La Necesidad de la Investigación Comercial

T.1) ¿Por qué es necesaria la Investigación Comercial?

La Investigación Comercial es fundamental porque las empresas operan en:

• Mercados más amplios y difíciles (globalización).
• Trabajan con una mayor cantidad de productos diferentes.
• Se encuentran con un entorno más complejo de analizar.
• La información se desvirtúa a medida que circula en un sentido u otro.

Paradoja de la Información y Sesgos Cognitivos

Paradoja de la Información: Cada vez existe más información disponible a un coste más pequeño, pero cada vez hay más información parcial o falsa.

Conclusiones sobre la percepción:

• Se tiende a sobrevalorar lo que gusta a cada persona (efecto espejo).
• Las personas evalúan el futuro a partir de las experiencias personales.
• Efecto del falso consenso: La gente tiende a pensar que sus gustos son más frecuentes de lo que son en realidad.

Núcleo de la Investigación Comercial

La Investigación Comercial se centra en tres áreas principales:

• Información sobre el Entorno: Oportunidades, amenazas, Macroentorno, Microentorno.
• Información para Marketing Estratégico: Segmentar el mercado, posicionamiento de un producto.
• Información para Marketing Operativo: Gama de productos, política de distribución, decisiones sobre precio, comunicación comercial.

El Sistema de Información de Marketing (SIM)

El SIM (Sistema de Información de Marketing) es la recogida de información para la toma de decisiones. Tiene 4 subsistemas:

1. Datos internos.
2. Inteligencia de Marketing.
3. Investigación Comercial.
4. Apoyo a las decisiones de Marketing.

Definición y Características de la Investigación Comercial

¿Qué es Investigación Comercial? Es la búsqueda de información para su análisis e interpretación, con el fin de identificar y solucionar problemas y aprovechar oportunidades.

Tiene 4 características esenciales:

1. Investigación sistemática.
2. Carácter objetivo.
3. Elemento informativo (debe ser relevante).
4. Finalidad: Posibilitar la toma de decisiones por los responsables de Marketing.

Sesgos en el Muestreo y Cooperación

Se han identificado los siguientes sesgos en la cooperación para paneles:

• Colaboran personas que llevan una vida metódica.
• Colaboran personas con menos de 40 años.
• Cuanto mayor sea el precio, menor propensión a cooperar en los paneles.
• Mayor cooperación en clases medias.
• Se colabora más con productos de compra planificada que con compra impulsiva.

Cálculo del Tamaño y Error de la Muestra

Tamaño de la Muestra (n)

A) Si N > 100.000 (Población Grande)

Estimación de Proporciones (E. de %):

$$n = \frac{k^2 \cdot P \cdot Q}{e^2}$$

Estimación de Medias:

$$n = \frac{k^2 \cdot s^2}{e^2}$$

B) Si N < 100.000 (Población Pequeña)

Estimación de Proporciones (E. de %):

$$n = \frac{k^2 \cdot N \cdot P \cdot Q}{(e^2 \cdot (N-1)) + (K^2 \cdot P \cdot Q)}$$

Estimación de Medias:

$$n = \frac{k^2 \cdot N \cdot s^2}{(e^2 \cdot N) + (K^2 \cdot S^2)}$$

Error Muestral (e)

A) Si N > 100.000 (Población Grande)

Estimación de Proporciones (E. de %):

$$e = k \cdot \sqrt{\frac{P \cdot Q}{n}}$$

Estimación de Medias:

$$e = \frac{k \cdot s}{\sqrt{n}}$$

B) Si N < 100.000 (Población Pequeña)

Estimación de Proporciones (E. de %):

$$e = k \cdot s \cdot \sqrt{\frac{(N-n) \cdot P \cdot Q}{(N-1) \cdot n}}$$

Estimación de Medias:

$$e = k \cdot s \cdot \sqrt{\frac{N-n}{(N-1) \cdot n}}$$

Valores de K (Nivel de Confianza):

• 68%: K = 1
• 95%: K = 1,96
• 95,5%: K = 2
• 99%: K = 3

Medición de Variables Económicas y Escalas

Tipos de Variables

¿Cómo se miden las variables económicas?

1. Variables Cualitativas / No Métricas (Se leen mediante letra)

• Nominal: Clasificación sin orden (salario, raza, sector, color de ojos, estado civil, profesión, país).
• Ordinal: Asignar un número para ordenar los datos (calidad del servicio, escolaridad, satisfacción, orden de mérito).

