Cualitative Data Optimization CDO MODELANDO DATOS CUALITATIVOS DE PREGUNTAS ABIERTAS MEDIANTE

ESCALAMIENTO MULTIDIMENSIONAL.

CARLOS GABRIEL CONTRERAS MSC ESTADSTICO. UNIVERSITY OF CALIFORNIA LOS ANGELES.

Escalamiento multidimensional.
El escalamiento multidimensional, es en si una teora sobre la que se han desarrollado diferentes tcnicas para tratar de responder una pregunta: Cmo es la estructura de pensamiento de una persona? Qu tiene que hacer un dibujante cuando usted le pide un retrato de su rostro en un papel tamao carta?
Bsicamente debe escalar.

Como investigadores debemos plasmar en trminos prcticos y accionables, realidades que son complejas y grandes (como aquellas que se reflejan en preguntas abiertas de cuestionarios y entrevistas) as que nuestro trabajo es similar al de un dibujante,
DEBEMOS ESCALAR.

El reto
Una marca de cerveza, necesita saber las razones que hacen que un consumidor acepte consumir un producto cuando se lo ofrecen, en otras palabras, desea saber los motivos que hacen al consumidor sensible a las acciones de advocacy; para ello, se disea una conjunto de preguntas en un cuestionario.

1. Le han ofrecido la cerveza X? 2. Acepto consumir la cerveza X cuando se la ofrecieron? 3. Por qu acepto consumir la cerveza X cuando se la ofrecieron?
La pregunta que se hace el gerente de marca, se responde con la pregunta abierta del anterior conjunto, el enfoque tradicional implica que se haga un conteo de frecuencias y se presenten todas las narraciones codificadas con sus respectivas frecuencias. El enfoque planteado en este trabajo propone explorar la estructura que motiva al consumidor a responder lo que responde.

La solucin.
El escalamiento multidimensional dira que: Cada narracin del consumidor se codifica. Cada cdigo es una variable. Cada variable es dicotomica, es decir, tiene dos valores, 1 si la persona narra algo asociado al cdigo y 0 si la persona no narra nada asociado al cdigo.

El escalamiento multidimensional puede explorar las proximidades entre cada cdigo (narracin) para detectar la estructura mental que hace que el consumidor responda como lo hace ante la pregunta abierta.

El algoritmo.
Construccin de la base de datos. Verificacin de supuestos Modeling Deteccin del procedimiento Configuracin. Bondad de ajuste Escalamiento Optimizacin

Verificacin.

Presentacin.
5

Construccin de la base de datos.

Objetivo: Ubicar cada uno de los cdigos dentro de la base de forma que sean estadsticamente manipulables.

Construccin de la base de datos.

Inicialmente, se cuenta con una base de datos en donde las variables son cada uno de los cdigos otorgados a las narraciones que el encuestado da para contestar la pregunta abierta hecha. En este caso puntual fue: Por qu razn acepto consumir el producto cuando se lo ofrecieron?

Es necesario ver que la base de datos se encuentra en formato binomial, donde 1 significa que el encuestado si hizo narraciones asociadas al cdigo y 0 implica que el encuestado no hizo tales narraciones.

Construccin de la base de datos.

Las variables deben tener algunas caractersticas importantes para ingresar en el proceso de modelamiento

Las variables vienen en formato binomial. Deben ser programadas como ordinales ya que 1 (si narro) es diferente y superior a 0 (no narro)

El modelo puede configurarse con diferentes formatos de pregunta (Likert, Torgeson, Diferencia semantico, Guttman etc) aun as, para efectos de modelar respuestas de preguntas abiertas el formato siempre ser binomial y se programa como ordinal.

Verificacin de supuestos.
Objetivo: Garantizar que todos los cdigos (datos) cuentan con el nivel de calidad suficiente como para ingresar en el anlisis.

Verificacin de supuestos.
En el modelo, entra a participar todos los cdigos, aun as es importante tener en cuenta que se cumplan los siguientes supuestos. Por cada cdigo, debe haber mnimo 5 encuestados, es decir, si se evaluaran 15 cdigos como en este caso, la muestra debe ser de por lo menos 75 encuestados. Debe haber variabilidad en el cdigo, es decir, no todo puede ser 0 (no narro) o 1 (si narro). Algunos autores sugieren un equilibrio 60/40 Debe haber aleatoriedad en las respuestas, de esta forma se controla error ya sea por sesgo de encuestado o por error de codificacin, este supuesto se controla mediante la prueba de Rachas. Ver prueba de Rachas. 10

Verificacin de supuestos (prueba de Rachas)

La prueba de rachas es un procedimiento no parametrico que intenta detectar si los datos de las variables son o no aleatorios. La aleatoriedad implica menor nivel de error, es decir, que la variable o cdigo esta en cierto grado libre de contaminacin. La contaminacin puede darse por sesgo del encuestado, del encuestador, de las personas de codificacin o de digitacin. Si los datos no son aleatorios, es probable que la contaminacin con error sea muy alta, por lo que no es prudente usar ese cdigo.

