3 PDF

3.
La medicin de la satisfaccin del cliente
En este captulo realizaremos un anlisis al respeto de la metodologa que

emplearemos en nuestro proyecto para medir la satisfaccin del cliente.
Comenzaremos con una breve introduccin a la medicin de la satisfaccin del
cliente y llegaremos hasta la definicin justificada del modelo que emplearemos
para realizar dicha medicin de la satisfaccin de los clientes de la empresa
objeto del proyecto.
3.1. Introduccin
Tras presentar las distintas definiciones del concepto de satisfaccin del

cliente, el siguiente paso que daremos ser proceder a medir esta satisfaccin.
Para ello, haremos un breve repaso de los distintos mtodos empleados para
ello.
Los primeros mtodos utilizados para la medicin de la satisfaccin del

cliente fueron el anlisis porcentual, el uso de escalas, ratios y el mtodo top
box. Estos mtodos siguen usndose en la actualidad en el mundo de la
empresa por su facilidad de uso.
Sin embargo, se han desarrollado mtodos de anlisis multivariable ms

avanzados. El anlisis de varianza fue uno de los primeros de estos mtodos en
ser desarrollado, que aunque es una herramienta til presenta problemas al
tratar de unificar la teora con los datos reales como los otros mtodos
multivariable de primera generacin.
Por el contrario, los llamados mtodos de anlisis multivariable de segunda

generacin tales como el Modelado Estructural de Ecuaciones (Structural
Equation Modeling: SEM) y el Modelado mediante Mnimos Cuadrados Parciales
(Partial Least Squares: PLS) son capaces de unir de manera coherente el
conocimiento emprico y terico.
Tanto el mtodo SEM como el PLS estn siendo utilizados en la actualidad

en mltiples campos disciplinares, entre ellos para la medicin de la satisfaccin
del cliente.
Durante este captulo, trataremos de argumentar que el mtodo PLS es el

ms adecuado para su utilizacin en la medicin de la satisfaccin del cliente
debido a la tolerancia que posee respecto a los datos generados por una
encuesta de satisfaccin del cliente.
Estudio de la Satisfaccin del Cliente
3.2. Antecedentes histricos de la medicin de la satisfaccin

del cliente
El primer trabajo en esta rea, que posteriormente se conocera como la

satisfaccin del cliente basada en el anlisis matemtico, fue realizado en la
dcada de los aos 20 del pasado siglo por parte de socilogos que estudiaron
el comportamiento de grupos de personas usando principalmente anlisis
porcentual.
En los aos 40 del pasado siglo, los ltimos avances en la medicin de la

satisfaccin del cliente eran las escalas e ndices.
Durante la dcada de los 50, el paso del uso de correlaciones a ecuaciones

fue el mayor avance.
En los 60, se desarroll la primera generacin del anlisis multivariable.

Estos mtodos de la primera generacin, tales como la regresin mltiple, el
anlisis factorial, el anlisis de varianza, etc., se han convertido en unas
herramientas de gran utilidad para los investigadores de la satisfaccin del
cliente aunque en los ltimos tiempos se han visto remplazadas por las de
segunda generacin.
Los mtodos de primera generacin del anlisis multivariable ayudan a

evaluar los constructos y las relaciones entre los distintos constructos. En
cualquier caso, estas evaluaciones deben realizarse en varias etapas.
Estos mtodos presentan dificultades a la hora de poder aunar la teora con

los datos reales. A su vez, poseen restricciones al procesar datos relativos al
comportamiento al tener fallos al incorporar los hechos asumidos durante las
mediciones, que si se excluyen del modelo emprico, podran producir
desviaciones en los resultados y confundir stos (Blalock 1982; Fornell 1988).
3.3. Los modelos de segunda generacin empleados en la

medicin de la satisfaccin del cliente
A partir de finales de la dcada de los 60 y principios de los 70 del pasado

siglo, el aumento de la disponibilidad de ordenadores permiti que se
extendiera el uso de los mtodos de anlisis multivariable en el campo del
marketing (Sheth 1971).
Estos nuevos mtodos de anlisis simultneo de varias variables desplazaron

en su uso a las antiguas tcnicas de anlisis univariable y bivariable. Estas
nuevas metodologas incluan la regresin mltiple, el anlisis discriminante
mltiple, el anlisis de factores, el anlisis de componentes principales, el
escalado multidimensional y el anlisis de clusters.
42
Captulo 3: La medicin de la satisfaccin del cliente
Estos avances en el campo del anlisis multivariable de principios de los 70

se afianzaron al llegar a los 80 en el mbito acadmico y para 1982 eran de
uso comn en los estudios de marketing comercial (Bateson y Greyser 1982).
Fue en 1984 cuando se empleo el trmino segunda generacin para estas

tcnicas acundolo Claus Fornell para designar a este conjunto de
metodologas de anlisis.
En torno a 1982 hizo aparicin una nueva tcnica de anlisis multivariable

llamada Modelado mediante Mnimos Cuadrados Parciales que trataba de unir
distintas reas de conocimiento como la psicometra, la econometra, la
sociologa cuantitativa, la estadstica, la educacin, la filosofa de la ciencia, el
anlisis numrico y la informtica (Fornell 1988).
Este nuevo mtodo de anlisis, en lugar de simplemente agregar la medida

del error en un trmino de error residual, evala a la vez tanto el modelo
utilizado en la medicin de la satisfaccin del cliente como el modelo terico de
sta. El modelado mediante mnimos cuadrados parciales ajusta las relaciones
entre las distintas variables del modelo de manera adecuada, e incluso presenta
ventajas como la correccin de las imprecisiones propias de las medidas,
adems asla los efectos, modelan un sistema de relaciones y proporcionan una
base para la interpretacin de las causas y sus efectos (Fornell 1988).
3.3.1. El modelado del comportamiento del cliente
La importancia del modelado del comportamiento del cliente se debe a que

si contamos con un modelo psicolgicamente coherente del comportamiento del
cliente, existen mayores posibilidades de que los datos empricos recogidos en
las encuestas puedan interpretarse de forma adecuada.
Los datos en bruto de un estudio de la satisfaccin del cliente pueden

tratarse de diversas formas. A nivel bsico, pueden analizarse usando una
tabulacin cruzada y anlisis de la varianza. De forma alternativa, los datos
obtenidos de la satisfaccin de los clientes pueden ser objeto de mtodos de
modelado debido a que, la naturaleza de la satisfaccin del cliente es tal que
posee variables que contribuyen en distinta medida a ella y a su vez la
satisfaccin del cliente conlleva unos determinados comportamientos por parte
del cliente tales como la vuelta a usar el producto o servicio o su
recomendacin a otros posibles clientes.
El modelado proporciona a los investigadores la posibilidad de explorar las

conexiones causales entre los distintos niveles de las variables. Si el modelado
se hace de forma adecuada puede proporcionar informacin estadstica, que
puede emplearse para predecir de manera ajustada el comportamiento futuro
de los clientes.
43
En nuestro proyecto, la teora que subyace bajo el estudio de la satisfaccin

del cliente es la que se usa de normalmente en el comportamiento de las
organizaciones y que se basa en las expectativas y valoraciones (Gordon 1996).
Esta aproximacin al comportamiento humano dice que este est determinado
por la interaccin entre las expectativas que tienen las personas de un
resultado y la valoracin que dan a este mismo resultado.
Al aplicar esta teora al comportamiento del cliente, podemos ver que el

cliente tiene unas expectativas respecto a un producto o servicio y realiza
valoraciones financieras y afectivas a ese producto o servicio. Su satisfaccin se
ver fuertemente determinada por la confirmacin de las expectativas del
desempeo del producto o servicio (Gordon 2002).
En los distintos estudios de la satisfaccin del cliente se han empleado

ampliamente mtodos de anlisis de segunda generacin tales como el
Modelado Estructural de Ecuaciones (Structural Equation Modeling: SEM), el
anlisis factorial, y escalado multidimensional. Todas estas tcnicas estn
ampliamente relacionadas con la definicin de las relaciones estructurales entre
las distintas variables implicadas en la satisfaccin del cliente. Loehlin (1992)
proclam que la tcnica ms flexible entre estas era la conocida como SEM, que
tambin se emplea en los estudios de mercado.
3.3.2. Modelado con el mtodo de Mnimos Cuadrados Parciales
Antes de pasar a explicar con detalle en que consiste la tcnica llamada de

Mnimos Cuadrados Parciales o Partial Least Squares (PLS), debemos mostrar
algunos conceptos previos necesarios para su entendimiento. Pasamos pues a
definir dichos conceptos para terminar esta seccin con la explicacin detallada
de la tcnica PLS.
3.3.2.1. Path Analysis
El Path Analysis 1 es un mtodo que ampla los modelos de regresin, se

emplea para ajustar la matriz de correlacin de los datos a dos o tres modelos
causales con los que se compara. El objetivo es proporcionar estimaciones de la
magnitud y significacin de las conexiones causales del modelo entre un con
conjunto de variables.
Dicho modelo se representa normalmente con las variables dentro de

crculos y con las conexiones causales representadas en forma de flecha, tal y
como podemos ver en el modelo ejemplo representado en la Figura 3-1, es
1
Hemos optado por emplear la terminologa anglosajona para Path Analysis debido a la falta de
acuerdo en la literatura en espaol al respecto de la denominacin del trmino en castellano,
emplendose trminos como Anlisis de Camino, Anlisis del Sendero, Anlisis de Vas o Anlisis
de Pautas entre otros
44
decir, mediante grafos. Estos grafos reciben el nombre de diagramas tipo path
o diagramas del camino.
Figura 3-1 Ejemplo de modelo causal
En el Path Analysis se realiza una regresin para cada una de las variables
que aparecen en el modelo que dependan de otras variables que el modelo
marca como causas. Los pesos predichos mediante estas regresiones se
comparan con la matriz de correlaciones de las variables observadas y se
calcula la bondad del ajuste. El modelo que mejor ajusta de aquellos
seleccionados con anterioridad es aquel que se selecciona como el mejor
modelo.
El Path Analysis evala hiptesis de causalidad, y en determinados casos

(muy especficos) puede emplearse para comprobar dos o ms hiptesis
causales, pero en ningn caso puede establecer la direccin de esta causalidad.
El Path Analysis asume las siguientes caractersticas de los datos sometidos

a anlisis:
Los datos deben tener una distribucin normal o de intervalos. Lo

cual puede suponer problemas, ya que la falta de normalidad de los
datos puede atenuar la correlacin de las variables, que de otra
manera puede ser fuerte.
Se asume que las relaciones entre las variables son lineales y

aditivas. Si existen variables usadas para predecir otra que no tengan
las mejores condiciones pueden presentarse problemas,
especialmente cuando el nmero de variables de este tipo excede
seis o siete. Esta condicin no puede cumplirse en el caso de datos
obtenidos mediante encuestas, ya que estos presentan algn tipo de
error en la medida.
Debe quedar claro que el Path Analysis es de utilidad cuando tenemos claras
las hiptesis que debemos comprobar, o como mximo un pequeo nmero de
hiptesis que pueden representarse en un nico modelo causal. Por tanto, el
45
Path Analysis presenta una utilidad reducida en la fase exploratoria de un

estudio.
Debemos resear que no se puede emplear el Path Analysis en aquellos

casos en los que se producen lazos de retroalimentacin en nuestras hiptesis y
que todas las relaciones que conformen el modelo causal deben poder
comprobarse empleando una regresin mltiple. Las variables que componen el
modelo tienen que poder ser empleadas como variables dependientes en los
anlisis de regresin mltiple. Y por tanto, cada una de ellas tiene que poderse
tratar como perteneciente a una escala de intervalos, y este es el motivo por el
que las medidas nominales u ordinales con pocas categoras harn el Path
Analysis imposible.
El Path Analysis requiere un tamao muestral elevado para que el resultado

sea significativo, ya que, tal y como sugiere Kline (1998), el nmero de casos
necesarios es de diez veces el nmero de parmetros a estimar o idealmente
veinte veces y afirma que con cinco veces el nmero de parmetros a estimar
no se obtiene la suficiente significacin cuando se someten a comprobacin los
modelos.
Podemos una vez comentada la tcnica Path Analysis establecer el proceso

iterativo para el desarrollo de los modelos causales, que se representa en la
Figura 3-2 Proceso iterativo para la construccin del modelo causal.
Figura 3-2 Proceso iterativo para la construccin del modelo causal 2
2
Fuente: ALLEN, D.R. y RAO, T.R. (2000) Analysis of Customer Satisfaction Data, ASQ Quality
Press, Milwaukee, Wisconsin, p.138
46
3.3.2.2. Anlisis Factorial
El Anlisis Factorial es una tcnica estadstica empleada para descubrir la

estructura latente de un grupo de variables. Permite que un nmero elevado de
variables interrelacionadas sean condensadas en un nmero menor de
dimensiones llamadas factores y es un procedimiento no dependiente, es decir
no asume que deba especificarse una variable dependiente.
El anlisis factorial puede usarse, entre otras, para las siguientes

aplicaciones:
Para reducir un nmero elevado de variables a un nmero reducido

de factores, para as conseguir desarrollar un modelo, cuando el
elevado nmero de variables impide modelar todas las medidas de
forma individual. Como tal, el anlisis factorial, se integra en el
Modelado Estructural de Ecuaciones para ayudar a crear el modelo de
variables latentes. En cualquier caso, el anlisis factorial puede y es
empleado por separado para el mismo propsito.
Para seleccionar un grupo de variables de un conjunto mayor de