2. Variables Cuantitativas / Métricas

• De Intervalo: Reúne dos requisitos: 1) La diferencia entre valores es de escala constante y tiene significado. 2) El cero es arbitrario (no hay un valor numérico que indique ausencia total de cantidad). Ejemplos: Estatura, salario, ventas producidas, volumen de ventas, calificación de examen.
• De Razón: Igual que la de intervalo, pero el cero es absoluto (sí existe un valor que indica ausencia total). Ejemplos: Edad, número de hijos, gastos mensuales, ingresos, peso, talla.

Tipos de Escalas (T. Escalas)

• Stapel: Solo variables no métricas ordinales.
• Likert: Variables no métricas ordinales y pueden ser también de razón.
• Diferencial Semántico: Igual que Likert, pero es bipolar.

Contraste de Hipótesis y Análisis Bivariante (T.5)

El Análisis Bivariante permite extrapolar o inferir conclusiones del estudio a la población.

Pasos del Contraste de Hipótesis (8 Pasos)

1) Formulación de H₀ (Hipótesis Nula)

• Si p-valor > 0,05: No se rechaza H₀, se cumple la homocedasticidad y la distribución Normal.
• Si 0,01 < p-valor < 0,05: Nivel de significación del 5%. Se rechaza H₀, no hay homocedasticidad, no hay distribución Normal.
• Si p-valor < 0,01: Nivel de significación del 1%. Se rechaza H₀, no hay homocedasticidad, no hay distribución Normal.

2) Elegir la Prueba Estadística Adecuada

La elección depende de: objetivo, diseño (independiente o relacionado) y escala de medición.

Pruebas de Normalidad y Elección del Test

¿Sigue Distribución Normal?

• SÍ: Se aplica un Test Paramétrico.
  • Muestras Independientes: T de 2 grupos y ANOVA (Test de Levene).
  • Muestras Relacionadas: T-Student (Shapiro-Kolmogorov).
• NO: Se aplica un Test No Paramétrico.
  • 2 Grupos: U de Man-Whitney.
  • Más de 2 Grupos: H de Kruskal-Wallis.

Coeficientes de Asociación y Correlación

• Variables No Métricas (Asociación): Coeficiente Phi, V de Cramer, C de Contingencia.
• Variables Métricas (Correlación):
  • Coeficiente Lineal de Pearson: Test paramétrico.
  • Coeficiente de Rango de Spearman: Test no paramétrico.
  • Coeficiente T de Kendall: Variables no métricas ordinales.

Modelos Multivariantes: Interdependencia y Dependencia

Modelos de Interdependencia / Descriptivos

Estudian la relación entre $X_i$ e $Y_i$ (dispersión, centralización). Ejemplo: Análisis Factorial.

Modelos de Dependencia / Causales / Explicativos

Estudian la relación de $X_i$ sobre $Y_i$. Ejemplos: ANOVA, Análisis Discriminante.

Requisitos de Variables para Técnicas Clave

• ANOVA: Variable dependiente (Y) métrica de razón. Variable independiente (X) no métrica (o de intervalo).
• Análisis Factorial: Variable dependiente (Y) no métrica nominal (de razón si se recodifica) u ordinal (con pérdida de información). Variable independiente (X) métrica de razón.
• Análisis Discriminante: Variables métricas de razón (escalas Likert y Diferencial Semántico).

Aplicaciones Detalladas de Técnicas Estadísticas

Análisis de Tablas de Contingencia (Chi-Cuadrado)

T.5 ¿Existe relación de causalidad entre las variables X e Y?

Si la variable de nivel de satisfacción es no métrica nominal y la imagen de marca es no métrica ordinal, se realiza un análisis con una tabla de contingencia y coeficientes de asociación, ya que las variables a analizar son no métricas ($X_i$ y $X_j$).

