Plan de Marketing 1

CASO PRACTICO UNIDAD 3.

ANÁLISIS FACTORIAL PARA LA TOMA DE DECISIONES DE MARKETING

VICTOR MANUEL LUCAS VELASQUEZ

CORPORACIÓN UNIVERSITARIA ASTURIAS

PROGRAMA DE ADMINISTRACION Y DIRECCION DE EMPRESAS

SANTIAGO DE CALI

2020
 Plan de Marketing 2

Enunciado

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 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 incorrelacionadas 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.
 Plan de Marketing 3

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
 Plan de Marketing 4

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.
 Plan de Marketing 5

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.

El segundo factor (Factor 2) aglutina las siguientes características:

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.
 Plan de Marketing 6

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
 Plan de Marketing 7

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

1. ¿Cuándo es oportuno realizar un análisis factorial? ¿Qué ventajas e inconvenientes tiene esta
técnica?

2. ¿Qué técnica multivariante de apoyo a las decisiones de marketing utilizaremos si queremos

segmentar el mercado?

Respuestas

1. 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 incorrelacionados. De este modo se consigue reducir un número de variables
intercorrelacionadas a un número inferior de factores no correlacionados, que permiten explicar
la mayor parte de variabilidad de cada una de las variables.

El análisis factorial nos sirve para :

 Identificar las dimensiones subyacentes, o factores, que explican las correlaciones entre un
conjunto de variables. Por ejemplo, puede emplearse un conjunto de enunciados acerca del
estilo de vida para medir el perfil psicográfico de los consumidores. Estos enunciados se
someten luego a un análisis factorial para identificar los factores psicográficos subyacentes.
 Plan de Marketing 8

 Identificar un conjunto nuevo y más reducido de variables no correlacionadas que

reemplacen al conjunto original de variables correlacionadas en el análisis multivariado
posterior (regresión o análisis discriminante).

 Identificar un conjunto más reducido de variables que sobresalen en un conjunto mayor para
utilizar luego en el análisis multivariado. Por ejemplo, algunos de los enunciados originales
sobre el estilo de vida que tenían una elevada correlación con los factores identificados
pueden usarse como variables independientes, para explicar las diferencias entre los
consumidores leales y los no leales.

El análisis factorial tiene numerosas aplicaciones en la investigación de mercados. Por ejemplo:

 Es útil en la segmentación del mercado para identificar las variables subyacentes en que se
agrupan los clientes. Los compradores de automóviles nuevos pueden agruparse de acuerdo
con la importancia relativa que le darían a la economía, la conveniencia, el desempeño, la
comodidad y el lujo. Esto daría como resultado cinco segmentos: buscadores de economía,
buscadores de conveniencia, buscadores de desempeño, buscadores de comodidad y
buscadores de lujo.

 En la investigación del producto, el análisis factorial sirve para determinar los atributos de la
marca que influyen en la elección del consumidor. Las marcas de dentífricos pueden
evaluarse en términos de protección contra la caries, blancura de los dientes, sabor, aliento
fresco y precio.

 En estudios sobre publicidad, se utiliza el análisis factorial para entender los hábitos de
consumo de medios de comunicación, por parte del mercado meta. Los consumidores de
alimentos congelados pueden ver mucha televisión por cable, ir al cine con frecuencia y
escuchar música country.

 El análisis factorial se emplea en estudios de asignación de precios para identificar las

características de los consumidores sensibles a los precios. Por ejemplo, estos consumidores
pueden ser metódicos, cuidadosos de la economía y hogareños.
 Plan de Marketing 9

ANALISIS FACTORIAL
VENTAJAS INCONVENIENTES
Reducción de la dimensionalidad de los datos. La respuesta que recibe depende de las preguntas que
Su propósito último consiste usted hace
Los factores que aparecen sólo pueden venir de las
respuestas a las preguntas que usted hace. Si usted no
pregunta acerca de los hábitos de sueño, por ejemplo,
en buscar el número mínimo de dimensiones entonces no aparecerá ningún factor relacionado con los
capaces de explicar el máximo de información hábitos de sueño. Por otro lado, si usted pide solamente
contenida en los datos. sobre los hábitos de sueño, entonces nada más puede
aparecer. La selección de un buen conjunto de preguntas
es complicado, y diferentes investigadores elegirá
diferentes grupos de preguntas.