11

Verificacin de supuestos (prueba de Rachas)

Todos los cdigos deben ser evaluados. El punto de corte debe ser la moda bsicamente porque es el estadstico de tendencia central que mejor describe las distribuciones binomiales. No se puede usar la media ya que son datos cualitativos y una mediana es poco conveniente ya que tenemos solo dos categoras en la variable.

12

Verificacin de supuestos (prueba de Rachas)

Cuando la muestra tiende a ser pequea, en este caso menor a 500, es prudente calcular niveles de significancia mediante pruebas exactas. La significancia indica si la conclusin a la que se llega mediante el procedimiento estadstico esta dentro o fuera del margen de error que como investigadores queremos asumir. Habitualmente, como investigadores asumimos el 5% de error, una conclusin estadstica es significativa, si el error del procedimiento es inferior al 5% Cuando N es menor a 500, es recomendable calcular los errores del procedimiento con el mtodo de Monte Carlo. 13

Como el mximo error que se pretende tener es del 5%, el nivel de confiabilidad esperado ser del 95%

Verificacin de supuestos (prueba de Rachas)

La hiptesis nula (H0) de la prueba de rachas dice que los datos no son aleatorios mientras que la hiptesis alterna (Ha) indica que los datos si son aleatorios. Si la significancia de la prueba es < a 0.05 (5% de error) se rechaza la hiptesis nula y se acepta la hiptesis alterna.

Como el nivel de significancia es inferior a 0.05, se rechaza la hiptesis nula y se concluye que el cdigo "ya haba odo de la marca" tiene una distribucin aleatoria por ende tiene controlada varias fuentes externas de error..

14

Modeling 1: deteccin del procedimiento.

Objetivo: El Escalamiento multidimensional tiene muchas tcnicas, para el caso puntual de preguntas abiertas se recomienda PROXSCAL

Modeling 1: Deteccin del procedimiento.

Existen diferentes tcnicas de Escalamiento multidimensional, y dentro de las tcnicas hay diferentes metodologas. Para trminos de modelamiento, se recomienda utilizar PROXSCAL ya que permite ver paso a paso el proceso y de esa forma diagnosticar errores en el mismo.

SPSS ofrece dos algoritmos bsicos ALSCAL PROXSCAL Cada uno tiene usos distintos, para el modelamiento de preguntas abiertas se usa PROXSCAL.

16

Modeling 1: Deteccin del procedimiento.

Los datos, como los tenemos configurados (binomiales, ordinales) no son por si mismos una medida de distancia de las narraciones de las personas, de hecho son solamente las narraciones en bruto. Es por ello, que es necesario crear proximidades de los datos.

Dado que la pregunta esta orientada solo a una marca, y todas las respuestas del encuestado estn orientadas solo a una marca en particular, se maneja solo una fuente matricial (solo un conjunto de respuestas) Si fusemos a comparar la pregunta abierta entre marcas, se usaran varias fuentes matriciales.

17

Modeling 1: Deteccin del procedimiento.

En el modelo, entra a participar todos los cdigos, aun asi es importante tener en cuenta que se cumplan los siguientes supuestos. Por cada cdigo, debe haber mnimo 5 encuestados, es decir, si se evaluaran 15 cdigos como en este caso, la muestra debe ser de por lo menos 75 encuestados. Debe haber variabilidad en el cdigo, es decir, no todo puede ser 0 (no narro) o 1 (si narro). Algunos autores sugieren un equilibrio 60/40 Debe haber aleatoriedad en las respuestas, de esta forma se controla error ya sea por sesgo de encuestado o por error de codificacin, este supuesto se controla mediante la prueba de Rachas. Ver prueba de Rachas. 18

Modeling 1: Deteccin del procedimiento.

Como se indico anteriormente, un modelo de escalamiento multidimensional puede configurarse desde diferentes tipos de datos, datos numricos, de frecuencias o medidas binarias.