estas, basndonos en aquellas variables originales que tengan una
mayor correlacin con los factores de componentes principales.
Para crear un conjunto de factores, que se tratarn como variables

sin correlacin entre ellas para poder tratar la multicolinealidad en
tcnicas como la regresin mltiple.
Para validar una escala o ndice mediante la demostracin de que sus

tems constituyentes influyen en el mismo factor, o para eliminar
tems propuestos en una escala que influyen en ms de un factor.
A continuacin pasamos a describir de manera resumida el procedimiento

general del anlisis factorial (Rummel 1970). En esta tcnica, cada variable se
asume que es una combinacin lineal de un determinado nmero de factores
comunes y un factor nico.
Z j = ( a jk S k ) + a ju S ju
donde:
Z: variable estandarizada.
a: peso del factor
S: factor comn
j: ndice para las variables
k: ndice para los factores
u: la parte o factor nico
47
Asumiendo que los pesos de los factores estn estandarizados por factor y
que la parte nica de las variables no estn correlacionadas con la parte comn
de estas, se pueden obtener los pesos de los factores mediante el proceso
iterativo representado en la siguiente ecuacin:
Rmm I mm + H m2 m = Fm p Fp' m
donde:
Rmxm: matriz de correlaciones.
Imxm: matriz identidad.
H2mxm: matriz diagonal de valores comunes.
Fmxp: matriz de peso de los factores.
Fmxp: matriz de peso de los factores traspuesta.
m: nmero de variables.
p: nmero de factores.
Como Zj es una variable estandarizada, su varianza es igual a la unidad. La

varianza de Zj puede dividirse en dos partes, la parte comn, h2j y la parte
nica, u2j que se calculan de la siguiente forma:
h 2j = a 2jk
u 2j = a 2ju
Que en forma matricial puede expresarse como:
I mm = H m2 m + U m2 m
donde H2 y U2 son matrices diagonales de la parte comn y nica

de cada variable, respectivamente.
Esta ltima ecuacin permite encontrar la parte nica para cada una de las
variables.
Con este conjunto de ecuaciones pueden calcularse los pesos de cada

factor, tambin llamados variables latentes. (Rummel 1970).
Por tanto, los pesos de los factores representan la informacin comn que
contienen las variables separadas y pueden usarse en lugar del conjunto de
variables originales.
El anlisis factorial se emplea de dos formas distintas, a modo de

confirmacin de un modelo propuesto y de modo exploratorio, para obtener la
estructura factorial subyacente en los datos. Estas dos aplicaciones presentan
principalmente las diferencias que se citan a continuacin. En primer lugar, el
anlisis factorial confirmatorio requiere la especificacin a priori del nmero de
factores, su composicin y su covarianza. Por el contrario, a modo de ejemplo,
48
en el anlisis factorial exploratorio no es posible especificar el grado de

covarianza de dos factores. De hecho, en la mayora de los estudios que
emplean el anlisis factorial exploratorio se supone la ortogonalidad de la las
dimensiones, lo que constituye una suposicin por lo general poco realista y
una de las principales crticas al anlisis factorial exploratorio.
El anlisis factorial confirmatorio forma parte generalmente de un proceso

iterativo idntico al representado en la Figura 3-2.
El anlisis factorial requiere un nmero de muestras que, segn el autor de

que se trate, vara de 200 a 400. El problema a este respecto es que los valores
perdidos en cuestionarios suelen ser elevados pudiendo llegarse incluso al 50%,
lo que hara que el tamao muestral mnimo para poder emplear el anlisis
factorial sea de 400-800. Para evitar esto podemos realizar una imputacin de
los valores perdidos mediante un anlisis de este tipo.
El requisito del anlisis factorial que ms controversia ha creado es la

normalidad de los datos, es decir, que los datos presenten una distribucin
normal, lo cual no es un caso frecuente para datos obtenidos a travs de
cuestionarios.
Tambin debemos asumir que las relaciones entre los datos son lineales. Por
ejemplo, una relacin no lineal fuerte entre dos variables no se podr detectar
por los coeficientes de correlacin.
El anlisis de factores asume que las variables que medimos estn causadas
por constructos latentes inobservables y asume que estas variables medidas
son combinaciones lineales de los factores.
La varianza de las variables, para el anlisis factorial, se puede descomponer

en dos partes, una parte comn y una parte nica (no se comparte con ninguna
otra variable). Estas partes comunes y nicas de la varianza dependen del
contexto de los datos, si se aade o elimina una variable del anlisis, es
probable que estas partes, comn y nica, de la varianza cambien su valor.
La parte nica de la varianza, a su vez, se puede descomponer en los

componentes, la varianza especfica y el error aleatorio.
El anlisis factorial extrae de los datos tantos factores como variables

sometidas al anlisis y como parece lgico no es conveniente obtener una
solucin que tenga tantos factores como variables, por lo que hay que reducir
dicho nmero. El problema es qu nmero de factores es importante retener.
Es por ello que existen distintos mtodos heursticos y objetivos para
determinar el nmero de factores que deben considerarse una vez sometidos
los datos al anlisis factorial.
Los factores obtenidos tras el anlisis factorial se extraen de la siguiente

forma: el primer factor es el que retiene la mayor parte de la matriz de varianza
49
de los datos, el segundo una cantidad menor y as hasta obtener todos los
factores. Estos factores son ortogonales con los obtenidos anteriormente. A
medida que vamos se obtienen factores, la cantidad de la variacin explicada
por el factor obtenido se va haciendo trivial. El objetivo es retener slo aquellas
dimensiones que explican una parte sustancial de la matriz de varianza de los
datos. Por tanto, la cuestin es cul es el nmero de factores que se deben
retener.
Este objetivo se ha tratado de diversas formas por los distintos autores, y no

existe una respuesta inequvoca a la cuestin. Las tcnicas empleadas para
determinar el nmero de factores a retener varan desde las tcnicas heursticas
a las empricas. Pasaremos a continuacin a comentar algunas de las tcnicas
cuyo uso es ampliamente extendido.
Una tcnica heurstica muy utilizada para este propsito es la que emplea el
llamado scree 3 test de Cattell en el que se representan grficamente los
autovalores de la matriz de datos. El punto donde la magnitud de los
autovalores cae claramente se considera indicativo de una cada en el poder
explicativo de los factores.
Figura 3-3 Ejemplo de representacin grfica para el Scree Test
Otra de las tcnicas ms empleadas es el llamado Criterio de Kaiser que

expone que deben extraerse aquellas variables cuyos autovalores sean mayores
o iguales a la unidad. La idea en la que se apoya este criterio consiste en la
interpretacin de las fracciones de la varianza, aquella contribucin a la
varianza menor que la de una sola variable es de dudoso valor. Este criterio es
uno de los usados con mayor frecuencia debido a que no requiere la inspeccin
visual de la representacin grfica de los autovalores y su implementacin en
las aplicaciones informticas es sencilla.
3
Scree es el punto de inflexin en la representacin grfica de la curva de los autovalores.
50
Jollife (1986) sugiri que la aproximacin ms directa a la hora de

determinar cuantos factores retener es observar la proporcin acumulada de la
variacin explicada por estos factores. Un criterio razonable puede ser retener
tantos factores como sea necesario para explicar ms del 70 u 80% de la
varianza de los datos. Este es uno de los mtodos ms populares para el
problema de la determinacin de la dimensionalidad como puede comprobarse,
ya que es el mecanismo de seleccin de factores en los paquetes estadsticos
ms comunes. En cualquier caso, esta tcnica ha sido criticada por ser
demasiado mecnica por algunos autores.
Es importante resear que no existe un mtodo mejor nico para

determinar cuantos factores retener en el anlisis factorial, aunque se han
propuesto una gran variedad de tcnicas heursticas, ninguna de ellas es
heurstica.
Jackson (1991) compar siete mtodos empleados en estos casos usando

unos datos con 14 variables para determinar si se obtena el mismo nmero de
factores a retener. En esta comparativa obtuvo resultados dispares en cuanto a
este nmero, como extremos una de las tcnicas confirm una solucin de un
solo factor y otra sugiri que eran necesarios diez factores.
Quizs, por tanto, lo recomendable y lo ms habitual en los estudios que

usan el anlisis factorial, es combinar la intuicin con una o ms de estas
tcnicas analizadas por Jackson (1991)
3.3.2.3. Modelado Estructural de Ecuaciones
El Modelado Estructural de Ecuaciones (Structural Equation Modeling: SEM)

es una tcnica estadstica de uso muy general de modelado que se emplea en
la actualidad en un amplio espectro de campos cientficos. Esta tcnica puede
interpretarse como una combinacin del anlisis factorial y la regresin o el
Path Analysis.
El Modelado Estructural de Ecuaciones tiene inters a la hora de desarrollar

constructos de manera terica, que se representan por los factores latentes.
Las relaciones entre los constructos tericos se representa mediante una
regresin o factores del camino (path).El modelo estructural de ecuaciones
implica una estructura para las covarianzas entre las variables observadas, que
recibe el nombre de modelado estructural de la covarianza. En cualquier caso,
el modelo puede extenderse para incluir las medias de las variables observadas
o factores del modelo, lo que hace que el nombre de modelo de estructura de
la covarianza no sea muy adecuado.
Aunque el Modelado Estructural de Ecuaciones es frecuentemente llamado

LISREL (LInear Structural RELations), debido a que este es el nombre dado por
Jreskog a uno de los primeros y ms populares programas que implement
51
esta tcnica, este nombre no es adecuado, ya que en la actualidad el Modelado

Estructural de Ecuaciones no tiene porqu estar formado por ecuaciones
lineales.
Las principales aplicaciones del Modelado Estructural de Ecuaciones son las

siguientes:
Modelado causal o Path Analysis, que realiza hiptesis respecto a las

relaciones causales entre las variables y comprueba los modelos
causales con un sistema de ecuaciones.
Anlisis factorial de confirmacin, es una extensin del anlisis de

factores en el cual se especifican las hiptesis al respecto de la
estructura de los pesos de los factores y las correlaciones entre ellos
y se comprueban.
Anlisis de factores de segundo orden, es una variante del anlisis

factorial en el que la matriz de correlaciones de los factores comunes
se somete a anlisis de factores para obtener factores de segundo
orden.
Modelos de regresin, es una extensin del anlisis de regresin

lineal en el cual los pesos de la regresin se pueden obligar a que
sean iguales a otros o a valores numricos dados.
Modelos estructurales de covarianza, que realizan hiptesis respecto

a la forma en particular de la matriz de covarianza.
Modelos estructurales de correlacin, que realizan hiptesis respecto

a la forma en particular de la matriz de correlacin.
La mayor parte de los modelos estructurales de ecuaciones pueden

representarse mediante grafos idnticos a los empleados en los Path Analysis,
los llamados diagramas tipo path.
Estos modelos estructurales estn compuestos por variables latentes,

tambin llamados constructos.
Las variables latentes representan conceptos unidimensionales, en su ms

pura forma, puede decirse que se trata de variables abstractas. Como todas las
variables latentes corresponden a conceptos, ellas son variables hipotticas que
varan en su grado de abstraccin. Las variables latentes se infieren a partir de
las variables manifiestas y no pueden medirse directamente (Wittingslow y
Markham, 1999). Estas variables latentes pueden a su vez clasificarse en dos
tipos distintos:
52
Variables latentes exgenas: son independientes en todas las

ecuaciones y en la representacin grfica, slo apuntan hacia ellas
flechas de doble sentido.
Variables latentes endgenas: son variables dependientes en al

menos una ecuacin del modelo y en la representacin grfica, son el
objetivo de al menos una flecha de un solo sentido
Las variables manifiestas son aquellas que pueden registrarse u observarse

directamente y permiten inferir las construcciones tericas o variables latentes
que los investigadores utilizan para guiar sus estudios sociales y de
comportamiento.
El modelo estructural de ecuaciones se puede entender mejor cuando se

descompone en sus dos componentes principales, el modelo de medidas y el
modelo estructural. El modelo de medidas representa la componente del
anlisis factorial confirmatorio, que explica de manera formal las relaciones
entre las variables manifiestas y los constructos latentes que no pueden
observarse. Por su lado, la parte estructural del modelo SEM de variables
latentes especifica las relaciones causales entre las variables latentes.
A la vista de esta descomposicin, es fcil ver como el Modelado Estructural

de Ecuaciones representa la unin entre el anlisis factorial confirmatorio y el
path analysis de las variables manifiestas.
Veamos a continuacin la estructura general de un modelo causal empleado

en el Modelado Estructural de Ecuaciones (Figura 3-4)
Figura 3-4 Modelo Estructural de Ecuaciones con variables latentes
53
Para poder comprender estas representaciones grficas de los modelos es

necesario conocer al completo la simbologa que se emplea en estos modelos y
que podemos ver en Tabla 3-1.
Es necesario saber que estos modelos no son ms que la representacin

