Tema7 - Escalas de Medida, Muestreo, Experimentación y Análisis de Datos

Tema 7
Inteligencia de Cliente (CRM)
Escalas de medida,
muestreo,
experimentación y
análisis de datos
Índice
Esquema 3
Ideas clave 4
7.1. Introducción y objetivos 4
7.2. Medición y escalas de medida 5
© Universidad Internacional de La Rioja (UNIR)
7.3. Técnicas de selección de muestras: el muestreo 7

7.4. Experimentación 11
7.5. El análisis de los datos 13
7.6. Referencias bibliográficas 17
A fondo 18
Test 19
Necesidad de
información
NOMINAL
Objetivos de la
investigación ORDINAL
ESCALAS DE MEDIDA PROPIEDADES DE LOS
NÚMEROS
Diseño de la DE INTERVALO
investigación
DE RAZÓN
Procedimiento de
recolección de datos
Diseño de la PROBABILÍSTICOS
PROCEDIMIENTOS DE
muestra MUESTREO
NO PROBABILÍSTICOS
Recolección de
datos
Procesamiento
CONTINUAS REGRESIÓN
DEPENDIENTES
Análisis de datos VARIABLES DISCRETAS BINOMINAL LOGIT/PROBIT
INDEPENDIENTES
Presentación de los MULTINOMIAL MODELOS MULTINOMIALES

resultados
Inteligencia de Cliente (CRM)

Tema 7. Esquema
Esquema
3
Ideas clave
7.1. Introducción y objetivos
En el tema anterior se ha introducido ampliamente el concepto de investigación de

mercados y el proceso a seguir. En este capítulo, el propósito es la profundización
en algunos aspectos del proceso de investigación de mercados que requieren de un
análisis o conocimiento más intenso por parte de las personas que han de dirigir
una investigación comercial.
En primer lugar, identificaremos los problemas de medición relacionados con las

variables de marketing y cómo establecer relaciones entre números y características
relevantes en una investigación.
En segundo lugar, trataremos el muestreo como forma de resolver problemas

planteados sobre una población extensa.
Dedicaremos la sección posterior a conocer la experimentación como forma de

determinar relaciones causa-efecto.
Y, por último, abordaremos el problema de la decisión sobre qué técnicas de

análisis de datos se pueden aplicar a la investigación de mercados.
Los objetivos que se pretenden conseguir al finalizar el capítulo son los siguientes:
 Conocer los diferentes tipos de escala y su relación con las propiedades de los
números.
 Comprender el funcionamiento del muestreo y las ventajas de su utilización.
 Entender el diseño de los experimentos comerciales e identificar las diferentes
variables implicadas.
 Identificar la técnica de análisis de datos más adecuada en cada caso.
Inteligencia de Cliente (CRM) 4

Tema 7. Ideas clave
7.2. Medición y escalas de medida
La medición consiste en la utilización de números para representar propiedades o

relaciones. Por ello, para comprender el proceso de medición es importante
conocer las propiedades de los números, aunque esto parezca trivial.
Los números son

1≠2≠3…
únicos
Orden Secuencia numérica ordenada, 1<2<3
Distancias iguales 2-1=3-2
Coeficientes iguales 2/1=10/5
Origen Consideración del cero como ausencia de característica
Tabla 1. Propiedades numéricas para una escala de medidas.
La manipulación de números realizada por las matemáticas o la estadística utiliza las

características del sistema numérico. El problema radica en determinar cuántas de
esas características están presentes en los fenómenos que estamos midiendo.
Según se cumplan estas características de los sistemas numéricos podremos

identificar diferentes tipos de escalas.
Fenómenos Operaciones
Escala Sistema numérico
medidos posibles
Marcas Porcentajes
Los números son Género: H/M Moda
Nominal
únicos Territorios de ventas Prueba binomial
… …
Actitudes
Percentiles
Preferencias
Mediana
Ordinal Orden de los números Ocupaciones
Correlación
Clases sociales
…
…
Rango
Actitudes
Igualdad de Media
De intervalos Opiniones
diferencias Desviación estándar
…
…
De razón Igualdad de Edades Media geométrica
coeficientes Renta Coeficiente de

