Anexo

Caso Heineken

1. Introducción de datos

El primer paso es importar nuestra database y asignar un nombre a este dataframe - Heineken
Además, montamos los paquetes necesarios para el análisis por adelantado

getwd()

## [1] "/Users/andy/heineken"

Heineken<-read.csv("heineken.csv",sep=";")
library(ggplot2)
library(factoextra)

2. Correlación

Al siguiente paso, hacemos una análisis de correlación de todas las variables del dataframe

corrplot(corr=cor(Heineken[,-1]),order="hclust")

1
Así tenemos un gráfico de correlación.

También queremos obtener una tabla de correlación donde se ven más fácil los números

cor(Heineken[,-1])

En el gráfico, podemos ver las correlaciones entre las variables cuantitativas de una forma visual.
Cuanto más grandes los tamaños de los círculos, más elevadas las correlaciones entre las variables.
El color azul identifica correlaciones positivas. El color rojo las negativas. Se puede observar que la

2
variable “National” está positivamente correlacionada con “Familiar” (0.9447763), mientras que
muestra correlación más baja con la variable “Conocida”. Eso muestra que la cerveza como más
adapta a ser consumida en casa esta altamente correlacionada con la cerveza como marca
nacional.

Desde nuestro punto de vista, tiene sentido aplicar un ACP en el caso de Heineken.

El estudio de posicionamiento de una marca respecto a otras es unas de las aplicaciones del
método de ACP. Mediante 7 variables de las diferentes marcas, nos van a ayudar a analizar el
posible relanzamiento de la marca Heineken al quiere ahora dirigirse a un público más joven y
dinámico para el consumo de noche.

Antes de realizar ACP, tenemos que aplicar el análisis de la matriz de correlaciones, lo cual resulta
muy valioso antes de realizar un ACP, porque permite verificar la condición necesaria y suficiente
para aplicar el método.

El primer paso consistió en encontrar unas pocas variables con alta correlación(ej. “Familiar” y
“national”), todas las cuales conducirían a problemas de colinealidad si se aplicaran a la regresión.
Mediante el ACP, varias variables con altos coeficientes de correlación pueden combinarse en un
solo componente, reduciendo la posibilidad de multicolinealidad. En este caso, el primer grupo
puede estar constituido por las variables “Familiar” y “national”, por ejemplo y el segundo grupo
incluye “International”, “juvenil”, “night club”, “sofisticada”, lo que indicaría cuando realicemos el
ACP, podríamos tener dos grupos con direcciones contrapuestas. También es posible que la
variable “conocida” sea usada como un componente principal separado porque el bajo coeficiente
de correlación entre conocida y otras variables significa que no puede combinarse con otras
variables.

3. Metodología de ACP

En este caso, tenemos 8 variables en el dataframe, la variable de la primera columna es una

variable categórica, dado que el método no permite utilizar variable categóricas, eliminamos la
variable de marcas, usando el resto para hacer el ACP y luego usaremos la variable de marcas
como descriptiva en el análisis.

HeinekenPCA<-PCA(Heineken[,-1],ncp=2,graph=FALSE)

3
Al siguiente,observando los eigenvalues de las componentes, identificamos el número de
componentes

HeinekenPCA$eig

## eigenvalue percentage of variance cumulative percentage of variance

## comp 1 4.909312714 70.13303878 70.13304
## comp 2 1.623189984 23.18842834 93.32147
## comp 3 0.226473182 3.23533117 96.55680
## comp 4 0.134534522 1.92192174 98.47872
## comp 5 0.072608233 1.03726048 99.51598
## comp 6 0.028880471 0.41257816 99.92856
## comp 7 0.005000893 0.07144133 100.00000

fviz_eig(HeinekenPCA,addlabels=TRUE)

Ahora tenemos una tabla de eigenvalue de las componentes como un grafico intuitivo, donde

4
observamos que dos dimensiones, cuyos eigenvalues son mayores que 1 hasta la segunda
componente, con una tasa de varianza acumulativa aproximadamente 93%, ya son ideales(>70%)
para un ACP, que representaría una buena cantidad de información.

