

Unidad 3: Caso Práctico

1. Enunciado
—

© 2016 Asturias: Red de1 Universidades Virtuales Iberoamericanas

 CASO PRACTICO UNIDAD No. 3

PLAN DE MARKETING

JEIMMY ROCIO URQUIJO CASALLAS

CORPORACION UNIVERSITARIA DE ASTURIAS

PROGRAMA DE ADMNISTRACION DE EMPRESAS

2021

Profesor:
 Unidad 3: Caso Práctico. Enunciado

Enunciado

Ejemplo de análisis factorial para la toma de decisiones de

Marketing

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 presentarán 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.

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 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.

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.

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 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
 ¿Cuándo es oportuno realizar un análisis factorial? ¿Qué ventajas e
inconvenientes tiene esta técnica?
Rta:

Según “Malhotra (1997)” señala que el Análisis factorial es oportuno al momento de

realizar:

La segmentación de Mercados: Para identificar las variables subyacentes en las cuales

deben agruparse los clientes. Así, por ejemplo, los compradores de automóviles
nuevos pueden agruparse sobre la base de la importancia que dan a la economía, la
comodidad, el desempeño, el lujo, el servicio postventa, etc.

La investigación de Productos: Para identificar los atributos de las marcas que

influyen en la elección del consumidor. Una marca de pasta dental puede evaluarse
por: la protección contra la caries, la blancura que proporciona a los dientes, el sabor,
el aliento fresco que otorga, su precio, etc.

La publicidad: Para comprender los hábitos de consumo del mercado meta. Los
consumidores de comida rápida (fast food) pueden espectar determinados programas
de TV, preferir determinado tipo de música, gustar determinado tipo de ropa,
transporte, etc.

Y el estudio sobre Precios: Para identificar las características de los consumidores

sensibles al precio. Estos consumidores pueden ser de clase media, preocupados por
la economía, caseros, etc.
A continuación se enumeran algunas de las ventajas y desventajas a tener en cuenta
en el momento de al utilizar esta técnica:
Ventajas

Sus principios son aplicables en todas las industrias y a todos los niveles industriales.
Es económico y fácil de usar y puede utilizarse en una amplia variedad de situaciones
Se puede utilizar para identificar muchos factores latentes subyacentes que otras
herramientas pueden no ser capaces de resaltar
Puede utilizar factor análisis de manera efectiva para proporcionarle una visión
profunda de la demografía y el comportamiento de compra de los clientes, esto lo
ayudaría a apuntar mejor a su mercado y lograr mayores ventas
Esta la posibilidad de asignar puntajes a los atributos subjetivos de factores
exploratorios y análisis del factor confirmatorios
Desventajas

Es difícil determinar si los factores que emergen reflejan los datos o simplemente son
parte del poder del análisis factorial para encontrar patrones.
No revela necesariamente todas las fuerzas que afectan las actividades debido a que
ha sido concebido como un método de diagnóstico general.
Es difícil decidir cuántos factores incluir es decidir cuántos factores conservar. Hay
una variedad de métodos para determinar esto, y hay poco acuerdo sobre cuál es el
mejor.
La interpretación del significado de los factores es subjetiva puede decirle qué
variables en su conjunto de datos «van juntas» de maneras que no siempre son obvias

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

utilizaremos si queremos segmentar el mercado?
Rta:
En este caso la mejor opcióncomotécnica multivariante si queremossegmentar 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

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.
 BIBLIOGRAFIA

Bellido, P. (sin fecha). Ilustrado. Estadísticas para marketing (1) El Análisis Factorial.
Recuperado de http://www.ilustrados.com/tema/1181/Estadisticas-para- marketing-
Analisis-Factorial.html.