Tema 7. Ideas clave
Distancias variación
… …
Tabla 2. Tipos de escalas. Fuente: Kinnear y Taylor (1998).
Una escala nominal es aquella en la que los números sirven solo como etiquetas
para identificar o clasificar; así, individuos de una misma clase tendrán un mismo
número. Son las más restrictivas de todas. La regla es simple: no asignar el mismo
número a diferentes individuos o categorías y no asignar diferentes números al
mismo individuo o categorías. No poseen orden, distancia, igualdad de coeficientes,
ni origen.
Por otro lado, una escala ordinal define una relación ordenada entre objetos, pero
en la que no existe ninguna relación de proporcionalidad. Un ejemplo consiste en
asignar números a marcas en función de la preferencia, por ejemplo, 1 a Apple, 2 a
Samsung, 3 a Huawei y 4 a Xiaomi.
Las escalas de intervalos cuantifican distancias entre dos números, pero el cero se
asigna de forma arbitraria. Un ejemplo claro sería la escala Celsius de temperaturas
en la que la diferencia entre 20, 25, 30 y 35 ºC es de 5 grados entre cada una, pero
el 0 no implica ausencia de temperatura.
Por último, las escalas de razón tienen todas las propiedades de los números,
incluido el cero absoluto, por ejemplo en la medición del nivel de ventas o del nivel
de renta o edad de los consumidores.

Tema 7. Ideas clave
7.3. Técnicas de selección de muestras: el
muestreo
Aunque el desarrollo de la tecnología, concretamente la aplicación de las técnicas

de big data, permite recopilar, almacenar y procesar grandes volúmenes de datos,
la investigación con muestras sigue ocupando una elevada proporción en el sector
de la investigación de mercados.
Las razones que aconsejan llevar a cabo estudios en función de muestras y no

censos son variadas:
Una muestra ahorra dinero
Una muestra ahorra tiempo
Una muestra puede ser más exacta
Una muestra es mejor si el estudio conlleva la destrucción o

contaminación del elemento investigado
Tabla 3. Ventajas de estudios basados en muestras.
Antes de comentar las razones del muestreo vamos a diferenciar entre dos tipos de
errores.
Surgen debido a que se analiza una

muestra y no todos los elementos que
componen la población. No se pueden
eliminar, pero se pueden llegar a conocer y
Errores muestrales
controlar. Estos errores son menores
cuando la muestra se amplía y la
heterogeneidad de la población es más

reducida.
Son intrínsecos a la realización de cualquier
Errores sistemáticos o investigación y no se deben a la selección
no muestrales de muestras. Tienen su origen en
diferentes causas y se van acumulando a

Tema 7. Ideas clave
medida que avanzamos en el proceso de
investigación. Pueden deberse a una
deficiente definición de las necesidades de
información, objetivos mal planteados,
cuestionarios defectuosos, errores en el
análisis de los datos, etc.
No se pueden acotar, pero sí reducir
cuidando los detalles de todo el proceso de
investigación.
Tabla 4. Tipos de errores. Fuente: Grande y Abascal (2009).
Una vez identificados los errores en la investigación de mercados podemos

comentar las últimas razones del muestreo, ya que las primeras parecen evidentes.
Una muestra puede ser más exacta ya que los errores no muestrales se multiplican
con el número de unidades investigadas. Cuanto menor sea el estudio, menor será
también la probabilidad de cometer errores.
En el caso de que el estudio suponga destrucción o contaminación de los elementos

estudiados será necesaria la selección de una muestra. Pensemos por ejemplo en
los estudios realizados para conocer la percepción de un nuevo producto antes de
su lanzamiento. Si realizamos la prueba del producto sobre toda la población, puede
que cambiara la percepción del mismo por el simple hecho de haber participado en
una prueba.
Elemento Unidad acerca de la cual se solicita

información.
Población Conjunto de todos los elementos sobre el

que queremos conocer alguna característica.
Marco muestral Lista de todos los elementos disponibles para

su selección.
Muestra Conjunto de unidades seleccionadas de la

población para su estudio.

Tabla 5. Definiciones básicas del muestreo.
Una vez hemos definido los conceptos básicos podemos presentar el proceso
general de la aplicación del muestreo en una investigación comercial.

