Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTUDIANTE
PLAN DE MARKETING
2021
II
Abstract
El Análisis factorial es una técnica estadística de reducción de datos usada para explicar las
observadas llamadas factores. Las variables observadas se modelan como combinaciones lineales
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
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
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
sentido de que un número grande de variables iniciales, se puede reducir a uno menor de
objetivos, tales como: Describir con claridad gran cantidad de datos cuantitativos y
pocos datos dados por las Componentes en lugar de los muchos proporcionados por las
supone la existencia de un Modelo que ha generado dichos datos. Además, dentro del
entre las variables iniciales y los Factores Comunes. 3. Proporcionar una interpretación
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
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
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:
DESVENTAJAS
DESVENTAJAS
guardados y usados en futuros analisis . * El puntaje factorial final es dificil de
interpretar.
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
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