía Empresa.

Vila, N. (1996): Eficacia de la técnica MDS en la medición del posicionamiento: una aplicación en los servicios. Trabajo de Investigación presentado en el Departamento de Dirección y Administración de Empresas de la Universi-dad de Valencia.

Vila, N. (1999): Eficacia de la técnica MDS en la medición del posicionamiento: una aplicación en los servicios. Tesis doctoral. Valencia: Universitat de València.

Figure

cuadro 1.Cuadro 1. Distintos tipos de análisis de escalamiento multidimensional
Cuadro 2. Matriz cuadrada derivada a partir de datos de categorización
Figura 3. Ponderación de cada sujeto a cada eje. Datos de categorización
Cuadro 4. Derivación de los submapas del mapa obtenido mediante categorización
+2

Referencias

Documento similar

&#34;No porque las dos, que vinieron de Valencia, no merecieran ese favor, pues eran entrambas de tan grande espíritu […] La razón porque no vió Coronas para ellas, sería

Cedulario se inicia a mediados del siglo XVIL, por sus propias cédulas puede advertirse que no estaba totalmente conquistada la Nueva Gali- cia, ya que a fines del siglo xvn y en

que hasta que llegue el tiempo en que su regia planta ; | pise el hispano suelo... que hasta que el

Missing estimates for total domestic participant spend were estimated using a similar approach of that used to calculate missing international estimates, with average shares applied

A partir de los resultados de este análisis en los que la entrevistadora es la protagonista frente a los entrevistados, la información política veraz, que se supone que

En cuarto lugar, se establecen unos medios para la actuación de re- fuerzo de la Cohesión (conducción y coordinación de las políticas eco- nómicas nacionales, políticas y acciones

En el capítulo de desventajas o posibles inconvenientes que ofrece la forma del Organismo autónomo figura la rigidez de su régimen jurídico, absorbentemente de Derecho público por

b) El Tribunal Constitucional se encuadra dentro de una organiza- ción jurídico constitucional que asume la supremacía de los dere- chos fundamentales y que reconoce la separación