CASO PRACTICO UNIDAD 3

ERIKA TATIANA VELANDIA ROJAS

ESTUDIANTE

CORPORACION UNIVERSITARIA ASTURIAS

ADMINISTRACION Y DIRECCION DE EMPRESAS

PLAN DE MARKETING

2021
 II
Abstract

El Análisis factorial es una técnica estadística de reducción de datos usada para explicar las

correlaciones entre las variables observadas en términos de un número menor de variables no

observadas llamadas factores. Las variables observadas se modelan como combinaciones lineales

de factores más expresiones de error.

 I
CASO PRACTICO U3

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

 II
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,
 III
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. 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
 IV
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
 V
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
 VI

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.
 VII

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
 VIII
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?
R. El análisis factorial se utiliza para identificar factores que expliquen una variedad de
resultados en diferentes pruebas. Por ejemplo, investigación en inteligencia halla que la
gente que obtienen una nota alta en una prueba de habilidad verbal también se desempeña
bien en pruebas que requieren habilidades verbales. La clave está en el objetivo mismo
del análisis. Si el análisis pretende identificar el número y composición de los factores
comunes (variables latentes) necesarios para explicar la varianza común del conjunto de
ítems analizado, entonces lo apropiado es aplicar un AFE. Las diferencias entre la
primera opción (AFE) y la segunda (ACP), son evidentes. Las variables observadas
(ítems) son las variables independientes en el ACP, pero las variables dependientes en el
AFE. A nivel conceptual (y formal) la diferencia es enorme. En cambio, diferentes
razones han llevado durante décadas a una gran confusión entre ambas, de forma que
sistemáticamente se ha aplicado una de esas técnicas, el ACP, para conseguir el objetivo
que corresponde a la otra, al AFE. Veamos por qué. En primer lugar, ambas técnicas
suelen aparecer juntas como técnicas de reducción de datos en los paquetes estadísticos
más comunes. Y eso contribuye a que parezcan intercambiables entre sí, pero la realidad
es bien diferente. El ACP es consistente con la conceptualización de medidas formativas,
en las que los indicadores se consideran causa de un posible constructo (Bollen y Lennox,
1991; Borsboom, Mellenbergh y van Heerden, 2003; Joliffe, 2002), aunque el modelo en
sí no haga referencia explícita a variables latentes. De hecho, ni los componentes son
variables "latentes", ni los ítems son ninguna "medida" indirecta de ellos. Los
componentes son "compuestos" de las variables observadas que cumplen la misión de
reproducir el máximo de varianza de cada variable observada con el mínimo número de
 IX
compuestos. El objetivo está, pues, en la diagonal de la matriz, en las varianzas de cada
variable observada. Y como parte del procedimiento para alcanzar este objetivo está la
condición de que estos componentes presenten correlaciones nulas entre ellos.
El análisis factorial es conveniente en las siguientes instancias:

1. En el instante de 2. Para reconocer , fichar 4. Como ejemplificación,

conocer un conjunto nuevo y más 3. Establecer, referir un los factores psicográficos
conocer laslas dimensiones
dimensiones reducido de variables no cúmulo más reducido de reconocidos pueden
subyacentes, o
elementos , que explican correlacionadas
correlacionadas que
que variables
variables que
que prevalecen
prevalecen utilizarse
utilizarse como
como variables
variables
las sustituyan al conjunto en un conjunto mayor independientes, al explicar
original
original de
de variables
variables para
para emplear
emplear después
después enen las
las diferencias
diferencias entre
entre los
los
correlaciones entre un correlacionadas
conjunto correlacionadas en en el el el
el análisis
análisis multivariado.
multivariado. consumidores
consumidores leales
leales yy los
los
conjunto de
de variables.
variables. análisis
análisis multivariado.
multivariado. no
no leales.
leales.

El análisis factorial presenta muchas aplicaciones en la investigación de mercados.

Como podemos ejemplificar: Es altamente usado en la segmentación del mercado para
identificar las variables subyacentes en que se agrupan los clientes. Los compradores de
automóviles nuevos pueden reunirse en el sentido de la prioridad del factor económico, la
conveniencia, el desempeño, la comodidad y el lujo. En consecuencia, daría cinco
grupos: afines de economía, afines de conveniencia, afines de desempeño, afines de
comodidad y afines de lujo. En el ámbito de la investigación del producto, el análisis
factorial se ejecuta para desarrollar las características de la marca que inciden 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.
VENTAJAS X

* Reduccion de la dimensionalidad de los * La respuesta que recibe depende de

datos.
* Solucion ad-hoccon, alto poder de
reduccion de datos.
* Permite identificar relevantes
dimensiones subyacentes a los datos.
* No existe una dependencia a priori de
una variable sobre otra.
* Los puntajes factoriales pueden ser
las preguntas que usted hace.
* Los factores que aparecen solo pueden
venir de las preguntas formuladas.
* Los datos presentan factores de azar.
* Es dificil decidir el numero de factores
a incluir.
* Podemos defiinir las variables del
conjunto de datos.

DESVENTAJAS
DESVENTAJAS
guardados y usados en futuros analisis . * El puntaje factorial final es dificil de
interpretar.

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

queremos segmentar el mercado?
Análisis de Conglomerados o Cluster
El análisis de conglomerados (en inglés, cluster analisys) es una técnica multivariante que
per- mite agrupar los casos o variables de un archivo de datos en función del parecido o
 XI
similaridad existente entre ellos. ... Como técnica de agrupación de casos, el análisis de
conglomerados es similar al análisis discriminante. Con el análisis cluster se pretende
encontrar un conjunto de grupos a los que ir asignando los distintos individuos por algún
criterio de homogeneidad. Por lo tanto, se hace imprescindible definir una medida de
similitud o bien de divergencia para ir clasificando a los individuos en unos u otros
grupos.
CONCLUSIONES

Resultados y discusión.

En conclusión, el plan de marketing es necesario, para que las empresas tenga una guía

que permita conocer la situación actual y realizar las proyecciones futuras para el

desarrollo del negocio; el plan debe ser siempre técnico y debe involucrar a todo el

personal de empresa

El plan de marketing, que se lleva a cabo, le permitirá a la empresa identificar

oportunidades de mercado, establecer metas anuales y encontrar la manera de alcanzar

los objetivos estratégicos.

 XII
Lista de referencias

https://www.centro-irtual.com/recursos/biblioteca/pdf/plan_marketing/unidad3_pdf1.pdf

https://www.centro-irtual.com/recursos/biblioteca/pdf/plan_marketing/unidad3_pdf2.pdf

https://estamatica.net/analisis-estadistico-marketing

http://interwp.cepal.org/mmp/pres/15_An%C3%A1lisis_Factorial_Escalas.pdf