grfica de las ecuaciones que conforman el Modelado Estructural de
Ecuaciones, que pasaremos a comentar a continuacin con mayor detalle.
Smbolo Descripcin
Variables latentes (tambin llamadas factores). Las variables
latentes se denominan empleando el smbolo en el caso de las
variables latentes exgenas y en el caso de las variables latentes
endgenas.
Variables manifiestas, observables (normalmente mediante una
cuestin en una encuesta). Estas variables se representan con la
letra X en el caso de las que forman las variables latentes exgenas
y la letra Y el caso de las que forman las variables latentes
endgenas.
Relacin entre una variable manifiesta y una latente. Se emplea la
letra para denominar este camino, que puede interpretarse como
el peso del factor.
Relaciones causales entre dos variables latentes. Si la unin es entre
una variable exgena y una endgena, se emplea el smbolo para
denominarla. Si se unen dos variables endgenas entre s, se
emplea el smbolo .
Una flecha doble denota la covarianza entre dos variables latentes.
Esta covarianza se denomina con el smbolo .
Tabla 3-1 Simbologa empleada en el Modelado Estructural de Ecuaciones 4
Como comentamos anteriormente los modelos estructurales de ecuaciones

con variables latentes estn formados por dos componentes distintas. Estas dos
componentes son el modelo de medicin, que incluye la composicin de las
variables latentes y el modelo estructural, que representa como se
interrelacionan las variables latentes.
La estructura general de las ecuaciones que forman los modelos

estructurales de ecuaciones puede representarse de diversas formas, pero la
ms empleada y que fue popularizada por Karl Jreskog es la que descompone
el problema en tres ecuaciones matriciales que podemos ver a continuacin:
m1 = mm m1 + mn n1 + m1
4
Press, Milwaukee, Wisconsin, p.183.
54
y p1 = y pm m1 + p1
xq1 = xqm n1 + q1
En la Tabla 3-2 que se acompaa a continuacin pasamos a detallar la

nomenclatura empleada en dichas ecuaciones.
Smbolo Descripcin
Modelo Estructural
Vector de variables latentes endgenas.
Vector de variables latentes exgenas.
Matriz de los coeficientes de regresin correspondientes a los
efectos de las variables latentes exgenas en las variables latentes
endgenas.
Matriz de los coeficientes de regresin correspondientes a los
efectos de las variables latentes endgenas entre s.
Matriz de varianza-covarianza .
Matriz de covarianza de .
Vector de los errores latentes en las ecuaciones
Vector de los errores de las variables manifiestas asociadas a las
variables latentes exgenas.
Vector de los errores de las variables manifiestas asociadas a las
variables latentes endgenas.
Modelo de medicin
x Matriz de los coeficientes de regresin correspondientes a los
pesos de los factores de las variables latentes exgenas.
y Matriz de los coeficientes de regresin correspondientes a los
pesos de los factores de las variables latentes endgenas.
Tabla 3-2 Nomenclatura matricial del Modelado SEM 5
Pasamos ahora a ver con mayor detalle cada uno de los modelos que
componen el modelado estructural de ecuaciones con variables latentes,
comenzaremos con el modelo de medicin:
Modelo de medicin: este modelo consiste en un anlisis de

factores confirmatorio. Las ecuaciones del modelo son:
y p1 = y pm m1 + p1
xq1 = xqm n1 + q1
5
Press, Milwaukee, Wisconsin, pg.184.
55
Figura 3-5 Modelo de medicin del modelado SEM
Un aspecto importante que suele pasarse por alto en el modelo de

medicin es la direccin de las flechas entre las variables manifiestas
y las variables latentes. Las flechas tienen origen en las variables
latentes y apuntan a las variables manifiestas. Esto implica que las
variables manifiestas son causadas por las variables latentes o que
son una manifestacin de las variables latentes. Un ejemplo nos
servir para poder aclarar esta relacin. Si consideramos las
puntuaciones de una persona en un test de inteligencia, dichas
puntuaciones seran una variable manifiesta del constructo
inobservable inteligencia, esto es, la puntuacin del test de
inteligencia es reflejo de un factor inobservable.
Hay que resear que medidas realizadas son imperfectas y

normalmente se tiene a modelar esta imperfeccin, y es por ello, por
lo que el Modelado Estructural de Ecuaciones incluye trminos que
representan el error en las mediciones que son factores nicos
asociados a cada una de las mediciones. En cualquier caso, cuando
un constructo esta asociado exclusivamente con una medicin, es
normalmente imposible estimar la cantidad de error medido en el
modelo. En estos casos, debe especificarse de antemano la cantidad
de error antes de intentar estimar los parmetros del modelo. En
estos casos, se puede tener la tentacin de asumir que no existe
error en la medida, pero teniendo en cuenta que si esto no es cierto,
los parmetros estimados del modelo estarn sesgados.
Modelo estructural: este modelo especifica las dependencias entre

las variables latentes cuya ecuacin es:
m1 = mm m1 + mn n1 + m1
Una vez resueltos ambos modelos debemos comprobar que el modelo

propuesto es consistente con las relaciones que tienen los datos que
sometemos a anlisis.
Es importante recordar que el modelo causal propuesto no se puede probar

de manera inequvoca. Nosotros comprobamos si las relaciones propuestas en
el modelo, tanto estructurales como de medicin, son consistentes con las
relaciones que realmente se encuentran presentes en los datos. Para
56
comprobar el modelo, se hace mediante la bondad del ajuste a los datos. Esta
bondad del ajuste se mide mediante un anlisis de chi-cuadrado.
La interpretacin de los resultados del chi-cuadrado para medir la bondad

del ajuste de un modelo no es intuitiva. Bajo circunstancias normales, en los
anlisis exploratorios, un valor significativo de chi-cuadrado es lo deseable, ya
que sugiere que existe una relacin relevante entre dos variables. En los
anlisis de confirmacin, sin embargo, el estadstico chi-cuadrado refleja el
grado en el que el modelo propuesto es consistente con los datos. A medida
que ambas cosas son ms dispares, el estadstico chi-cuadrado se hace mayor y
su significacin estadstica es ms probable. Por tanto, interpretamos el
estadstico chi-cuadrado y su nivel de significacin como indicadores de que el
modelo propuesto se aleja de manera significativa de las relaciones presentes
en los datos. En los anlisis de confirmacin, se acepta por tanto el modelo
propuesto su el estadstico chi-cuadrado no es estadsticamente significativo.
Por desgracia, el estadstico chi-cuadrado es sensible al tamao muestral, al
aumentar este, el estadstico chi-cuadrado es ms probable que sea
significativo, lo que en el caso del Modelado Estructural de Ecuaciones no es
deseable, ya que puede llevarnos a rechazar un modelo que realmente se
ajusta a los datos. (Hu y Bentler 1995).
Por tanto es adecuado emplear en el caso de tamaos muestrales elevados

otros indicadores para comprobar la bondad del ajuste de los modelos
propuestos. Entre estos indicadores, uno de los ms empleados, y que no es
sensible al tamao muestral es el indicador RMSEA (Root Mean Square Error of
Approximation) que fue desarrollado por Steiger (1990).
Por otro lado, es importante en los anlisis de confirmacin, la identificacin,

es decir las relaciones asumidas entre los datos. La identificacin tiene un papel
fundamental en el modelado y es a menudo olvidada. Cualquier modelo
estructural tiene parmetros que se fijan explcita o implcitamente. Por
ejemplo, cuando no especificamos un enlace desde una variable exgena a una
variable endgena, las covarianzas tienen total libertad para ser estimadas.
Respecto a la identificacin, un modelo puede ser subidentificado,

simplemente identificado o sobreidentificado, veamos cuando un modelo se
encuentra en estas situaciones:
Modelo subidentificado: cuando no tiene solucin nica.

Modelo simplemente identificado: cuando posee solucin nica.
Modelo sobreidentificado: cuando tiene ms informacin de la
necesaria para encontrar una solucin nica.
Los modelos simplemente identificados o sobreidentificados son modelos

identificados y los subidentificados reciben el nombre de no identificados.
Entre las dos condiciones de identificacin, es generalmente ms deseable

tener un modelo sobreidentificado porque permite realizar comprobaciones de
57
la bondad del ajuste. Esto es as, debido a que en los modelos

sobreidentificados podemos obligar a que ciertas relaciones no existan (o a que
exista covarianza entre dos variables) y seguiremos teniendo un modelo que
releja con precisin los datos originales.
Por su puesto, existen crticas respecto al Modelado Estructural de

Ecuaciones, principalmente centradas en los dos aspectos siguientes:
El elevado tamao muestral necesario para tener confianza en los

resultados obtenidos.
El hecho de asumir que los datos presentan una distribucin normal.
Por ltimo, y a modo de resumen del Modelado Estructural de Ecuaciones,

citamos a continuacin los pasos a seguir para realizar un anlisis de este tipo:
1) Se realizan hiptesis al respecto de cmo estn interrelacionadas las

variables mediante un diagrama tipo path, realizando un modelo.
2) Se estiman los parmetros libres.
3) Se comprueba si las varianzas y covarianzas se ajustan al modelo
propuesto.
4) Una vez realizada la comprobacin, se decide si el modelo es un buen
ajuste para los datos y si no es as se vuelve al paso 1 nuevamente.
Debemos recordar que no es razonable esperar que un modelo estructural

ajuste a la perfeccin, y lo que nos debemos preguntar es si el modelo se
ajusta suficientemente bien a los datos.
Por otro lado, que un modelo se ajuste bien a los datos no quiere decir que
necesariamente sea el que mejor se ajuste a ellos, puede existir otro modelo
que se ajuste tan bien o mejor a los datos.
3.3.2.4. Modelado empleando Mnimos Cuadrados Parciales
El modelado PLS ha evolucionado teniendo como base un tipo de modelos

de mnimos cuadrados de matrices de correlaciones que fue presentado en los
aos 20 del pasado siglo por Sewall Wright en sus estudios genticos. Wright
emple esta tcnica para unir el anlisis del camino o de pautas (path analysis)
con el anlisis factorial.
Esta tcnica volvi a ponerse en prctica en las dcadas de los 60 y 70 y fue

bautizada con su nombre actual de PLS por el matemtico noruego Herman
Wold (Wold, H. 1980). Originalmente esta metodologa recibi el nombre de
Mnimos Cuadrados Parciales No-lineares e Iterativas (Non-linear Iterative
Partial Least Squares: NIPLS), tomando como referencia para dicho nombre los
algoritmos de punto fijo de los aos 60 de Wold. Los trabajos de Wold respecto
a estas tcnicas se desarrollaron durante tres dcadas extendindose en
58
numerosos artculos al respecto. El objetivo de estos trabajos fue el proceso de

produccin de modelos que se desarrollen tomando como partida una serie de
premisas empricas asumidas sobre el comportamiento en contraposicin a la
generacin de teoras sobre el comportamiento y posterior prueba de estas con
el proceso de modelado.
En contraposicin con la metodologa de Modelado Estructural de

Ecuaciones (Structural Equation Modeling: SEM) que tiene como objetivo la
comprobacin de teoras, el Modelado mediante Mnimos Cuadrados Parciales
se centra en el modelado de sistemas empricos. Para remarcar esta
observacin, podemos decir que el modelado PLS se ha descrito como prximo
a los datos, mientras que el modelado SEM se encuentra prximo a la teora. La
diferencia importante entre el modelado PLS y el modelado SEM es que el
modelado SEM trata de explorar los distintos modelos posibles que podran
explicar la estructura de los datos para ajustarse a ellos mientras que el
modelado PLS se centra en su carcter predictivo en lugar de lograr un mejor
ajuste a los datos.
Para ahondar an ms en esta diferencia podemos resear que Wold apod

el modelado PLS, como modelado suave.
En nuestro proyecto emplearemos la metodologa de modelado PLS que

define los elementos clave del modelo basndonos en los datos cualitativos
obtenidos mediante encuestas. El estudio de la satisfaccin del cliente en lo que
respecta al modelado PLS comienza con la creacin de un modelo emprico a
partir de los datos obtenidos.
Tras desarrollar el modelado PLS, Wold (1982) puso de manifiesto que su

tcnica de modelado suave no estaba completamente desarrollada dentro de la
teora estadstica tradicional y admiti que su visin estaba fuera de los anlisis
estadsticos convencionales basados en la poblacin. Este hecho no ha influido
a la hora del desarrollo del modelado PLS, ya que este ha sido refinado y se ha
empleado en multitud de aplicaciones a largo de estos aos. Los algoritmos
bsicos fueron refinados por Young (1994). El hijo de Herman Wold, Sven,
(Wold y Sjostrom 1977; Wold, S. 1978) desarroll algoritmos especficos de
modelado PLS en el campo de la qumica y la farmacia. El modelado PLS se ha
empleado tambin a la resolucin de distintos problemas en psicologa
(Bookstein 1994). En el campo de la econometra, varios ndices de satisfaccin
del cliente estn basados en el modelado PLS, entre ellos el American Customer
Satisfaction Index y el European Customer Satisfaction Index.
Tal y como podemos ver a la vista de estos ejemplos, en los ltimos

tiempos, el modelado del tipo path empleando la tcnica de mnimos cuadrados
parciales se ha impuesto como una de las tcnicas ms populares.
Esta es una tcnica que combina la reduccin de las dimensiones con un

modelo de dependencias. En este sentido, difiere del anlisis factorial para la
reduccin de los componentes principales en que construye un conjunto nuevo
59
de variables predictoras que tienen relacin con los datos originales (Everitt y
Dunn 2001). De forma similar al anlisis factorial, cada una de estas nuevas
variables de regresin no tiene correlacin alguna con las otras variables, es
decir es ortogonal, pero est correlacionada al mximo con la variable
dependiente.
El Modelado Estructural de Ecuaciones con variables latentes puede llevarse