Pasos:

1. Tabla Chi-Cuadrado: Se verifica si el análisis es fiable y robusto. Si no lo es, se debe realizar una recodificación. Si el p-valor es < 0,05, se rechaza H₀ y sí hay relación entre las variables independientes analizadas.
2. Tabla de Contingencia (Residuos): Se miran los residuos. Si son superiores a 1,96 o 2, significa que hay diferencias estadísticamente significativas y que las variables están relacionadas. Su signo indica si hay más (+) o menos (-) casos de los debidos.
3. Tabla de Medidas Simétricas (Asociación Lineal): Se mira el p-valor. Si es < 0,05, tiene relación con la variable analizada. Se evalúa el valor de asociación:

• < 0,03: Débil.
• 0,03 < Valor < 0,05: Moderada.
• 0,05 < Valor < 0,07: Alta.
• > 0,07: Muy Alta.

ANOVA y MANOVA

Es un método explicativo causal que mide la relación de dependencia de la variable Y respecto a la variable X. La variable dependiente (Y) es métrica de razón, y la variable independiente (X) es no métrica o de intervalo (con las de intervalo y ordinal se pierde información al analizar).

Pasos:

1. Test de Levene: Se mira la tabla T – Levene. Si H₀ > 0,05, se cumple la condición de homogeneidad de las varianzas.
2. Tabla de Efectos Inter-Sujetos: Si el p-valor es < 0,05, se rechaza H₀ y, por lo tanto, existen diferencias estadísticamente significativas, lo que implica que existe una relación causal de X sobre Y.
3. Estadísticos Descriptivos: Se observa el valor de las medias. La más alta es la que más influye sobre el resto.
4. Bondad de Ajuste (Eta al Cuadrado): Se mira debajo de la tabla de efectos inter-sujetos. Si es > 0,3, es un buen resultado (interesan valores altos). Esta es la capacidad de explicar la variabilidad total de la variable dependiente.
5. Potencia Observada: Muestra la probabilidad de que el test F detecte diferencias entre los niveles de cada variable. El valor mínimo debe ser > 0,8 (poder de prueba).

Análisis Factorial de Componentes Principales (ACP)

Permite una pérdida relativa de información para obtener ganancia en significación. Las variables deben ser métricas de razón y las correlaciones deben ser > 0,3.

Pasos:

1. Cumplimiento de Requisitos:

• Determinante < 0,1.
• KMO > 0,7.
• Barlett < 0,05 (se rechaza H₀ si se cumple).

Si no se cumplen, se mira la MSA (Correlaciones Anti-Imagen). Si es < 0,5, se quita la variable del análisis.

Test de Kaiser (Varianza Total, Rotación): Se observa el porcentaje de factores que explican el porcentaje acumulado de la varianza total (variables tipificadas).
Matriz de Componentes Rotados: Se toman los valores mayores para saber dónde incluir cada variable/factor. En los estadísticos descriptivos, se miran las medias de cada factor, sabiendo que la más elevada tendrá una ventaja respecto a las demás.

Ejemplo de Posicionamiento:

¿Mejor posicionamiento en el factor 3? Se calcula el % del factor * la valoración de los rotados. ¿Cuál de estos está mejor posicionado? Sumar valores del posicionamiento de X.

Análisis Discriminante

Requisitos previos: Los grupos han de ser exhaustivos, disjuntos y definitivos a priori. Debe haber ausencia de multicolinealidad y distribución normal (la causa previa a la consecuencia).

La variable Y (dependiente) será no métrica nominal (o de razón si se recodifica; con la ordinal se pierde información). La variable X (independiente) será métrica de razón.

Pasos:

1. Test de Box: Se comprueba el Test de Box. Si H₀ no se rechaza, se cumple que las matrices de covarianzas intragrupos han de ser iguales o muy similares para los grupos de población.
2. Lambda de Wilks: Si es < 0,05, quiere decir que tiene diferencias estadísticamente significativas y que existe relación entre las variables. Se sube a la tabla de autovalores (correlaciones canónicas). La correlación que tiene relación se eleva al cuadrado, y el resultado será la función discriminante (capacidad explicativa).
3. Coeficientes Discriminantes Canónicos: Si hay 3 tipos de alojamiento, habrá N-1 funciones discriminantes. Se coge el factor 1 y 2. $F.D.1 = (número \cdot nombre \, factor) + \dots$
4. Centroides: Es el valor de representatividad de las puntuaciones discriminantes de cada grupo. Los valores positivos están por encima de la media.
5. Matriz de Estructura: Indica el grado de asociación entre X y las funciones discriminantes. Se cogen los valores más altos.
6. Capacidad Predictiva: El porcentaje debajo de la tabla debe ser > 80% o > 50% aleatorio.