Tema 7. Ideas clave
Figura 1. El proceso de muestreo.
Procedimientos de muestreo
Con el objetivo de garantizar la representatividad de la selección de muestras,

existen diferentes métodos de realizar la misma, ya que deseamos que la muestra
refleje las características y la heterogeneidad de la población objeto de estudio.
Solamente en el caso de muestras representativas podremos utilizar la inferencia
estadística para extrapolar los resultados al conjunto de la población.
Existen varias clases de procedimientos de muestreo que podemos resumir en dos

grandes categorías: procedimientos probabilísticos y procedimientos no
probabilísticos.
En los procedimientos probabilísticos cada elemento de la población tiene una

probabilidad conocida de ser seleccionado para la muestra, porque la selección se

realiza al azar. Sin embargo, en los procedimientos no probabilísticos los elementos
no se seleccionan aleatoriamente, sino que son elegidos por las personas que están
implicadas en el proceso de selección.

Tema 7. Ideas clave
Presentamos en la tabla las principales características de ambos procedimientos de
muestreo.
Muestreo probabilístico Muestreo no probabilístico

 Las muestras se seleccionan al azar.  La selección no es aleatoria, se basa en
 Cada elemento de la población tiene el juicio del entrevistador o del
una probabilidad conocida de salir responsable de la investigación.
elegido.  No se basa en ninguna teoría de la
 Los resultados se pueden generalizar. probabilidad.
 Se pueden conocer el error y la  No es posible calcular los errores ni la
confianza de las estimaciones. confianza de las estimaciones.
 Es el único método para controlar la  No garantiza muestras representativas,
representatividad de la muestra. aunque no por ello necesariamente da
 Resulta ser más costoso que el no peores resultados.
probabilístico.  Los costes y la dificultad de diseño son
 Es más lento y complicado. más reducidos.
Tabla 6. Características de los tipos de muestreo.
Resumimos a continuación las características de las modalidades de muestreo más

frecuentes dentro de cada uno de los grandes grupos.
Procedimientos probabilísticos Procedimientos no probabilísticos

Las muestras se Todos los elementos de la
Muestreo por seleccionan según el Muestreo población tienen la
conveniencia criterio de comodidad aleatorio simple misma probabilidad de
y accesibilidad. ser elegidos.
Considerando que la
población está dividida en
grupos homogéneos se
Las muestras se realiza en muestreo
Muestreo por seleccionan en base al Muestreo aleatorio en cada uno de
juicios juicio de algún estratificado los grupos de la
experto. población. De esta forma
en la muestra estarán
representados todos los

grupos o estratos.
Se establecen cuotas El muestreo sistemático
Muestreo por de representación Muestreo es un tipo de muestreo
prorrateo para que la muestra sistemático probabilístico donde se
contemple la hace una selección

Tema 7. Ideas clave
variabilidad de la aleatoria del primer
población. elemento para la
muestra, y luego se
seleccionan los
elementos posteriores
utilizando intervalos fijos
o sistemáticos hasta
alcanzar el tamaño
deseado de la muestra.
La selección en varias
etapas. En la primera se
Cada unidad muestral van seleccionando
Muestreo por es localizada por otra Muestreo por conglomerados o grupos
bola de nieve previamente conglomerados de unidades muestrales y
seleccionada. se repite el proceso hasta
llegar a la selección de las
unidades individuales.
Tabla 7. Principales procedimientos de muestreo.
7.4. Experimentación
En el tema anterior se apuntó a la experimentación como la técnica más adecuada

para conocer relaciones causales.
La experimentación se puede definir como la creación de determinadas

condiciones ambientales en las que se manipulan variables para comprobar la
influencia de una causa sobre unos resultados. El objetivo del experimento es, por
tanto, la medición del efecto de las variables explicativas o independientes sobre
una variable dependiente.
Para llevar a cabo el experimento con éxito, hay que poner atención en las
condiciones bajo las que se pueden hacer inferencias causales (Kinnear y Taylor,
1998).