a cabo empleando la tcnica de Mnimos Cuadrados Parciales, pero las
suposiciones hechas para los datos, en particular sus distribuciones, son muy
distintas. De hecho, la nomenclatura empleada es la misma y el modelado del
camino mediante Mnimos Cuadrados Parciales usa la misma terminologa que
presentamos con anterioridad para el Modelado Estructural de Ecuaciones. Las
variables latentes y manifiestas siguen estando relacionadas en el modelo de
medicin y las variables latentes, en el modelo estructural. La diferencia
primordial, tanto conceptual como matemtica, es que el modelado PLS permite
relacionar las variables manifiestas con las variables latentes de forma distinta.
La diferencia matemtica fundamental entre el enfoque tradicional del
modelado SEM y el modelado PLS es la tcnica empleada para estimar los
parmetros desconocidos.
El modelado del camino con variables latentes empleando la tcnica de

mnimos cuadrados parciales es complejo. De hecho, hasta hace poco tiempo
ninguno de los paquetes estadsticos ms comunes inclua esta tcnica entre las
herramientas de anlisis incluida y en la actualidad slo el paquete SAS tiene un
procedimiento experimental que permite acomodar dicha tcnica. El programa
informtico desarrollado especficamente para el empleo de esta tcnica ms
conocido es, quizs, el programa LVPLS desarrollado por Lohmller en 1986
que requiere para su uso grandes dosis de programacin. En contraposicin, en
los ltimos tiempos estn apareciendo programas que permiten ejecutar esta
tcnica sin necesidad de programacin y mediante interfaces grficas, como es
el caso de PLS-Graph de Chin y SmartPLS de la Universidad de Hamburgo.
La tcnica de Mnimos Cuadrados Parciales puede ser un mtodo de anlisis

de elevada ponencia debido a que sus requisitos para la escala de medicin, el
tamao muestral y las distribuciones residuales son mnimas. Y adems,
aunque la tcnica PLS puede usarse para la confirmacin de suposiciones,
tambin puede emplearse para sugerir aquellas relaciones que pueden o no
existir y extraer nuevas proposiciones para su posterior comprobacin.
Como alternativa a enfoques de ajuste basados en la covarianza, el mtodo

PLS evita dos problemas graves de estas tcnicas, las soluciones inadmisibles y
la indeterminacin de los factores (Fornell y Bookstein 1982).
Para su aplicacin real y predictiva, la metodologa PLS es a menudo la ms

adecuada ya que esta metodologa asume que toda la varianza medida es
varianza til que debe ser explicada. Como esta tcnica estima las variables
latentes como combinaciones lineales exactas de las mediciones observadas, se
evita el problema de la indeterminacin y proporciona una definicin exacta de
60
los pesos de los factores o dimensiones. Empleando una tcnica de estimacin

iterativa (Wold, H. 1982), la metodologa PLS proporciona un modelo general
que abarca, entre otras tcnicas, la correlacin cannica, el anlisis de
redundancia, la regresin mltiple, el anlisis multivariable de varianza y los
componentes/factores principales.
Como consecuencia de usar un algoritmo iterativo, que consiste en una serie

de anlisis ordinarios de mnimos cuadrados, la identificacin no es un
problema para los modelos recurrentes ni se supone que las variables medidas
presenten una distribucin especfica.
Adems, el tamao muestral puede ser ms pequeo que en otras tcnicas

que hemos comentado con anterioridad. Como referencia podemos dar las
reglas siguientes para dicho tamao. El tamao muestral debe ser mayor o
igual que una de las condiciones siguientes:
(1) diez veces la escala con el mayor nmero de indicadores causales

(las escalas para constuctos designados con indicadores recurrentes
pueden ignorarse)
(2) diez veces el mayor nmero de caminos estructurales dirigidos a un
constructo en particular del modelo estructural.
Una simplificacin de la regla es usar el multiplicador cinco en lugar de diez

para la regla anterior. Un ejemplo extremo de nmero mnimo de muestras
empleadas es el de Wold, H. (1989) que analiz 27 variables usando dos
constructos latentes con un conjunto de datos de diez casos.
Los factores de segundo orden pueden aproximarse usando varios

procedimientos. Uno de los ms fciles de implementar es incluir indicadores
repetidos, conocido como modelo de componente jerrquico. En este tipo de
modelos los factores de segundo orden se miden directamente mediante
variables observadas para todos los factores de primer orden. Aunque este
enfoque repite el nmero de variables manifiestas empleadas, el modelo puede
estimarse empleando el algoritmo estndar PLS. Esta tcnica funciona mejor
cuando se tiene el mismo nmero de indicadores para cada uno de los
constructos.
Adems, la metodologa PLS se considera ms apropiada para explicar

relaciones complejas (Fornell, Lorange y Roos 1990; Fornell y Bookstein 1982).
Tal y como sugiere Wold, H. (1985), la metodologa PLS es la ideal para
modelos complejos, cuando la importancia pasa de las variables y parmetros
particulares a conjuntos agregados de estos, y llega incluso a afirmar que en
modelos complejos de gran tamao con variables latentes el modelado PLS no
tiene competencia.
Sin embargo, al ser el modelado PLS un mtodo de informacin limitada, los

parmetros estimados son algo peores que los ptimos en lo que se refiere al
sesgo y la consistencia. Las estimaciones sern asintticamente correctas bajo
61
el cumplimiento conjunto de las condiciones de consistencia (tamao muestral

elevado) y consistencia a gran nivel (nmero de indicadores por variable latente
elevado). En otros casos, los pesos entre los constructos y las variables
manifiestas suelen tender a sobrestimarse, y los pesos entre constructos,
subestimarse. Adems, para estimar los errores estndar es necesario emplear
procedimientos de remuestreo como son el jackknife 6 o el bootstrap 7 . Por su
parte, la significacin de los distintos caminos o vas pueden determinarse
empleando los estadsticos jackknife resultantes de un procedimiento de
blindfolding 8 (a ciegas) (Lohmller 1984)
A continuacin, pasaremos a comentar la base matemtica del modelado

mediante Mnimos Cuadrados Parciales.
Al igual que el Modelado Estructural de Ecuaciones, el modelado del camino

mediante la metodologa PLS se describe mediante un modelo de medicin que
relaciona las variables manifiestas con las variables latentes y un modelo
estructural que relaciona algunas variables latentes con otras. El modelo de
medicin recibe el nombre tambin de modelo exterior y el modelo estructural,
por su parte es llamado tambin modelo interior. A continuacin detallaremos
ambos modelos.
a) Modelo de medicin o exterior: establece las relaciones entre las

variables manifiestas y las variables latentes.
Existen tres formas de relacionar las variables manifiestas con sus

variables latentes llamadas modo reflexivo, modo formativo y MIMIC
(Multiple Effect Indicators for Multiple Causes) o Indicadores Mltiples
del Efecto para Causas Mltiples.
a. Modo reflexivo: En este modo, cada variable latente es

observable indirectamente por un conjunto de variables
manifiestas xh. Cada una de las variables manifiestas se relaciona
con su variable latente mediante una regresin simple como
puede verse en la ecuacin siguiente:
xh = h 0 + h 0 + h
donde tiene media m y desviacin estndar unidad.
6
Jackknife: construye remuestreos eliminando un determinado nmero de casos de la muestra
original.
7
Bootstrap: construye muestras con remplazamiento de los datos originales con el mismo
nmero de casos que la muestra original.
8
Blindfolding: consiste en omitir parte de la matriz de datos para el constructo sometido a
anlisis y estimar los parmetros del modelo.
62
Se trata de un esquema reflexivo, cada variable xj refleja su

variable latente . La nica hiptesis realizada en esta regresin
es la llamada condicin de especificacin del predictor
E ( xh | ) = h 0 + h
Esta hiptesis implica que el residual h tiene media cero y no

tiene correlacin alguna con la variable latente .
Comprobacin de la unidimensionalidad: en el modo reflexivo un

bloque de variables manifiestas es unidimensional en el sentido
del anlisis factorial. En el modelado PLS del camino se supone
que todas las variables latentes de un bloque tienen correlacin
positiva entre ellas. Esta suposicin no supone una prdida de
generalidad, ya que a nivel terico, las variables latentes pueden
construirse de esta forma.
A la hora de analizar datos reales, esta condicin de

unidimensionalidad de los bloques de variables latentes debe
comprobarse, y para ello se emplean tres tcnicas distintas, el
anlisis de componentes principales para cada bloque, el anlisis
de alpha de Cronbach y el anlisis de la de Dillon-Goldstein.
Veamos cmo se realiza esta comprobacin para cada una de
estas tcnicas:
a) Anlisis de componentes principales para un bloque: un bloque

es unidimensional si el primer autovalor de la matriz de
correlaciones del bloque de variables manifiestas es mayor que
la unidad y el segundo menor que 1, o al menos muy lejano al
primer autovalor. El primer componente principal puede
formarse de tal forma que est correlacionado positivamente
con todas, o al menos la mayora, de las variables latentes.
Existe un problema con las variables manifiestas que tiene
correlacin negativa con el primer componente principal y se
sugiere en estos casos que estas variables manifiestas son
inadecuadas para medir la variable latente y por tanto, deben
eliminarse del modelo de medicin.
b) Alpha de Cronbach: puede emplearse para cuantificar la

unidimensionalidad de un bloque de variables. Se considera
que este bloque de variables es unidimensional cuando la
alpha de Cronbach es mayor que 0,7.
c) de Dillon-Goldstein: Se considera que un bloque es

unidimensional cuando la de Dillon-Goldstein es mayor que
0,7. Este estadstico se considera un mejor indicador de la
63
unidimensionalidad de un bloque que la alpha de Cronbach

(Chin 1998)
b. Modo formativo: En el modo formativo, se supone que la

variable latente es generada por sus propias variables manifiestas.
La variable latente es, pues, una combinacin lineal de sus
variables manifiestas que incluye un trmino residual
representada por la ecuacin:
= h xh +
h
En el modo formativo, el bloque de variables manifiestas puede

ser multidimensional.
La condicin de especificacin del predictor es tal que se cumple:
E ( | x1 ,..., x p j ) = h xh
h
Esta hiptesis implica que el vector residual tiene media cero y

no tiene correlacin alguna con las variable manifiestas xh.
Las variables manifiestas xh son variables observadas que

describen un concepto subyacente resumido en la variable latente
. Esta agrupacin tiene ms sentido si el signo de cada peso h
es el correspondiente a la correlacin entre xh y , que debe ser
positiva. Aunque el algoritmo PLS clsico no impone restricciones
a los coeficientes o pesos, la obtencin de signos no esperados, es
decir, negativos, muestra problemas en los datos y debe tomarse
alguna accin al respecto. Lo comn en estos casos es eliminar
del anlisis aquellas variables manifiestas que estn relacionadas
con parmetros estimados cuyos signos sean errneos.
c. El modo MIMIC: este modo es una mezcla entre los dos modos
anteriores.
El modelo de medicin para cada bloque es el siguiente:
xh = h 0 + h 0 + h desde h=1 a p1
donde la variable latente se define como:
p
=
h = p1 +1
x +
h h
64
La primera variable manifiesta p1 sigue un modo reflexivo y las

ltimas (p-p1) de modo formativo.
b) Modelo estructural o interior: establece la relacin entre las variables

latentes.
Dicho modelo causal se define mediante ecuaciones lineales que

relacionan las variables latentes de la siguiente forma:
j = j 0 + ji i + j
j
Una variable latente que nunca aparece en las ecuaciones como variable
dependiente recibe el nombre de variable exgena. Las restantes son
llamadas variables endgenas.
Este modelo debe ser una cadena causal, no pueden existir bucles. Es
decir, se trata de un modelo recursivo.
Debemos aadir que la normalizacin de las variables latentes elegida

por Wold, H. (1985), j con desviacin estndar unidad es arbitraria.
Fornell (1992) por su parte propone otra normalizacin, pero ambas
normalizaciones son colineales.
A continuacin, para terminar este punto, pasaremos a comentar los

distintos pasos y opciones que presenta el algoritmo de Mnimos Cuadrados
Parciales.
1) Estandarizacin de las variables manifiestas.
Los programas LVPLS y PLS-Graph, entre otros, disponen de cuatro

opciones para la estandarizacin de las variables manifiestan
dependiendo de si los datos cumplen o no las tres condiciones
siguientes:
Condicin 1: Las escalas de las variables manifiestas son

comparables. En el caso de usar la misma escala para todas las
cuestiones, se cumple esta condicin.
Condicin 2: Las medias de las variables manifiestas son

interpretables. Por ejemplo, si la diferencia entre dos variables
manifiesta no es interpretable, los parmetros de localizacin son
insignificantes.
Condicin 3: Las varianzas de las variables manifiestas reflejan su

importancia.
65
Los casos que pueden producirse dependiendo del cumplimiento de estas

condiciones son:
Si la condicin 1 no se cumple, entonces las variables manifiestas deben

ser estandarizadas (media 0 y varianza 1)
Si se cumple la condicin 1, es til obtener los resultados basados en los

datos en bruto. Pero el clculo de los parmetros del modelo depende
del cumplimiento de las otras condiciones:
- Si no se cumplen ni la condicin 2 ni la 3: las variables manifiestas se

estandarizan (media 0 y varianza 1) para la fase de estimacin de
parmetros. Una vez hecho esto, las variables manifiestas se escalan
de nuevo a sus medias y varianzas originales para obtener la
expresin final de pesos y cargas.
- Si se cumple la condicin 2, pero no la condicin 3: las variables

manifiestas no se centran, pero s se estandarizan a la unidad de
varianza para la fase de estimacin de parmetros. Posteriormente,
las variables manifiestas son escaladas nuevamente a sus varianzas
originales para obtener la expresin final de pesos y cargas.
- Si se cumplen las condiciones 2 y 3: se emplean las variables

originales.
Lohmller sugiri el uso de un parmetro de estandarizacin que llam

METRIC para seleccionar una de estas cuatro opciones representadas en
la Tabla 3-3 a continuacin.
Escalas de las Varianza relacionada con

Medias
variables la importancia de la Media Varianza Escalado METRIC
interpretables
comparables variable
No - - 0 1 No 1
S No No 0 1 S 2
S S No Original 1 S 3
S S S Original Original - 4
Tabla 3-3 Parmetro METRIC de estandarizacin de Lohmller
Las principales aplicaciones de software que actualmente soportan la

metodologa PLS usan este parmetro para la configuracin de esta
tcnica.
2) Estimacin de las variables latentes
Las variables latentes j se estiman siguiendo el procedimiento que

citamos a continuacin:
66
- Estimacin externa yj de variables latentes estandarizadas (j - mj)
Las variables latentes estandarizadas (con media 0 y desviacin

estndar 1) se estiman como combinaciones lineales de sus variables
manifiestas centradas.
y j w jh ( x jh x jh )
Las variables latentes estandarizadas quedan as:
y j = w jh ( x jh x jh )
jh y wjh reciben el nombre de pesos externos.

