ADMINISTRACIÒN DE EMPRESA

VICTOR ALFONSO LÒPEZ CHÀVEZ

CORPORACIÓN UNIVERSITARIA DE ASTURIAS

PROGRAMA DE ADMINISTRACIÓN DE
EMPRESAS
BOGOTÁ
2020

CAMILO MAURICIO GRILLO 

 CONTENIDO

1……………………………………………… Introducción

2……………………………………………… Enunciado

3……………………………………………… ¿Cuándo es oportuno realizar un análisis

factorial? ¿Qué ventajas e inconvenientes tiene esta técnica?

4……………………………………. ¿Qué técnica multivalente de apoyo a las decisiones

de marketing utilizaremos si queremos segmentar el mercado?

5……………………………Conclusiones

6……………………………………Biografía.
Enunciado

Ejemplo de

análisis factorial para la toma de decisiones de

marketing

El Análisis Factorial tiene sus orígenes en los trabajos iniciados por Charles Spearman en
1.904, donde trataba de analizar la causa de que la puntuación obtenida por un grupo de
alumnos en distintas materias presentará altas correlaciones. Los estudios de Spearman,
pusieron de manifiesto la existencia de un factor común en todas las calificaciones, que da
una medida de la inteligencia de los alumnos, y que explicaría las altas correlaciones
existentes, y, otro factor, específico de cada alumno, que sería el responsable de la parte
residual de las calificaciones.

Actualmente, el Análisis Multivariante se utiliza para obtener medidas de variables tales

como aptitud para las ventas, resistencia a la innovación, aceptación de nuevos productos,
etc. Así, por ejemplo, una empresa que desea lanzar un nuevo artículo al mercado, y quiere
realizar un estudio acerca de la aceptación de dicho artículo, puede, a través de una
encuesta con cuestiones que midan una serie de variables, obtener una medida de la
"variable no observable" que pretende analizar.

Dentro del Análisis Factorial, podemos distinguir dos técnicas que, si bien tienen el mismo
tratamiento matemático, sus objetivos son distintos: El Análisis de Componentes
Principales y el Análisis Factorial de Correlaciones.
El Análisis de Componentes Principales tiene como objetivo reducir la dimensión de un
problema, en el sentido de que un número grande de variables iniciales, se puede reducir a
uno menor de nuevas variables, denominadas Componentes, que son

combinación lineal de las originales y que además son in correlacionadas entre sí. La
reducción no supone en ningún caso pérdida de la información relevante proporcionada por
las primeras variables.

Las nuevas variables o Componentes, se pueden utilizar con múltiples objetivos, tales
como:  Describir con claridad gran cantidad de datos cuantitativos y analizar las
relaciones existentes entre ellos.  Realizar estudios Multivariantes posteriores, como un
Análisis Cluster, o construir un modelo de Regresión utilizando los pocos datos dados por
las Componentes en lugar de los muchos proporcionados por las variables iniciales.

El Análisis Factorial de Correlaciones, se puede considerar, en cierta manera, como un

método de reducción de datos, en cuanto que el número inicial de variables, se reduce a un
número inferior de Factores, pero, el objetivo de este método Multivariante, es
precisamente, identificar y cuantificar estos Factores Comunes.

Por otro lado, el Análisis de Componentes Principales no exige condiciones previas acerca
de la estructura de los datos de partida, mientras que el Análisis Factorial de Correlaciones,
supone la existencia de un Modelo que ha generado dichos datos. Además, dentro del
Análisis Factorial de Correlaciones, se puede tener, o no, conocimiento del número de
Factores Comunes. Cuando no existe tal conocimiento, nos encontramos ante un problema
de Análisis Factorial Exploratorio, En otro caso, el Análisis Factorial Confirmatorio se
encargará de verificar un modelo factorial dado.

En cualquier caso, el Análisis Factorial de Correlaciones debe:

1. Identificar los Factores Comunes existentes en el modelo.

2. Obtener las relaciones entre las variables iniciales y los Factores Comunes.

3. Proporcionar una interpretación de los Factores Comunes.

Los resultados obtenidos por el Análisis Factorial de correlaciones sirven de base para otras
técnicas como análisis Cluster, discriminante, regresión,...
Como conclusión teórica sobre el Análisis Factorial decir que éste reduce la multiplicidad
de pruebas y medidas hasta lograr una sencillez notable. Indica qué pruebas y medidas
pertenecen al mismo grupo y cuáles miden prácticamente lo mismo. Por lo tanto, reduce el
número de variables y ayuda a localizar o identificar unidades o propiedades fundamentales
en que se deben basar las pruebas.

Ejemplo práctico de análisis factorial

Utilizaremos un caso sencillo.