Tema 7. Ideas clave
Figura 2. Condiciones para las inferencias causales.
La variación concomitante es el grado en el que una variable-causa X y una

variable-efecto Y varían en la forma pronosticada por la hipótesis bajo
consideración.
Es necesario, del mismo modo, que el evento causante ocurra antes o

simultáneamente con el efecto.
Y, por último, hay que eliminar otras posibles causas diferentes a las variables
controladas para identificar la verdadera relación causal. Las variables externas
quedan detalladas en la siguiente tabla.
Tipos de
variables Definición Ejemplos
externas
Eventos externos que ocurren En un experimento sobre los
simultáneamente al efectos de un determinado

experimento. Cuanto más amplio programa de capacitación de la
Historia sea el horizonte temporal del fuerza de ventas de una
experimento mayor es la organización, en el que el resultado
probabilidad de que la historia medible sea el nivel de ventas
afecte al experimento. conseguido por dichos vendedores,

Tema 7. Ideas clave
un evento externo puede ser un
cambio en los precios de la
compañía rival.
Un aumento en el nivel de ventas
puede deberse a una mayor
Cambios en las unidades de
experiencia de los vendedores a lo
Maduración prueba por el transcurso del
largo del tiempo y no
tiempo.
necesariamente al programa de
capacitación de ventas.
Efectos al tomar una medida El hecho de medir las ventas antes
sobre las variables antes de del programa condiciona la
Pruebas
someter a la unidad de prueba a actividad futura de los vendedores
un evento concreto. sometidos al experimento.
Suponiendo que el nivel de ventas
Cambios en el ajuste del se mide en euros, un cambio en los
Instrumentación
instrumento de medición. precios de los productos alterará el
experimento.
Diferencias entre las unidades de Al asignar los vendedores al
Sesgo de
prueba que se someten al experimento debemos tener en
selección
experimento. cuenta sus diferencias iniciales.
No nos referimos
Mortalidad de la necesariamente a la muerte
Algún vendedor dejó de trabajar
unidad de física sino al abandono de las
para la compañía.
prueba unidades de prueba del
experimento.
Tabla 8. Variables externas.
7.5. El análisis de los datos
En este último apartado vamos a presentar algunas de las técnicas cuantitativas de

análisis de datos a aplicar sobre el conjunto de datos extraídos en la fase de trabajo
de campo. Pero hemos de tener en cuenta que las bases de datos no estarán listas
para ser analizadas hasta que no se haya producido el procesamiento de los
mismos, del que hablamos en el tema anterior. Así, el resultado del proceso de
tratamiento de los datos ha de culminar con la obtención de una base de datos
completa y confiable para el posterior tratamiento.

Tema 7. Ideas clave
A partir de la base de datos definitiva nos preguntaremos acerca de la necesidad de
plantear modelos cuantitativos, más o menos complicados, para el conocimiento de
la realidad ya que en caso de contar con un número muy reducido de variables a
veces un simple análisis gráfico nos dará una visión bastante aproximada del
fenómeno que queremos conocer. Es el caso del gráfico que presentamos a
continuación.
Figura 3. Relación entre dos variables.
Solo cuando las relaciones no parezcan claras, o el número de variable o dimensión

del problema sea mayor, trataremos de aplicar técnicas cuantitativas. Los modelos
cuantitativos se utilizan tanto para describir y comprender la realidad —hablamos
en este caso de modelos descriptivos— como para predecir.
Antes de decidir las técnicas y lanzarnos a realizar operaciones matemáticas y

estadísticas con las variables, debemos pensar en la naturaleza de estas.
Es necesario que el investigador sea capaz de identificar a qué tipo de variables se

corresponden esos datos, que clasifique perfectamente entre variables continuas y
variables discretas.
 Las variables continuas son variables numéricas que tienen un número infinito
de valores entre dos valores cualesquiera, por ejemplo, tiempo de
reaprovisionamiento, ingresos, nivel de ventas, etc.

Tema 7. Ideas clave
 Las variables discretas contienen un número finito de categorías o grupos
distintos, por ejemplo, el género (H/M), decisión de compra (SÍ/NO), marca
elegida, método de pago, etc.
De la misma forma, el responsable de tratamiento de datos ha de ser capaz de

identificar cuáles son las variables dependientes e independientes en un problema
concreto.
Imaginemos que tenemos una base de datos de registros de ventas semanales de

un determinado producto (por ejemplo, kétchup) recogido a través de los escáneres
de un conjunto de establecimiento de ventas colaborador durante un año
completo. Además, tenemos los datos correspondientes a los precios de este
producto a lo largo del año y los datos sobre las diferentes promociones que se han
llevado a cabo en los establecimientos durante el mismo horizonte temporal. Al
representar los datos podemos tener un gráfico como el siguiente.
Figura 4. Representación de las ventas de kétchup.