Los coeficientes w
Las medias m j se estiman con la ecuacin:
m j = w jh x jh
Y las variables latentes j se estiman usando:
j = w jh x jh = y j + m j
Cuando todas las variables manifiestas se miden en empleando la

misma escala de medicin, es conveniente expresar las estimaciones
de las variables latentes en su escala original como:
*j =
w jh x jh
w jh
Para el caso de querer obtener los resultados en una escala de 0 a
100, sera necesario realizar la transformacin para el caso i-simo,
siendo xmax y xmin los valores extremos de la escala de medicin
comn para las variables manifiestas:
(ij* xmin )
0 100
j = 100
( xmax xmin )
- Estimacin interna zj de las variables latentes estandarizadas (j - mj)
Siguiendo el algoritmo original de Wold, H. (1985) y las mejoras de

Lohmller (1989), la estimacin interna zj de las variables latentes
estandarizadas (j - mj) se define de la forma siguiente:
67
zj
i: i est conectada con j
e jiYi
donde los pesos internos eji pueden calcularse de las tres formas
distintas siguientes:
i. Esquema de pesos del camino (path weighting): las

variables latentes conectadas a j se dividen en dos
grupos: las predecesoras de j que son aquellas variables
latentes que explican j y las siguientes que son las
variables latentes explicadas por j. Para una predecesora
i de la variable latente j, el peso interno eji es igual al
coeficiente de regresin de yi en la regresin mltiple de yi
con todas las yi relacionadas con las predecesoras de j. Si
i es una sucesora de j, entonces los pesos internos eji
son iguales a la correlacin entre yi y yj.
ii. Esquema centroide: los pesos internos eji son iguales a los
signos de la correlacin entre yi y yj. Este fue el esquema
originalmente propuesto por Wold. La eleccin de este
esquema presenta problemas en el caso de que la
correlacin sea prxima a cero, ya que el signo de esta
puede cambiar para fluctuaciones muy pequeas.
iii. Esquema de los pesos de los factores: los pesos internos

son iguales a la correlacin entre yi y yj.
- Estimacin de los pesos wjh
El primer paso del algoritmo PLS para calcular los pesos consiste en
tomar un vector de pesos arbitrarios wjh. Estos pesos se estandarizan
a continuacin para obtener variables latentes con varianza unidad.
Una buena eleccin para los pesos iniciales es tomar

w jh = signo(corr ( x jh , h )) o, de manera ms simple,
w jh = signo(corr ( x jh , h )) para h=1 y 0 en el resto de los casos.
Posteriormente, se calculan los pesos iterando hasta que converjan,

empleando el modo de estimacin seleccionado.
Por ltimo, mediante las ecuaciones
68
y j = w jh ( x jh x jh )
m j = w jh x jh
j = w jh x jh = Y j + m j
jh , las variables latentes estandarizadas y

se obtienen los pesos w
la estimacin final j de , que puede re-escalarse como vimos

con anterioridad.
A continuacin veamos los tres modos ms utilizados para la

estimacin de los pesos wjh:
a) Modo A: el peso wjh es el coeficiente de regresin de zj en la

regresin simple de xjh para la estimacin interna de zj:
cov( x jh , z j )
w jh =
var( z j )
b) Modo B: el vector wj de los pesos wjh est formado por los

coeficientes de la regresin mltiple de Zj sobre las variables
manifiestas xjh relacionadas con la misma variable latente j:
w j = ( X 'j X j )1 X 'j z j
donde Xj es la matriz con columnas definidas por las

variables manifiestas xjh relacionadas con la j-sima
variable latente j.
El empleo del Modo A es apropiado para bloques con un modelo

de medicin reflexivo, mientras que el Modo B es apropiado para
modelos de medicin formativos. El Modo A se emplea
normalmente para variables latentes endgenas y el B para las
exgenas. Ambos modos pueden emplearse conjuntamente si el
modelo de medicin es del tipo MIMIC, aplicndose en este caso
el Modo A para la parte reflexiva del modelo y el Modo B para la
formativa.
En la prctica la aplicacin del modo B no es tan sencilla debido a

que a menudo existe una fuerte multicolinealidad dentro de cada
bloque. Cuando se da este caso, se puede emplear la regresin
PLS en lugar de la regresin mltiple de Mnimos Cuadrados
Ordinarios (MCO). De hecho, el Modo A consiste en tomar la
primera componente de una regresin PLS, mientras que el modo
69
B toma todas las componentes de la regresin PLS, y por tanto

coincide con una regresin mltiple MCO. Por lo tanto, realizar una
regresin PLS y tomar un determinado nmero de componentes
significativas puede verse como un modo intermedio entre A y B.
c) Modo C: en este caso a las variables manifiestas del mismo bloque

se les asigna el mismo peso con el signo de la correlacin entre xjh
y Zj. Para obtener variables latentes estandarizadas, cada peso
wjh se define como:
signo(corr( x jh , Z j ))
wj h =
Desv.Est ( signo(corr( x jh , Z j ) x jh )
h
Este Modo C se refiere a la manera en que se encuentran

enlazadas las variables manifiestas a su variable latente y
representa un caso especfico del modo B.
- Estimacin de las ecuaciones estructurales:
Para estimar las ecuaciones estructurales
j = j 0 + jii + j
j
se hace mediante regresiones mltiples de Mnimos Cuadrados

Ordinarios (MCO) donde las variables latentes j se sustituyen por sus
estimaciones j .
En el caso de que exista una multicolinealidad fuerte entre las

variables latentes estimadas puede emplearse la regresin PLS para
salvar este escollo.
Los distintos programas informticos suelen mostrar como resultado,

adems de los coeficientes de regresin, los parmetros R-cuadrado
de estas regresiones.
3) Validacin del modelo
Para la validacin del modelo se suele emplear la validacin cruzada de

las R-cuadrado entre cada variable latente endgena y sus variables
manifiestas empleando procedimientos de blindfolding.
Para obtener el nivel de significacin de los coeficientes de regresin se

emplea el estadstico t de Student, o mediante un mtodo de validacin
cruzada como las tcnicas llamadas jackknife o bootstrap.
70
4) Remuestreo
El remuestreado de los datos originales se realiza normalmente

empleando los mtodos de blindfolding, jackkinfe o bootstrap.
A continuacin haremos un comentario de cada uno de estos mtodos:
a) Blindfolding: este mtodo consiste en los siguientes pasos a seguir:
i. Se divide la matriz de datos en G grupos. El valor

recomendado por Wold para G es 7.
ii. Cada grupo de celdas se elimina consecutivamente. Por tanto

aparece en la matriz un grupo de celdas vaco.
iii. Se ejecuta un modelo PLS G veces excluyendo cada vez uno

de los grupos de datos.
iv. Una forma de evaluar la calidad del modelo consiste en medir

su capacidad para predecir las variables manifiestas
relacionadas con las variables latentes endgenas. Se usan dos
ndices para comprobar la calidad del modelo, la comunalidad9
y la redundancia.
v. Si empleamos como ndice la comunalidad, obtenemos

predicciones de los valores de las variables manifiestas
centradas no usadas en el anlisis usando la frmula:
Pred( x jhi xjh) = jhY ji
donde jh y Yji se calculan con datos donde el valor de la

variable xjh i-simo no est presente.
La medida de la comunidad del bloque j es:
( x x Y
jhi jh jh ji )2
comunalidad j = 1 h i
( x x )
h i
jhi jh
2
vi. Si empleamos como ndice la redundancia, obtenemos

predicciones de los valores de las variables manifiestas
centradas no usadas en el anlisis usando la frmula:
9
La comunalidad tambin recibe el nombre de varianza de los factores comunes y varianza del
factor comn.
71
Pred( x jhi x jh ) = jh Pred(Y ji )
donde jh es el mismo del punto anterior y Pred(Yji) es la

prediccin de la observacin i-sima de la variable latente
endgena Yji usando el modelo de regresin:
Pred(Y j ) =
j ': j ' explicando j
j 'Y j '
calculndose con datos donde el valor de la variable xjh i-

simo no est presente.
La medida para la redundancia del bloque j es:
( x x Pred(Y
jhi jh jh ji )) 2
redundancia j = 1 h i
( x x )h i
jhi jh
2
vii. En los programas informticos LVPLS y PLS-Graph, el mtodo

jackknife calcula las medias y desviaciones estndar de los
parmetros del modelo (pesos, cargas, coeficientes de los
caminos y correlaciones entre las variables latentes) usando el
resultado de G anlisis de tipo blindfold. Las medias y
desviaciones estndar de un parmetro se calculan tomando
una muestra de las estimaciones del parmetro G tomado del
anlisis del tipo blindfold G. Para esta parte del anlisis, una
G=7 es probablemente demasiado pequea y es preferible
tomar un nmero mayor, como por ejemplo 7.
b) Jackknife: este procedimiento construye remuestreos eliminando un

determinado nmero de casos de la muestra original (con tamao n).
Por defecto el mtodo elimina un caso en cada iteracin con lo que la
nueva muestra jackknife se compone de n-1 casos. El aumento del
nmero de casos eliminados conlleva una prdida potencial de la
robustez de los estadsticos t de Student debido al menor nmero de
remuestreos.
c) Bootstrap: las muestras generadas para el uso en este mtodo se

construyen remuestreando con remplazamiento de los datos
originales. El procedimiento produce muestras consistentes en el
mismo nmero de casos que la muestra original.
Para ejecutar este mtodo, debe especificarse el nmero de

remuestreos. Por defecto, el nmero de remuestreos es 100, aunque
un nmero mayor puede producir estimaciones del error estndar
ms aceptables.
72
3.3.3. Eleccin de las herramientas adecuadas para el modelado
En general, la eleccin de la metodologa de anlisis estadstico y modelado

adecuada en cada caso depende de muchos parmetros.
En aquellos casos donde la teora en que nos podemos apoyar es amplia y

consistente y el objeto del anlisis es profundizar en la evaluacin de esta
teora y su desarrollo, lo usual es emplear modelos de estimacin basados en la
covarianza como el mtodo de Mxima Probabilidad (Maximum Likelihood) o el
de los Mnimos Cuadrados Generalizados (Generalizad Least Squares). Pero,
estos mtodos presentan una prdida de precisin para su uso predictivo
debido a la indeterminacin que se produce en las estimaciones de los pesos de
los factores.
Por su parte, el modelado PLS, basado en los componentes, elimina dos

problemas realmente graves, que son las soluciones inadmisibles y la
indeterminacin de los factores (Fornell y Bookstein 1982).
La posible prdida de precisin del modelado PLS es admisible cuando se

realiza la medicin de la satisfaccin del cliente cuando el objetivo principal del
anlisis es la comprobacin de las relaciones estructurales entre los distintos
conceptos implicados en ella, es decir, la estimacin paramtrica (Chin et al.
1999).
El modelado PLS se aplica primordialmente para el anlisis causal y

predictivo en aquellas situaciones que tienen una complejidad elevada pero de
las que se tiene poca informacin terica.
Cuando se comparan los modelados PLS y SEM, una de las principales

diferencias es la manera en la que se estiman los modelos. Mientras que el
modelado PLS usa la estimacin de mnimos cuadrados, el modelado SEM usa
el mtodo de estimacin de mxima probabilidad (Hahn et al. 2002). El
procedimiento de mxima probabilidad reside en tener datos que cumplan los
criterios establecidos para los parmetros, mientras que el modelado PLS que
usa los mnimos cuadrados, tiene menores requisitos de parametrizacin que el
modelado SEM. Por tanto, el modelado PLS puede emplearse con datos que
incumplan los requisitos de los parmetros del modelado SEM. Como
consecuencia de estos menores requisitos, el modelado PLS puede emplearse
con menor nmero de muestras que otras tcnicas de modelado para producir
modelos estables (Wittingslow y Markham 1999). Como ejemplo, podemos
decir que el modelado PLS puede producir resultados significativos con una
muestra de tamao 200 para modelos complejos que tengan 10 variables
latentes exgenas y 3 variables latentes endgenas. A modo de comparacin,
los modelos basados en la covarianza necesitaran una muestra de tamao 500
para obtener resultados estables (Hahn et al. 2002).
73
Esta posibilidad del modelado PLS de realizar modelos de constructos