Una empresa especializada en el diseño de automóviles de turismo desea averiguar cuáles

son las preferencias más importantes del público que compra estos automóviles. Con este
fin diseña una encuesta de diez preguntas y se la aplica a un grupo de potenciales clientes.
Se les pide que valoren de 1 a 5 cada una de las características. A mayor puntuación mayor
preferencia de la característica. Estas diez características son:

Se trata de averiguar si estas diez variables pueden agruparse en pocos factores. Tabuladas
las encuestas los datos se ingresan al SPSS. Las variables (características vehiculares) se
ingresan como columnas y los datos de cada sujeto conforman una fila. Inicialmente el
SPSS arroja la respectiva Matriz de Correlaciones.

(Aunque sería necesario un curso sobre Estadística y SPSS, os detallo que, a continuación,
el SPSS nos ha proporcionado los resultados de los tests requeridos: Test de Bartlett e
Índice Kaiser-Meyer-Olkin, y los resultados obtenidos en los dos tests indican que es
posible continuar con el Análisis Factorial).

De inmediato el SPSS nos proporciona la Tabla de Estadísticos Iniciales, en donde todas las
variables presentan la misma comunalidad junto con sus valores propios (eigenvalues) así
como los valores porcentuales y acumulados de la varianza explicada por cada uno de los
factores.

Los datos conseguidos con el programa SPSS (sobre Estadísticos Iniciales) destacan
nítidamente dos variables: “Aerodinámico” (con un eigenvalue de 5.70 acumula el 57% de
la varianza explicada) y “Barato” (con un eigenvalue de 2.07 acumula el 20.7% de la
varianza explicada). Estas dos variables juntas, acumulan el 77.7% de la varianza
explicada.

Luego, el SPSS da la primera Matriz Factorial (No Rotada) que presenta la “Carga
Factorial” (correlaciones entre las variables iniciales y los “factores” recién creados).

En el caso de nuestro estudio se aprecia que se han extraído dos factores. El primer factor
(Factor 1) presenta una mayor cantidad de variables altamente correlacionadas. Hay que
tener en cuenta que, el primer factor antes de la rotación es el que mejor discrimina
A continuación, el SPSS entrega la Tabla de Estadísticos Finales, donde se encuentra que
ha variado la “comunalidad” y que se ha reducido el número de factores. La variación en
las comunalidades es consecuencia directa de la reducción de los factores.
Las comunalidades expresan la cantidad de información de cada variable representada en
los factores que quedan.

En la Tabla de Estadísticos Finales se puede observar que hay dos factores. De esta forma
se ha pasado de diez variables a tan sólo dos, produciéndose la pérdida de tan solo el 22.3%
de la información original representada por las diez variables iniciales.
Vemos que las variables importantes siguen siendo las mismas y con coeficientes muy
parecidos, por lo que la interpretación no varía, y se reduce la complejidad del análisis y el
riesgo de error en el manejo de datos.

Conclusiones del ejemplo

Esto sólo ha sido un ejemplo de la necesidad de “cuantificar” la información de Marketing

para sacar conclusiones rigurosas.

El Análisis Factorial es una de las técnicas más útiles para el análisis (en Marketing y otras
disciplinas) la cual, gracias al desarrollo de la informática, puede ser aplicada actualmente
con relativa facilidad. Además, brinda la posibilidad de optar entre diferentes
procedimientos de acuerdo a los objetivos del estudio, lo que confiere a este análisis la
posibilidad de buscar la solución más precisa, desde el punto de vista matemático y, la más
elegante, desde el punto de vista estético.

Como conclusión empírica podemos indicar que las diez variables consideradas
inicialmente han quedado reducidas a dos factores: “economía” y “seguridad”. Se ha
pasado de diez variables a dos, produciéndose la pérdida de tan sólo el 22.3% de la
información original representada por las diez variables iniciales. Por tanto, puede aplicarse
una encuesta de sólo 2 ó 3 items, por ejemplo: a) Que sea económico; b) Que sea seguro; c)
Que no sea deportivo.

Finalmente, el manejo de herramientas de Marketing de Apoyo a las Decisiones debe seguir

la siguiente secuencia:

1) Recogida de Información - 2) Análisis de Datos - 3) Conocimiento - 4) conclusiones

Sin esta “forma de pensar” corremos el riesgo de no ser rigurosos en la toma de decisiones
y, en consecuencia, mayor riesgo de errores.
Cuestiones

 ¿Cuándo es oportuno realizar un análisis factorial? ¿Qué ventajas e inconvenientes tiene

esta técnica?

 ¿Qué técnica multivalente de apoyo a las decisiones de marketing utilizaremos si

queremos segmentar el mercado?
SOLUCIÓN

¿Cuándo es oportuno realizar un análisis factorial? ¿Qué ventajas e inconvenientes

tiene esta técnica?