Fuente: Adaptado de los datos de Franses y Paap (2001).

Tema 7. Ideas clave
En el gráfico, los picos podrían coincidir, o no, con las promociones realizadas.
Nos podría interesar conocer si esos valores extremos se corresponden con los
períodos en los que los establecimientos colaboradores llevaron a cabo las
diferentes promociones.
En este caso concreto identificamos los siguientes tipos de variables:

 Dependientes: nivel de ventas.
 Independientes: precio del producto y promociones realizadas sobre el
producto.
La naturaleza de la variable dependiente va a condicionar el tipo de técnica de

análisis multivariante a emplear.
Resumimos las diferentes técnicas en el siguiente cuadro:
Figura 5. Método de análisis multivariante.

En este vídeo repasamos las escalas de medida, el muestreo, la experimentación y

el análisis de datos.

Tema 7. Ideas clave
Accede a la lección magistral a través del aula virtual
7.6. Referencias bibliográficas
Franses, P. H. y Paap, R. (2001). Quantitative Models in Marketing Research.

Cambridge: Cambridge University Press.
Grande, I. y Abascal, E. (2009). Fundamentos y técnicas de investigación comercial

(décima edición). ESIC.
Kinnear, T. C. y Taylor, J. R. (1998). Investigación de mercados (quinta edición).

McGraw-Hill.

Tema 7. Ideas clave
A fondo
Metodología de la encuesta de presupuestos familiares
INE (Instituto Nacional de Estadística) (2016). Metodología de la encuesta de

presupuestos familiares. Recuperado de:
https://www.ine.es/metodologia/t25/t2530p458.pdf
Accede a la Encuesta de presupuesto familiares elaborada por el INE. Descarga la

metodología (período 2006-2015) para conocer cómo se diseña el procedimiento de
muestreo para la recogida de datos de consumo de los hogares.
Panel de consumidores de Nielsen
Nielsen (s.f.). Panel de consumidores de Nielsen. En Nielsen.com [página web].

Recuperado de: https://www.nielsen.com/es/es/solutions/capabilities/consumer-
panels.html
Nielsen es una empresa multinacional dedicada a la medición y análisis de datos de

consumidores y de mercados en todo el mundo. Uno de los servicios que
proporciona en la mayoría de los países en los que está implantada es el estudio
basado en paneles de consumidores. En esta web el alumno podrá hacerse una idea
de los servicios de investigación de mercados de una empresa real.

Tema 7. A fondo
Test
1. En una escala nominal…
A. Los números representan etiquetas.
B. Los números guardan relación de orden.
C. Se pueden establecer proporciones numéricas.
D. El cero implica ausencia de característica.
2. En una escala ordinal…

3. En una escala de razón…

4. En una escala de intervalos…

C. Se puede establecer igualdad de diferencias.
5. ¿Cuál de las siguientes no es una razón válida para llevar a cabo un muestreo?
A. El coste.
B. El tiempo.
C. La imposibilidad de disponer de entrevistadores adecuados.
D. Una muestra puede ser más exacta.

Tema 7. Test
6. El error muestral…
A. Aumenta con el tamaño de la muestra.
B. Disminuye a medida que aumenta el tamaño de la muestra.
C. Es intrínseco a la realización de estudios.
D. Puede deberse a una mala definición de objetivos de la investigación.
7. Los procedimientos probabilísticos…

A. Garantizan las mejores muestras.
B. Son más costosos.
C. No se basan en ninguna teoría de la probabilidad.
D. Garantizan el conocimiento de la probabilidad de los individuos de la
población de formar parte de la muestra.
8. ¿Cuál de los siguientes no es un requisito de la causalidad?

A. Variación concomitante.
B. Ocurrencia cronológica de las variables.
C. Eliminación de otros posibles factores causales.
D. Necesidad de consentimiento de los sujetos sometidos al experimento.
9. ¿Cuál de las siguientes afirmaciones referidas a experimentos no es correcta?