latentes bajo condiciones de falta de normalidad y con tamaos muestrales
pequeos o medianos ha provocado que el uso de este modelado se este
extendiendo (Compeau y Higgins 1995; Chin y Gopal 1995).
El modelado PLS posee tambin un efecto acumulativo, es decir, los

estudios siguientes realizados a la misma poblacin, usando el mismo modelo,
incluso con muestras ms pequeas que la inicial pueden producir resultados
significativos (Fornell et al. 1996).
El algoritmo del modelo PLS ajusta los pesos de cada uno de los indicadores
al calcular la influencia que estos tienen en las variables latentes en lugar de
asumir que todos los pesos son iguales. Como consecuencia de ello, obtienen
menores pesos aquellos indicadores que tienen una relacin ms dbil con los
indicadores con los que estn relacionados. Esta caracterstica hace que el
modelado PLS sea preferible a tcnicas como la regresin, que asume que las
mediciones no tienen error alguno incluso cuando se usan datos que contienen
ruido (Wold, H. 1982, 1985, 1989; Lohmller 1984). A medida que la fiabilidad
de los datos desciende, la regresin produce estimaciones sesgadas e
inconsistentes de los coeficientes, a la vez que se pierde potencia estadstica
(Busemeyer y Jones 1983; Aiken y West 1991). Como dato, cuando se usa la
regresin, con datos perfectos, un pequeo efecto (f = 0,02) se detectara con
una potencia de 0,80 en una muestra de tamao 400 (n = 400), esta misma
muestra necesitara aumentar su tamao hasta 1056 si los datos presentaran
una fiabilidad del 80% (Aiken y West 1991).
Incluso las encuestas realizadas de manera escrupulosa tienen de un 20 a

un 30% de ruido (Andrews 1984) y por tanto una fiabilidad de los datos
obtenidos del 70 al 80%. Este ruido es producto de datos errneos provocados
por la variabilidad de las personas. Como resultado de este hecho, cuando se
tratan estadsticamente datos obtenidos mediante encuestas y cuestionarios se
deben emplear tcnicas que sean capaces de manejar datos que contengan
errores inherentes. Mientras que las tcnicas basadas en la regresin pueden
manejar datos con imperfecciones, el mtodo de modelado PLS debe emplearse
en el caso de que no queramos o no podamos trabajar con tamaos maestrales
muy grandes por cualquier causa.
Por tanto, podemos decir que el mtodo de modelado PLS es a menudo el

ms adecuado para su empleo.
El mtodo PLS asume que toda la varianza medida es varianza til y debe
ser tratada para su explicacin causal. Las variables latentes se estiman usando
combinaciones lineales exactas de las mediciones observadas, por tanto,
salvando los problemas de indeterminacin y proporcionando una definicin
exacta de los valores dados a cada uno de los componentes. La metodologa de
modelado PLS emplea un tcnica de estimacin iterativa que proporciona un
modelo general, el cual abarca entre otras tcnicas la correlacin cannica, el
74
anlisis de redundancia, la regresin mltiple, el anlisis multivariable de

varianza y el anlisis de componentes principales (Wold, H. 1982).
Uno de los puntos dbiles del modelado PLS es que al tratarse de un

mtodo de informacin limitada el sesgo y la consistencia de los parmetros
estimados son menores que los valores ptimos. Los parmetros estimados
sern asintticamente correctos bajo las condiciones de tamao elevado de la
muestra y elevado nmero de indicadores para cada una de las variables
latentes. En otros casos, los pesos de los constructos tienden a ser
sobrestimados y los caminos entre los constructos subestimados (Fornell y
Bookstein 1982).
Por ltimo, diremos que la metodologa de modelado PLS se considera que

es capaz de explicar relaciones complejas (Fornell y Bookstein 1982; Fornell,
Lorange y Roos 1990). Wold H. (1985) lleg incluso ms lejos al afirmar que el
modelado PLS no tena prcticamente rival a la hora de analizar modelos
complejos, de gran tamao con variables latentes.
El modelado PLS se emplea desde comienzos de los 90, con desarrollos e

innovaciones realizadas por investigadores como Fornell, Anderson, Johnson,
Cha y Bryant en el National Quality Research Center (NQRC) de la Escuela de
Negocios de la Universidad de Michigan, para la elaboracin del American
Customer Satisfaction Index (ACSI), desde finales de los 80, en el Barmetro
Sueco de la Satisfaccin del Cliente (Svenskt Kundindex) y desde comienzos de
este siglo en la elaboracin del European Customer Satisfaction Index (ECSI).
3.3.4. Aplicacin del modelado PLS a la medicin de la

satisfaccin del cliente: la metodologa del National Quality
Research Center
Las metodologas desarrolladas por el National Quality Research Center

(NQRC) para su aplicacin en la elaboracin de ndices de satisfaccin del
cliente nacionales estn basadas en el modelado PLS.
La metodologa NQRC hace uso de un modelo economtrico que relaciona

las percepciones de los clientes respecto a la calidad y el valor con la
satisfaccin y explica de forma predictiva los efectos que tiene esa satisfaccin
en el comportamiento del cliente en lo que respecta a las quejas, la tolerancia
ante cambios en el precio y la intencin de volver a comprar el producto o
servicio.
Al comparar los distintos mtodos que hacen uso de encuestas para medir la
satisfaccin del cliente respecto a los mismos aspectos que los medidos con la
metodologa del NQRC, las restantes tcnicas no pueden alcanzar la precisin
alcanzada por esta ltima metodologa a la hora de predecir el comportamiento
del cliente tras producirse cambios en las experiencias del cliente con el
75
producto o servicio y las consecuencias econmicas que producirn estos

cambios (Anderson y Mittal 2000).
El modelo bsico de la metodologa NQRC consiste en un sistema de

ecuaciones que describe las relaciones entre seis constructos, la calidad y valor
percibidos por el cliente, las expectativas del cliente, la satisfaccin, la retencin
del cliente y las quejas. Cada uno de los constructos se mide empleando varias
cuestiones para cada uno de los aspectos a medir dentro del cuestionario para
incrementar la precisin de las mediciones. Para responder a cada una de las
cuestiones se dispone de una escala de diez puntos para incrementar la
fiabilidad y reducir el error en los ndices.
Los datos se someten a anlisis empleando una versin registrada de la

tcnica de mnimos cuadrados parciales (PLS) para obtener un ndice de
satisfaccin del cliente.
Este ndice de satisfaccin del cliente tiene una gran correlacin con la
intencin de volver a comprar el producto o servicio y la tolerancia ante
cambios en el precio, y por tanto, con el rendimiento econmico, debido a los
pesos dados a las cuestiones que forman las encuestas relativas a la
satisfaccin global del cliente, la confirmacin de sus expectativas y la
comparacin del producto o servicio con el ideal del cliente (Fornell, Ittner y
Larcker 1995). El ndice fue creado expresamente para salvar las dificultades a
la hora de relacionar las mejoras en la calidad de los productos o servicios con
el rendimiento econmico de las empresas u organizaciones (Fornell, Ittner y
Larcker 1995).
Esta metodologa desarrollada por el NQRC puede emplearse a escala tanto

macroeconmica como microeconmica.
De su uso a escala macroeconmica tenemos los ejemplos del Barmetro

Sueco de la Satisfaccin del Cliente (Svenskt Kundindex) y del American
Customer Satisfaction Index (ACSI: ndice de Satisfaccin del Cliente
Americano). Empleado de esta forma, los ndices son indicadores de medida
nacionales de cuan satisfechos se encuentran los clientes con los productos o
servicios dados por las compaas e industrias del pas. (Fornell 1992). Estos
ndices miden el rendimiento econmico de las compaas con relacin a la
calidad desde la perspectiva del cliente. De esta forma, estos ndices pueden
compararse con ndices relativos a la productividad, que tambin miden el
rendimiento econmico en relacin con la cantidad.
A escala microeconmica, la aplicacin de esta metodologa se centra en un

solo negocio o empresa. Se emplea como ayuda para la detectar aquellos
aspectos que los clientes consideran fundamentales y que sirven para definir la
estrategia de negocio a la hora de concentrarse en la retencin de los clientes
y no tanto en la obtencin de nuevos clientes. Esta metodologa considera la
base de clientes de la sociedad un activo, trata de medir que variables afectan
la satisfaccin del cliente y su fidelidad, y sus creadores proclaman que esta
76
metodologa puede predecir el impacto que producirn cambios sobre la vuelta

a usar el producto o servicio, la recomendacin de este, la vuelta a comprarlo y
la tolerancia respecto cambios en su precio.
A continuacin haremos una breve resea de algunas de estas aplicaciones

de la metodologa NQRC.
3.3.4.1. Aplicacin macroeconmica: El Barmetro Sueco de la

Satisfaccin del Cliente
La metodologa del NQRC se emple por vez primera en 1989 para la

creacin del Barmetro Sueco de la Satisfaccin del Cliente (Svenskt
Kundindex) (Fornell 1992).
Aunque muchas compaas de forma particular haban medido la

satisfaccin del cliente con anterioridad, el Svenskt Kundindex fue un hito al ser
la primera vez que un pas realizaba medidas de la satisfaccin del cliente a
escala nacional.
En este primer estudio de la satisfaccin del cliente de una nacin, los

resultados mostraron los siguientes hechos (Fornell 1992):
Las puntuaciones ms elevadas se daban en aquellas compaas

cuyos clientes tenan preferencias diversas y cuyos productos eran
heterogneos. Un ejemplo de este tipo de compaas son las
automovilsticas.
Se producan tambin puntuaciones elevadas cuando los productos

no presentaban diferencias entre ellos y los gustos de los
consumidores eran a su vez homogneos. Un ejemplo de este caso
son los productos como la leche o el azcar.
Las puntuaciones bajas se producan cuando las diversas preferencias

de los consumidores no eran cubiertas debido a la inexistencia de
suficientes opciones a la hora de elegir. Un ejemplo claro de estos
casos son los monopolios gubernamentales tales como la polica y las
telecomunicaciones.
3.3.4.2. Aplicacin macroeconmica: El ndice de Satisfaccin del

Cliente Americano
El ndice de Satisfaccin del Cliente Americano (American Customer

Satisfaction Index: ACSI) fue creado en 1982. Pero no fue hasta 1994 cuando
se remodel dicho ndice con la experiencia adquirida por un grupo de
investigadores liderado por Fornell (Fornell et al. 1996).
77
El ndice ACSI es el principal representante de las aplicaciones

macroeconmicas de la metodologa NQRC al tratar la satisfaccin del cliente a
escala global, en lugar de al nivel de una sola empresa o compaa. De hecho
el ndice ACSI es un indicador nacional de las evaluaciones de los clientes de la
calidad de los productos o servicios de las principales compaas de ese pas.
Figura 3-6 Modelo empleado para la obtencin del ndice ACSI 10
El desarrollo del ndice ACSI se basa en la las relaciones agregadas al nivel

de mercado entre las caractersticas subyacentes del cliente como la calidad
percibida, el valor percibido, la personalizacin del producto o servicio, las
expectativas del cliente y la tolerancia ante el precio del producto o servicio.
Con estos aspectos se cre un modelo que podemos observar en la Figura 3-6.
En distintos artculos se analiza la precisin de la metodologa NQRC usada

en el ndice ACSI. Se ha detectado por parte de Fornell y Everitt-Bryant (1997)
una correlacin muy significativa entre los resultados de la satisfaccin del
cliente empleando la metodologa del NQRC y los resultados econmicos de las
compaas analizadas, dicha relacin se traduce en los siguientes hechos:
Existe una correlacin positiva entre los resultados del ndice ACSI y
los valores de las acciones y el ndice precio/ganancias de las
compaas sometidas al ACSI.
Existe una correlacin negativa entre el ndice ACSI y el riesgo de las

compaas, lo que se interpreta como que compaas que tienen una
gran lealtad de sus clientes y una elevada satisfaccin de los clientes
poseen una situacin financiera ms saneada y menos variable
(Fornell y Everitt-Bryant 1997).
10
Fuente: Pgina web del American Customer Satisfaction Index
(http://www.theacsi.org/model.htm)
78
Desde la creacin del ndice ACSI, se ha comprobado que las

compaas que tienen unos ndices ACSI elevados han mostrado un
comportamiento burstil mejor que la media del mercado.
En los Estados Unidos ya se sigue con atencin la publicacin del

ndice ACSI lo que se traduce en movimientos burstiles, lo que
refuerza la validez econmica dada por el mercado al ndice ACSI.
Desde su creacin en 1994 el ndice ACSI ha predicho de forma
precisa los movimientos del mercado burstil norteamericano
(Fornell, Ittner y Larcker 1995).
A modo de verificacin de la importancia que ha adquirido esta metodologa

podemos comprobar que en la actualidad existen desarrollos de ndices de la
satisfaccin del cliente nacionales y supranacionales en pases tan dispares
como once pases de la Europa comunitaria, Estados Unidos de Norteamrica,
Sudfrica, India, Corea del Sur y Taiwn, todos ellos basados en mayor o
menor medida en la metodologa desarrollada por el NQRC de la Escuela de
Negocios de la Universidad de Michigan.
La metodologa NQRC se ha empleado ya en la medicin de la satisfaccin

del cliente en Suecia, Estados Unidos de Norteamrica, Israel, Taiwn, Corea
del Sur y la Unin Europea.
3.3.4.3. Aplicacin macroeconmica: El ndice de Satisfaccin del