El Análisis Factorial tiene sus orígenes en los trabajos iniciados por Charles Spearman en
1.904, donde trataba de analizar la causa de que las puntuaciones obtenidas por un grupo de
alumnos en distintas materias presentarán altas correlaciones.

El Análisis de Componentes Principales no exige condiciones previas acerca de la

estructura de los datos de partida, mientras que el Análisis Factorial de Correlaciones,
supone la existencia de un Modelo que ha generado dichos datos. Además, dentro del
Análisis Factorial de Correlaciones, se puede tener, o no, conocimiento del número de
Factores Comunes. Cuando no existe tal conocimiento, nos encontramos ante un problema
de Análisis Factorial Exploratorio, En otro caso, el Análisis Factorial Confirmatorio se
encargará de verificar un modelo factorial dado.

El análisis factorial es oportuno utilizarlo para descubrir agrupaciones de variables de tal

forma que las variables de cada grupo están altamente correlacionadas, y los grupos están
relativamente correlacionados

El Análisis es oportuno para:

1- Identificar las dimensiones subyacentes y factores que explican las correlaciones

entre conjunto de variables.
2- Identificar más reducido las variables que sobresalen en un conjunto mayor para
utilizar el análisis multivariado.

Ejemplo,

En la investigación del producto, el análisis factorial sirve para determinar los atributos de
la marca que influye en la elección del consumidor; También se emplea en estudios de
asignación de precios para identificar las características de los consumidores sensibles a los
precios
VENTAJAS

1- Es económico y fácil de usar y puede utilizarse en una amplia variedad de

situaciones.
2- Se puede utilizar para identificar muchos factores latentes subyacentes que otras
herramientas.
3- Esta la posibilidad de asignar puntajes los atributos subjetivos de factores
exploratorios y análisis de factor confirmatorios.
4- Puede utilizar factor análisis de manera efectiva para proporcionarle una visión
profunda de la demografía y el comportamiento de compra de los clientes.

DESVENTAJAS

1- Es difícil determinar si los factores que emergen reflejan los datos o son parte del
poder del análisis para encontrar patrones.
2- Es difícil cuantos factores es decir cuántos factores conservar, hay una variedad de
métodos y poco acuerdo sobre cuál es el mejor.
3- La respuesta que recibe depende de las preguntas que usted hace, la selección de un
buen conjunto de preguntas es complicada, y diferentes investigadores elegirá
diferentes grupos de preguntas.
¿Qué técnica multivalente de apoyo a las decisiones de marketing utilizaremos si
queremos segmentar el mercado?

Análisis de Conglomerados o Cluster

Es una técnica estadística multivalente que busca agrupar elementos (o variables) tratando
de lograr la máxima homogeneidad en cada grupo y la mayor diferencia entre los grupos.

El Análisis Clúster no tiene bases estadísticas sobre las que deducir inferencias estadísticas
para una población a partir de una muestra, es un método basado en criterios geométricos y
se utiliza fundamentalmente como una técnica exploratoria, descriptiva pero no explicativa.

Lo que hace el análisis de conglomerados es poner objetos o variables dentro de

conglomerados (agrupaciones) de acuerdo a unas reglas de similaridad muy bien definidas.
Aquí el punto es que, a diferencia de otros muchos procedimientos estadísticos, los
métodos de análisis de conglomerado.

El análisis de conglomerados nos va a permitir contestar a preguntas tales como:

¿Es posible identificar cuáles son las empresas en las que sería más deseable invertir?
CONCLUSIONES

El análisis factorial es una técnica estadística de datos usadas para explicar las
correlaciones entre las variables observadas en términos de un número menor de variables.

El análisis factorial es una técnica de reducción de datos que sirve para encontrar grupos
homogéneos de variables a partir de un conjunto numeroso de variables. Cuando se recogen
un gran número de variables de forma simultánea se puede estar interesado en averiguar si
las preguntas del cuestionario se agrupan de alguna forma característica.

El Análisis Factorial es, por tanto, una técnica de reducción de la dimensional dad de los
datos. Su propósito último consiste en buscar el número mínimo de dimensiones capaces de
explicar el máximo de información contenida en los datos.
BIOGRAFIA

https://www.google.com/search?
q=QUE+ES+UNALISIS+FACTORIAL&oq=QUE+ES+UNALISIS+FACTORIAL&aqs=c
hrome..69i57j0l7.7708j1j8&sourceid=chrome&ie=UTF-8

https://campusvirtual.iep.edu.es/recursos/recursos_premium/programa-
habilidades/pdf/marketing/pdf1.pdf

https://www.centro-virtual.com/recursos/escuela_habilidades/Marketing/

http://uniasturias.edu.co/wp-
content/uploads/2018/06/2018_06_18_Norma_APA_Uniasturias.pdf