Los datos presentan los factores de azar. Si se genera una

gran cantidad de números al azar, un análisis factorial se
Solución ad-hoccon alto poder de reducción de puede encontrar con estructura aparente en los datos. Es
dato difícil saber si los factores que emergen reflejan los datos
o son simplemente parte de la potencia del análisis
factorial para encontrar patrones
Es difícil decidir el número de factores que incluyan. Una
de las tareas del analista del factor es decidir cuántos
Permite identificar relevantes dimensiones
factores a tener. Hay una variedad de métodos para
subyacentes a los datos
determinar esto, y hay poco acuerdo en cuanto a cuál es el
mejor.
A diferencia de lo que ocurre en otras técnicas
El análisis factorial se puede decir cuáles son. las
como el análisis de varianza o el de regresión,
variables del conjunto de datos "van de la mano" de una
en el análisis factorial todas las variables del
manera que no siempre son evidentes. Sin embargo, la
análisis cumplen el mismo papel: todas ellas
interpretación de lo que esos conjuntos de variables
son independientes en el sentido de que no
representan en realidad es al analista, y la gente razonable
existe a priori una dependencia conceptual de
puede discrepar.
unas variables sobre otras.

2. En este caso la mejor opción como técnica multivariante si queremos segmentar el mercado es
La técnica de Análisis Cluster pues segmenta los mercados, agrupando a los consumidores o
clientes en base a su semejanza de acuerdo las preferencias respecto a las variables seleccionadas
o al beneficio que buscan al adquirir un producto

En el análisis cluster, a diferencia del análisis discriminante (donde los grupos están establecidos
a priori y la función discriminante permite reasignar los elementos a los grupos), los
conglomerados son desconocidos y el proceso consiste en su formación de modo óptimo,
aglutinando unidades homogéneas
 Plan de Marketing 10

Su objetivo es obtener grupos de objetos de forma que, por un lado, los objetos pertenecientes a
un mismo grupo sean muy semejantes entre sí y, por el otro, los objetos pertenecientes a grupos
diferentes tengan un comportamiento distinto con respecto a las variables analizadas.

Conclusiones

El Caso practico planteado nos permite ver la importancia de la estadística en el marketing

y que el buen uso de estas, nos permiten generar datos y resultados para la toma de decisiones
que estén alineados con los objetivos planteados, y aun mas importante, poder demostrar que el
mercadeo no es solo un gasto, sino que si se puede analizar el retorno con datos, podemos decir
entonces que es una inversión.

Referencias

Autotidacta Reincidente, “La importancia de las estadísticas en el Marketing” recuperado de

https://carlosjurado.net/la-importancia-de-las-estadisticas-en-el-
marketing/#:~:text=La%20estad%C3%ADstica%20es%20una%20ciencia,an%C3%A1lisis%20e
%20interpretaci%C3%B3n%20de%20datos.&text=Si%20se%20realiza%20un%20adecuado,bue
n%20enfoque%20de%20cada%20proyecto.

3w3search.com, Gerencia de Mercadeo, por Luis Eduardo Ayala Ruiz , “Técnicas Estadísticas
Multivariante”, recuperado de http://3w3search.com/Edu/Merc/Es/GMerc039.htm
Estamatica.net, Enero 21 del 2018, “Análisis Estadístico en Marketing”, recuperado de
https://estamatica.net/analisis-estadistico-
marketing/#:~:text=El%20An%C3%A1lisis%20Factorial%20se%20utiliza,ordinal)%20en%20to
rno%20a%20una
uv.es, “Introducción al análisis cluster” recuperado de
https://www.uv.es/ceaces/multivari/cluster/CLUSTER2.htm