Cliente Europeo
El ndice de Satisfaccin del Cliente Europeo (European Customer

Satisfaction Index: ECSI) es el resultado de la iniciativa promovida por la
Organizacin Europea para la Calidad (European Organization for Quality: EOQ)
y la Fundacin Europea para la Gestin de la Calidad (European Foundation for
Quality Management: EFQM) en 1998 y en la que participaron once pases
europeos para el desarrollo de un barmetro de la satisfaccin del cliente
europeo armonizado.
Este ndice permite comparar la satisfaccin de los clientes entre compaas

del mismo sector en un pas, a la vez que permite hacer comparaciones entre
sectores y pases.
Los objetivos principales con los que se ha desarrollado el European

Customer Satisfaction Index son los siguientes:
Proporcionar a las compaas, servicios pblicos, consumidores,

inversores, reguladores y legisladores un ndice anual de la
satisfaccin del cliente, sus causas y efectos en la fidelidad.
Proporcionar a las compaas y servicios pblicos encuestados los

medios para analizar las percepciones de sus clientes (causas y
79
efectos) para compararlas con las percepciones de los clientes de

otras compaas y servicios pblicos a diferente escala (sector, pas o
Europa).
Presentar el ndice ECSI como un indicador macroeconmico

reconocido de la medicin del desempeo de las economas
nacionales y europeas.
Dicho ndice est basado en la metodologa desarrollada por el National

Quality Research Center de la Universidad de Michigan y tiene como modelo
uno muy similar al del ndice de Satisfaccin del Cliente Americano (American
Customer Satisfaction Index: ACSI) al que se le han realizado algunas leves
modificaciones (Ver Figura 3-7 Modelo del European Customer Satisfaction
Index).
Figura 3-7 Modelo del European Customer Satisfaction Index
Estas variables latentes se extraen a partir de un conjunto variables

manifiestas, que llevan asociada una cuestin, para cada una de las variables
latentes.
En la Tabla 3-4 que puede verse a continuacin, se enumeran cada una de

estas cuestiones para las variables manifiestas as como su correspondiente
variable latente asociada:
80
Variable Latente Variables manifiestas

Imagen a) Puede confiarse en lo que dice y hace la organizacin.
b) La organizacin es estable y establecida firmemente.
c) La organizacin est implicada con los clientes.
La organizacin es innovadora y con miras al futuro.
Expectativas del cliente de la a) Expectativas de la calidad global del producto o servicio

calidad global suministrado por la organizacin en el momento en que se
convirti en cliente de esta.
b) Expectativas respecto a la organizacin a la hora de suministrar
productos o servicios que cumplan sus expectativas.
c) Frecuencia con la que esperaba que las pudieran ocurrir errores
en la organizacin proveedora del producto o servicio.
Calidad percibida a) Calidad global percibida.

b) Calidad tcnica del producto o servicio.
c) Servicio al cliente y consejo personal ofrecido.
d) Calidad de los productos y servicios que usted usa.
e) Gama de productos y servicios ofrecidos.
f) Fiabilidad y adecuacin de los productos y servicios
suministrados.
g) Claridad y transparencia de la informacin suministrada
Valor percibido a) Dada la calidad de los productos y servicios ofrecidos, cmo

calificara las tarifas y precios que paga por ellos.
b) Dadas las tarifas y precios que usted paga, cmo calificara la
calidad de los productos y servicios que ofrece la organizacin.
Satisfaccin del cliente a) Satisfaccin global.

b) Cumplimiento de sus expectativas.
c) En qu grado cree que la organizacin es comparable con su
organizacin ideal.
Reclamaciones del cliente a) Usted present una queja o reclamacin durante el pasado
ao. Cun bien o mal se gestion su ltima reclamacin?
O bien,
b) Usted no present una queja o reclamacin durante el pasado
ao. Imagine que hubiera tenido que reclamar a la
organizacin debido a la mala calidad del servicio o producto
suministrado. Hasta qu punto cree que la organizacin se
preocupara por resolver su reclamacin?
Fidelidad del cliente a) Si necesitara elegir un nuevo proveedor del servicio o producto
que le suministra la organizacin, cul es la probabilidad de
que eligiera de nuevo a la organizacin?
b) Suponga que la competencia decidiera bajar sus tasas y
precios, pero la organizacin que le suministra el producto o
servicio permaneciera con las tasas y precios actuales. Con
qu diferencia de precio, en porcentaje, elegira cambiar de
suministrador?
c) Si un amigo o conocido le pide consejo, con qu probabilidad
le recomendara la organizacin que le provee del producto o
servicio?
Tabla 3-4 Variables latentes y manifiestas del modelo ECSI
81
3.3.4.4. La metodologa del NQRC aplicada a escala microeconmica

o de una organizacin
Como ya comentamos anteriormente, la metodologa del NQRC puede

someterse a modificaciones que la personalicen para su uso a escala
microeconmica o para una compaa u organizacin en particular.
Esta personalizacin de la metodologa se puede hacerse realizando los

pasos siguientes:
Se efecta un anlisis cualitativo mediante encuestas realizadas por

el personal no directivo a los clientes y el personal para determinar
los aspectos clave involucrados en la satisfaccin del cliente y en las
consecuencias econmicas que esta satisfaccin tiene en la
organizacin y que son distintos para cada organizacin en particular.
De este primer anlisis, se genera un modelo preliminar de la

satisfaccin del cliente cuyos aspectos clave extrados de las
opiniones de los clientes se agrupan en las variables latentes. Estas
variables latentes tendrn importancias distintas a la hora de extraer
la satisfaccin global.
De la satisfaccin global se extraen las consecuencias econmicas

para la organizacin, la tolerancia ante el cambio de precio por parte
del cliente y la fidelidad del cliente en forma de la vuelta a comprar el
producto o servicio de que se trate.
Las encuestas se realizan a partir del modelo generado tras las entrevistas a
los clientes y estn formadas por cuestiones a las que se puede responder con
una escala del uno al diez y con la opcin de No sabe/No contesta. De forma
similar se pregunta a los clientes acerca del grado de satisfaccin global, es
decir, el grado de cumplimiento de sus expectativas del producto o servicio. Por
ltimo, se les pregunta sobre la posibilidad de que vuelvan a comprar el
producto o servicio, si recomendaran este y de su tolerancia ante cambios en el
precio.
Los datos obtenidos tras la realizacin de las encuestas se analizan

empleando una tcnica registrada por el NQRC basada en el mtodo de
Mnimos Cuadrados Parciales, Partial Least Squares (PLS).
Los resultados que se presentan tras el anlisis de los datos son

estimaciones, en una escala de 0 a 100, de las relaciones entre los cambios
producidos en los aspectos que generan la satisfaccin del cliente y la
satisfaccin global y las relaciones entre los cambios en la satisfaccin global y
la fidelidad del cliente. A su vez, se obtienen tambin ndices de desempeo
para cada uno de los aspectos clave de la satisfaccin y el impacto que estos
aspectos tienen en la satisfaccin global
82
A partir de esta informacin obtenida en el anlisis de los datos, es posible

estimar las consecuencias econmicas que tendran los cambios en los aspectos
clave de satisfaccin del cliente al imponer cambios en la organizacin, tales
como las iniciativas de calidad.
Aquellos aspectos clave de la satisfaccin que presentan unos ndices de

satisfaccin bajos y una importancia elevada son aquellos que tienen un efecto
mayor en la satisfaccin del cliente, y por tanto, en la vuelta a comprar el
producto o servicio, la recomendacin de este y la tolerancia ante cambios en el
precio y sobre los que deben realizarse iniciativas de mejora en la organizacin.
3.4. Definicin del modelo para la medicin de la satisfaccin

del cliente
Los modelos empleados en la metodologa PLS utilizan para el modelado dos

tipos de variables, las variables latentes y las manifiestas, as como la relacin
existente entre ellas.
Las variables manifiestas son aquellas que pueden registrarse u observarse

directamente y permiten inferir las construcciones tericas o variables latentes
que los investigadores utilizan para guiar sus estudios sociales y de
comportamiento.
Cada una de las cuestiones que forman las encuestas es una variable
manifiesta que se agrupan a la hora de analizar los datos en variables latentes.
Las dimensiones, factores o variables latentes, por su parte, representan

conceptos unidimensionales, puede decirse que se trata de variables abstractas.
Como todas las variables latentes corresponden a conceptos, son variables
hipotticas que varan en su grado de abstraccin. Estas variables latentes se
infieren a partir de las variables manifiestas y no pueden medirse directamente
(Wittingslow y Markham 1999).
El modelado PLS tambin hace uso de variables endgenas y exgenas

dentro de las variables latentes (Wittingslow y Markham 1999).
Las variables latentes exgenas son independientes y no se ven afectadas

por cambios en las otras variables latentes. Por su parte, las variables latentes
endgenas no son independientes y se ven afectadas por cambios en otras
variables latentes.
La definicin de variable endgena o exgena puede cambiar dependiendo

del punto de vista desde el que se observen dichas variables. De hecho, en el
proceso de modelado PLS en dos fases para producir un modelo de la
satisfaccin del cliente, la variable latente para la satisfaccin es inicialmente
una variable endgena y posteriormente, cuando se calculan los resultados,
pasa a convertirse en una variable exgena (Wittingslow y Markham 1999).
83
3.4.1.1. La aplicacin del modelado PLS para el estudio de la

satisfaccin del cliente.
En un estudio de Wittingslow y Markham (1999), estos comentan que el

modelo surgido de la aplicacin del modelado PLS est construido de tal forma
que facilita una visin desde el punto de vista de los resultados para la
medicin de la satisfaccin del cliente. Es por ello que en la actualidad se
emplea esta tcnica de modelado en multitud de estudios de la satisfaccin del
cliente.
A continuacin veremos el modelo bsico empleando en los estudios de

satisfaccin del cliente haciendo uso del modelado PLS. Este modelo bsico es
una versin simplificada de los modelos reales que normalmente tienen
mltiples variables exgenas y endgenas latentes, tal y como se puede ver en
los modelos del ndice de Satisfaccin del Cliente Europeo (ECSI) y el ndice de
Satisfaccin del Cliente Americano (ACSI) que pudimos ver con anterioridad
(Ver Figura 3-8).
El modelo bsico PLS empleado en los estudios de satisfaccin del cliente se

compone de las siguientes variables:
- lv1 y lv2: son variables exgenas que influyen en la satisfaccin

global con el producto o servicio de que se trate. Cada una de estas
variables de satisfaccin se miden empleando la tcnica de modelado
PLS al analizar las variables manifiestas asociadas a cada una de las
variables latentes. A modo de ejemplo, las variables manifiestas P11 y
P12 son las que utiliza la tcnica PLS para producir el valor de la
satisfaccin de la variable latente lv1. Dicho valor calculado se basa
en las medias compensadas de las variables manifiestas. Cada una de
las variables manifiestas representa la media de las respuestas del
cliente a una cuestin de la encuesta de satisfaccin.
- lv3: es la variable latente endgena para la satisfaccin global con el

producto o servicio de que se trate. El valor de esta satisfaccin
global es el que se emplea a la hora de comparar la satisfaccin del
cliente con otras organizaciones o empresas competidoras.
- lv4: es la variable latente exgena que mide los resultados que

produce la satisfaccin del cliente. Puede tratarse de una o varias de
estas variables. Estos resultados son normalmente factores como la
vuelta a comprar el producto o servicio, la vuelta a usar dicho
producto o servicio y la recomendacin de este.
84
Figura 3-8 Modelo bsico general para el modelado PLS
Adems de producir los valores de satisfaccin para cada una de las

variables latentes, la metodologa PLS estima a su vez el impacto que tienen las
variables latentes exgenas en las variables latentes endgenas. Esta
estimacin posibilita realizar predicciones al respecto de los cambios que se
producirn en la satisfaccin global y, por tanto, en los resultados cuando se
conocen los cambios producidos en la satisfaccin respecto a una determinada
variable latente exgena.
3.5. La medicin de la satisfaccin del cliente en el mbito

industrial
En los ltimos tiempos, los estudios relativos a la satisfaccin del cliente han
aumentado en gran medida, pero la mayora de ellos se ha enfocado a bienes
de consumo o servicios relativos a la satisfaccin del cliente final de estos de
forma personal.
Por contra, la medicin de la satisfaccin del cliente en el mbito industrial

es un rea que ha sido poco investigada y de la que existe poca literatura al
respecto, aunque parece que en los ltimos tiempos ha tomado inters su
investigacin y es un rea que presenta un gran potencial de crecimiento.
No obstante, aunque la literatura sea escasa, hemos optado por comentar el

enfoque dado por Homburg y Rudolph (2001) que podemos considerar el
estudio ms relevante publicado hasta la fecha que trate la satisfaccin de
85
clientes industriales. En este artculo, los autores desarrollan un sistema para la

medicin de la satisfaccin del cliente para clientes industriales, y una escala
para dicha medicin que han denominado INDSAT, homloga a la escala
SERVQUAL de aplicacin a los servicios.
Los autores de esta escala INDSAT para la medicin de la satisfaccin la han

desarrollado tomando como punto de partida en entrevistas de campo
realizadas a clientes industriales de doce pases europeos con un total de ms
de 2500 respuestas y en el anlisis estadstico de los datos obtenidos en las
citadas entrevistas.
Dicha escala consiste en la descomposicin de la satisfaccin del cliente en

siete dimensiones distintas que poseen propiedades psicomtricas. Segn los
autores, esta descomposicin en siete dimensiones es la que resulta ms
adecuada, a la vista de este estudio, en comparacin con estructuras ms
simples.
Adems, los autores realizan hiptesis respecto a las diferencias en cuanto a

la importancia dada a cada una de las dimensiones de la satisfaccin del cliente
por las distintas personas implicadas en el proceso de compra en el mbito
industrial.
Pasamos ahora a enumerar las citadas siete dimensiones en las que el

estudio de Homburg y Rudolph descompone la satisfaccin del cliente que son
las siguientes:
Satisfaccin con los productos.