4. Análisis de las componentes principales

Ahora realizamos un calculo de la ACP con dos componentes

HeinekenPCA$var$cor

## Dim.1 Dim.2
## Conocida 0.04369354 0.9534498
## Night.club 0.95027966 0.2016472
## Internacional 0.93603510 -0.1613957
## Familiar -0.82558223 0.4933749
## Sofisticada 0.94199687 0.2056379
## juvenil 0.81827517 0.5162451
## National -0.94323489 0.3085425

Ya tenemos una tabla que representa la correlación entre las variables originales y las 2
componentes principales, más bien podríamos realizar un gráfico de ACP

plot.PCA(HeinekenPCA, axes=c(1, 2), choix="var")

5
Una flecha larga y que forma un ángulo pequeño con la componente, indica alta correlación entre
variable y componente. Se puede observar como la componente 2 está altamente correlacionada
con la variable “conocida”. Las variables “familiar” “national” están correlacionadas
significativamente de manera negativa con la componente 1 mientras que las de
“juvenil”“sofisticada”“night.club”“international” se correlacionan con la componente 1 en forma
positiva, con lo cual podríamos interpretar la 2ª componente como “conocimiento de la marca” y
la 1ª como “situación de consumo”.

5. Análisis de competidores

Ahora realizamos un gráfico de los individuos y indicamos cuáles serían los principales
competidores de Heineken.

plot.PCA(HeinekenPCA, axes=c(1, 2), choix="ind")

6
Observamos que el número 3 que es Heineken se encuentra en un lugar más positivo en el mapa
de dos dimensiones que otras marcas en general, es decir, se considera como una marca que se
consume en lugares más lujosos, se podría decir en clubs o restaurantes de buena calidad,
también la cual es más conocida entre estas marcas de cerveza. Sin embargo, el número 7,
Corona, comparte muchas características con Heineken según el mapa, que Corona está un poco
más relacionada con la componente 1 pero menos con la 2ª, menos conocida, así que podríamos
decir que Corona es un competidor potente para Heineken. Las otras marcas se encuentra más
lejos de Heineken, por lo cual no consideramos que son competidores para Heineken en su
segmento de mercado.

6. Construir un mapa perceptual

En R el mapa perceptual se construye mediante la función textit{fviz_pca_biplot(pca2)} de la

liberia library(factoextra) que ya hemos montado antes.

fviz_pca_biplot(HeinekenPCA)

7
El mapa perceptual junta los dos gráficos del APC: el circulo de las correlaciones y el gráfico de las
marcas. Desde el punto de vista del consumidor, sirve para conocer qué beneficios diferenciales
ofrece cada una de las marcas. Y desde el punto de vista de la empresa, sirve para conocer en qué
posición se encuentra la empresa en la mente del consumidor para realizar estrategias posteriores
de marketing.

En este caso, según el mapa, se podría observar que Heineken se sitúa en un segmento donde hay
más jóvenes quienes busquen marcas internacionales, sofisticadas y consuman más en clubs,
asimismo la cual es una marca muy conocida, percibida como el líder y de buena calidad en el
mercado según las valoraciones. Como se ha mencionado antes, el principal competidor de
Heineken es Corona que en el factor de Night club, se percibe más consumida o adaptada a
discotecas y pubs, lo cual para Heineken podría ser una competitividad que queda por reforzar, en
este sentido, es posible que fortaleza más la colaboración con los clubs, planeando más
actividades promocionales acerca de la marca en los clubs. Aunque Heineken dispone de un buen

8
posicionamiento en el mercado de cerveza, puede que busque un nuevo segmento por medio de
lanzar un producto nuevo con valores más familiares y locales para cierto público objetivo.