A. La historia está relacionada con los eventos externos que ocurren
simultáneamente al experimento.
B. La maduración implica cambios en las unidades de prueba por el transcurso
del tiempo.
C. La mortalidad se refiere a la muerte física de las unidades de prueba.
D. El sesgo de selección se elimina asignando aleatoriamente las unidades de
prueba a los diferentes grupos del experimento.

Tema 7. Test
10. Una vez definida la naturaleza discreta de la variable dependiente, el método
más apropiado es:
A. Regresión múltiple.
B. Modelo de duración.
C. Modelo binomial si la variable es dicotómica.
D. Modelo multinomial si la variable toma solo dos valores.

Tema 7. Test

Tema7 - Escalas de Medida, Muestreo, Experimentación y Análisis de Datos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema7 - Escalas de Medida, Muestreo, Experimentación y Análisis de Datos

Cargado por

Copyright:

Formatos disponibles

Tema 7

Inteligencia de Cliente (CRM)

7.3. Técnicas de selección de muestras: el muestreo 7

Análisis de datos VARIABLES DISCRETAS BINOMINAL LOGIT/PROBIT

Presentación de los MULTINOMIAL MODELOS MULTINOMIALES

Inteligencia de Cliente (CRM)

7.1. Introducción y objetivos

En el tema anterior se ha introducido ampliamente el concepto de investigación de

En primer lugar, identificaremos los problemas de medición relacionados con las

En segundo lugar, trataremos el muestreo como forma de resolver problemas

Dedicaremos la sección posterior a conocer la experimentación como forma de

Y, por último, abordaremos el problema de la decisión sobre qué técnicas de

Inteligencia de Cliente (CRM) 4

La medición consiste en la utilización de números para representar propiedades o

Los números son

La manipulación de números realizada por las matemáticas o la estadística utiliza las

Según se cumplan estas características de los sistemas numéricos podremos

Inteligencia de Cliente (CRM) 5

Tabla 2. Tipos de escalas. Fuente: Kinnear y Taylor (1998).

Inteligencia de Cliente (CRM) 6

Aunque el desarrollo de la tecnología, concretamente la aplicación de las técnicas

Las razones que aconsejan llevar a cabo estudios en función de muestras y no

Una muestra ahorra dinero

Una muestra ahorra tiempo

Una muestra puede ser más exacta

Una muestra es mejor si el estudio conlleva la destrucción o

Tabla 3. Ventajas de estudios basados en muestras.

Surgen debido a que se analiza una

heterogeneidad de la población es más

Inteligencia de Cliente (CRM) 7

Una vez identificados los errores en la investigación de mercados podemos

En el caso de que el estudio suponga destrucción o contaminación de los elementos

Elemento Unidad acerca de la cual se solicita

Población Conjunto de todos los elementos sobre el

Marco muestral Lista de todos los elementos disponibles para

Muestra Conjunto de unidades seleccionadas de la

población para su estudio.

Inteligencia de Cliente (CRM) 8

Con el objetivo de garantizar la representatividad de la selección de muestras,

Existen varias clases de procedimientos de muestreo que podemos resumir en dos

En los procedimientos probabilísticos cada elemento de la población tiene una

probabilidad conocida de ser seleccionado para la muestra, porque la selección se

Inteligencia de Cliente (CRM) 9

Muestreo probabilístico Muestreo no probabilístico

Resumimos a continuación las características de las modalidades de muestreo más

Procedimientos probabilísticos Procedimientos no probabilísticos

representados todos los

Inteligencia de Cliente (CRM) 10

En el tema anterior se apuntó a la experimentación como la técnica más adecuada

La experimentación se puede definir como la creación de determinadas

Inteligencia de Cliente (CRM) 11

La variación concomitante es el grado en el que una variable-causa X y una

Es necesario, del mismo modo, que el evento causante ocurra antes o

simultáneamente al efectos de un determinado

Inteligencia de Cliente (CRM) 12

7.5. El análisis de los datos

En este último apartado vamos a presentar algunas de las técnicas cuantitativas de

Inteligencia de Cliente (CRM) 13

Figura 3. Relación entre dos variables.

Solo cuando las relaciones no parezcan claras, o el número de variable o dimensión

Antes de decidir las técnicas y lanzarnos a realizar operaciones matemáticas y

Es necesario que el investigador sea capaz de identificar a qué tipo de variables se

Inteligencia de Cliente (CRM) 14