Satisfaccin con el personal de ventas.
Satisfaccin con la informacin relativa al producto.
Satisfaccin con la gestin de los pedidos.
Satisfaccin con los servicios tcnicos.
Satisfaccin con la interaccin con el personal interno.
Satisfaccin con la gestin de las quejas y reclamaciones.
A su vez, cada una de estas dimensiones est formada por varios aspectos
que son medidos a travs cuestiones relativas a dicha dimensin en una
encuesta. Pasaremos a continuacin a exponer cada uno de estos tems,
tambin llamados aspectos clave de la satisfaccin en el mbito industrial, que
componen las siete dimensiones de dicha satisfaccin segn los resultados
obtenidos en este estudio:
a) Satisfaccin con los productos

a. Rendimiento tcnico de los productos del proveedor.
b. Fiabilidad de los productos del proveedor.
c. Relacin valor/precio de los productos del proveedor.
d. Eficacia del coste de los productos del proveedor a travs de su
ciclo de vida.
e. Facilidad de reparacin de los productos del proveedor.
86
b) Satisfaccin con el personal de ventas

a. Conocimiento del personal de ventas del proveedor acerca de las
condiciones de uso de los productos del proveedor en su
compaa.
b. Conocimiento del producto por parte del personal de ventas del
proveedor.
c. Apoyo a la hora de solucionar problemas por parte del personal de
ventas del proveedor.
d. Afabilidad del personal de ventas del proveedor cuando
interactan con usted.
e. Continuidad del personal de ventas que trabaja con usted.
f. Tiempo de reaccin del personal de ventas del proveedor a la
hora de responder a sus peticiones de visitas.
g. Frecuencia de las visitas del personal de ventas a su compaa.
c) Satisfaccin con la informacin relativa al producto.

a. Informacin suministrada en la documentacin tcnica.
b. Disponibilidad de la documentacin tcnica.
c. Utilidad de los manuales de funcionamiento de los productos.
d. Informacin dada en otro tipo de documentacin
d) Satisfaccin con la gestin de los pedidos.

a. Tiempo de confirmacin de un pedido.
b. Fiabilidad del procesamiento de los pedidos.
c. Tiempo de entrega tal y como se dice en la confirmacin de los
pedidos.
d. Cumplimiento de las fechas de entrega dadas.
e) Satisfaccin con los servicios tcnicos.

a. Velocidad a la hora de disponer del personal de los servicios
tcnicos.
b. Calidad tcnica del servicio suministrado.
c. Relacin precio/valor de los servicios tcnicos del proveedor.
f) Satisfaccin con la interaccin con el personal interno.

a. Accesibilidad de los empleados de las plantas de produccin.
b. Reaccin a las peticiones realizadas telefnicamente.
c. Reaccin a las peticiones realizadas por escrito.
g) Satisfaccin con la gestin de quejas y reclamaciones.

a. Acciones llevadas a cabo por esta compaa proveedora con
relacin a las quejas y reclamaciones relacionadas con el producto
dentro del perodo de garanta.
b. Acciones llevadas a cabo por esta compaa proveedora con
relacin a las quejas y reclamaciones relacionadas con el producto
fuera del perodo de garanta.
c. Reaccin de la compaa a las quejas y reclamaciones en general.
87
Tras analizar los datos obtenidos en las distintas encuestas realizadas a

clientes industriales, los autores infieren un modelo en este estudio, del que
podemos destacar los pesos obtenidos para cada una de las siete componentes
en las que Homburg y Rudolph descomponen la satisfaccin global del cliente,
tal y como podemos ver en la Tabla 3-5.
Componente Peso
Satisfaccin con los productos. 0,17
Satisfaccin con el personal de ventas. 0,25
Satisfaccin con la informacin relativa al producto. 0,05
Satisfaccin con la gestin de los pedidos. 0,25
Satisfaccin con los servicios tcnicos. 0,09
Satisfaccin con la interaccin con el personal interno. 0,05
Satisfaccin con la gestin de las quejas y reclamaciones. 0,23
Tabla 3-5 Pesos para las componentes de la satisfaccin del cliente en mbitos industriales 11
El modelo completo de la satisfaccin para clientes industriales es el que

puede verse en la Figura 3-9 Modelo causal de los factores INDSAT en la
satisfaccin global.
Para concluir este punto, citamos a continuacin las conclusiones de este

estudio relativas a cada una de las reas a las que hacen referencia:
Conclusiones tericas:
o El constructo de la satisfaccin del cliente industrial presenta
una alta complejidad, incluso superior a la escala SERVQUAL
empleada para la evaluacin de la satisfaccin con los servicios
(Parasuraman, Zeithaml y Berry 1988).
o La escala de 29 tems resultado del estudio puede no ser muy

viable a la hora de aplicarla a determinados estudios de
satisfaccin debido a su extensin y en estos casos debe
optarse por una solucin de compromiso entre el uso de la
escala completa y el uso de mediciones individuales de los
tems.
o La forma en que un proveedor se desenvuelve a la hora de

realizar procesos especficos del cliente y la interaccin del
personal de ventas con el cliente son aspectos clave en la
satisfaccin del cliente industrial y debieran tener mayor
relevancia en la teora de marketing al respecto desde este
momento.
11
Fuente: HOMBURG, C. y Rudolph B. (2001) Customer satisfaction in industrial markets:
dimensional and multiple role issues. Journal of Business Research, 2001 vol. 52, p. 15.
88
o El estudio revela claramente que diferentes grupos funcionales

dentro del cliente tendrn criterios distintos a la hora de
evaluar al proveedor
Figura 3-9 Modelo causal de los factores INDSAT en la satisfaccin global 12
12
Fuente: HOMBURG, C. y RUDOLPH, B. (2001) Customer satisfaction in industrial markets:
dimensional and multiple role issues. Journal of Business Research, 2001 vol. 52, p. 15.
89
Conclusiones metodolgicas:
o Como las valoraciones pueden diferir en gran medida

dependiendo del grupo funcional que responda a las
cuestiones dentro del personal de la empresa cliente. Por
tanto, debe intentarse que los cuestionarios recojan la opinin
de varias personas pertenecientes a distintas reas funcionales
dentro de la empresa cliente.
Conclusiones prcticas de cara a la gestin:
o La escala INDSAT puede usarse como gua para a la hora de

realizar estudios de satisfaccin. Esto puede hacerse de
manera simple haciendo medias para cada una de las siete
dimensiones que componen la escala y obteniendo una medida
global de satisfaccin, pero tambin puede optarse por un
estudio mucho ms profundo de la satisfaccin a medida de la
industria que lo realice.
o La escala INDSAT es mucho ms valiosa en cuanto se realicen

estudios peridicos para detectar cambios en la satisfaccin de
los clientes a lo largo del tiempo. Es adecuado que como
mnimo dicha periodicidad sea al menos bienal o anual.
o La escala INDSAT puede emplearse como un indicador a la

hora de comparar el desempeo de las organizaciones en
comparacin con otras compaas competidoras.
o Las compaas industriales deberan considerar aspectos tales

como la relacin interpersonal con las empresas cliente y no
solo centrarse en la optimizacin del producto que fabrican.
o El conocimiento de la importancia dada a cada una de las

dimensiones de la satisfaccin es importante a la hora de fijar
prioridades para los esfuerzos de mejora y decidir al respecto
de la asignacin de recursos.
o En resumen, el estudio evidencia que diferentes situaciones de

venta requieren diferentes enfoques de la venta.
Limitaciones del estudio:
o La escala INDSAT debe aceptarse slo de manera tentativa

hasta que no se realicen ms estudios que reafirmen su
validez y permitan su generalizacin.
90
3.6. Conclusin
En nuestro proyecto, comprobaremos si la metodologa del NQRC para

medir la satisfaccin del cliente a escala microeconmica o de una organizacin
es vlida y aplicable a los clientes de una empresa auxiliar del sector carrocero
de autocares y autobuses.
La metodologa que emplearemos se basar en la desarrollada por el NQRC

a la que haremos algunas pequeas modificaciones que se justificarn. Con ello
mediremos el nivel de la satisfaccin del cliente usando el modelo de
satisfaccin que generarn los propios clientes.
91

3 PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

3 PDF

Загружено:

Авторское право:

Доступные форматы

3.

La medicin de la satisfaccin del cliente

En este captulo realizaremos un anlisis al respeto de la metodologa que

Tras presentar las distintas definiciones del concepto de satisfaccin del

Los primeros mtodos utilizados para la medicin de la satisfaccin del

Sin embargo, se han desarrollado mtodos de anlisis multivariable ms

Por el contrario, los llamados mtodos de anlisis multivariable de segunda

Tanto el mtodo SEM como el PLS estn siendo utilizados en la actualidad

Durante este captulo, trataremos de argumentar que el mtodo PLS es el

3.2. Antecedentes histricos de la medicin de la satisfaccin

El primer trabajo en esta rea, que posteriormente se conocera como la

En los aos 40 del pasado siglo, los ltimos avances en la medicin de la

Durante la dcada de los 50, el paso del uso de correlaciones a ecuaciones

En los 60, se desarroll la primera generacin del anlisis multivariable.

Los mtodos de primera generacin del anlisis multivariable ayudan a

Estos mtodos presentan dificultades a la hora de poder aunar la teora con

3.3. Los modelos de segunda generacin empleados en la

A partir de finales de la dcada de los 60 y principios de los 70 del pasado

Estos nuevos mtodos de anlisis simultneo de varias variables desplazaron

Estos avances en el campo del anlisis multivariable de principios de los 70

Fue en 1984 cuando se empleo el trmino segunda generacin para estas

En torno a 1982 hizo aparicin una nueva tcnica de anlisis multivariable

Este nuevo mtodo de anlisis, en lugar de simplemente agregar la medida

3.3.1. El modelado del comportamiento del cliente

La importancia del modelado del comportamiento del cliente se debe a que

Los datos en bruto de un estudio de la satisfaccin del cliente pueden

El modelado proporciona a los investigadores la posibilidad de explorar las

En nuestro proyecto, la teora que subyace bajo el estudio de la satisfaccin

Al aplicar esta teora al comportamiento del cliente, podemos ver que el

En los distintos estudios de la satisfaccin del cliente se han empleado

3.3.2. Modelado con el mtodo de Mnimos Cuadrados Parciales

Antes de pasar a explicar con detalle en que consiste la tcnica llamada de

3.3.2.1. Path Analysis

El Path Analysis 1 es un mtodo que ampla los modelos de regresin, se

Dicho modelo se representa normalmente con las variables dentro de

Figura 3-1 Ejemplo de modelo causal

El Path Analysis evala hiptesis de causalidad, y en determinados casos

El Path Analysis asume las siguientes caractersticas de los datos sometidos

Los datos deben tener una distribucin normal o de intervalos. Lo

Se asume que las relaciones entre las variables son lineales y

Path Analysis presenta una utilidad reducida en la fase exploratoria de un

Debemos resear que no se puede emplear el Path Analysis en aquellos

El Path Analysis requiere un tamao muestral elevado para que el resultado

Podemos una vez comentada la tcnica Path Analysis establecer el proceso

Figura 3-2 Proceso iterativo para la construccin del modelo causal 2

3.3.2.2. Anlisis Factorial

El Anlisis Factorial es una tcnica estadstica empleada para descubrir la

El anlisis factorial puede usarse, entre otras, para las siguientes

Para reducir un nmero elevado de variables a un nmero reducido

Para seleccionar un grupo de variables de un conjunto mayor de

Para crear un conjunto de factores, que se tratarn como variables

Para validar una escala o ndice mediante la demostracin de que sus

A continuacin pasamos a describir de manera resumida el procedimiento

Como Zj es una variable estandarizada, su varianza es igual a la unidad. La

Que en forma matricial puede expresarse como:

donde H2 y U2 son matrices diagonales de la parte comn y nica

Con este conjunto de ecuaciones pueden calcularse los pesos de cada

El anlisis factorial se emplea de dos formas distintas, a modo de

en el anlisis factorial exploratorio no es posible especificar el grado de

El anlisis factorial confirmatorio forma parte generalmente de un proceso

El anlisis factorial requiere un nmero de muestras que, segn el autor de

El requisito del anlisis factorial que ms controversia ha creado es la

La varianza de las variables, para el anlisis factorial, se puede descomponer