En la opcin medida, debe indicarse que los datos del modelo son binarios. Por ahora, no es necesario indicar la medida de distancia pero si es importante indicar que 1 significa que si hubo narracin (presente) y 0 es no hubo narracin (ausente) De igual manera se pueden escalar tanto variables como casos, en este caso, recordemos que cada variable es un cdigo y por lo tanto, se escalaran variables. 19

Modeling 2: Configuracin del procedimiento (dimensionalidad).

Objetivo: El procedimiento seleccionado, debe tener un buen ajuste a la realidad del consumidor (bondad de ajuste) para ello es necesario modelar la cantidad de dimensiones que el consumidor utiliza para responder la pregunta abierta.

Modeling 2: Dimensionalidad.
Las respuestas que estn dando los consumidores a la pregunta abierta, esta en N-1000 dimensiones, para comprender esa respuesta, es necesario escalarla, la pregunta ahora es a cuantas dimensiones se debe escalar la respuesta? La respuesta se busca inicialmente en la opcin modelo donde se pide mostrar de 2 a 5 dimensiones Posteriormente, en la opcin grficos se marca la opcin Stress.

21

Modeling 2: Dimensionalidad.
El producto de seleccionar de 2 a 5 dimensiones y de solicitar el grafico de Stress, es obtener el diagrama de sedimentacin. Este diagrama muestra la variacin del estadstico Stress dependiendo de la cantidad de dimensiones que se incluyan en el modelo. Lgicamente en cuantas mas dimensiones tenga el modelo, el estadstico Stress ser mejor porque es mas parecido a la realidad, pero en trminos conceptuales, comprender 5 dimensiones puede ser complicado y en trminos de mercadeo tctico y estratgico puede no ser tan til.

Por ello, se elige el numero de dimensiones hasta donde el estadstico Stress decrezca mas abruptamente. Esto ocurre entre 2 y 3 dimensiones, parece ser razonable que el modelo explique la opinin del consumidor a la pregunta Por qu razn acepto consumir el producto cuando se lo ofrecieron? desde 3 dimensiones.

22

Modeling 4: Bondad de ajuste (medida de similaridad)

Objetivo: Elegir la estrategia matemtica para medir la similaridad entre las respuestas que el consumidor da a la pregunta abierta .

Teniendo en cuenta que ya sabemos que el modelo nos permite explicar la opinin del consumidor en 3 dimensiones, ahora es necesario modelar la mejor forma de tratar los datos binarios.

Modeling 4: similaridad.

Para esto, se evalan las diferentes alternativas para medir la distancia entre cada cdigo. Se elije la configuracin que permita obtener los menores niveles de Stress y los mayores niveles de dispersin explicada y de congruencia.

El Stress es un indicador que informa sobre lo mal ajustado del modelo, siempre buscamos obtener el menor Stress posible para asegurar que el modelo este bien ajustado a la realidad. 24

La tcnica de diferencia de configuracin, es la que arroja mejores indicadores de bondad de ajuste, razn por la cual nuestro modelo de 3 dimensiones para explicar la opinin del consumidor a la pregunta abierta, se construir con esta estrategia. La dispersin explicada es una medida de que tal bien ajustado esta el modelo, esperamos tener el mayor nivel posible.

Diferencia de tamao.

Lance y Williams.

Varianza.

Distancia eucldea al cuadrado.

Diferencia de configuracin.

Distancia euclidea

La congruencia indica que tal ajustado a la realidad es el modelo, esperamos tener los mayores niveles posibles 25

Modeling 5: Escalamiento
Objetivo: Los datos son cualitativos, para escalarlos, debemos volverlos cuantitativos, es necesario detectar la mejor forma de transformar los datos cualitativos en cuantitativos.

Modeling 5: Escalamiento.
El escalamiento multidimensional, es una tcnica que se construye sobre escalamiento optimo, es decir, a los datos cualitativos, se les asigna un patrn numrico para poder cuantificarlos y de esta forma analizarlos en profundidad. Ya sabemos que nuestro modelo tendr 3 dimensiones, ser construido mediante la tcnica de diferencia de configuracin pero ahora Qu escala numrica debemos asignarle?

La tarea ahora es probar diferentes escalas numricas, de razn, intervalo, ordinal sin empate, ordinal con empate y lineal sp. Se sabe que un modelo esta bien escalado si los datos se ajustan a una lnea recta (ya que el objetivo del escalamiento optimo es asemejar los datos a un modelo lineal) entonces la mejor configuracin ser aquella que mejor se ajuste a un patrn de lnea recta. 27

Modeling 5: Escalamiento.
El mejor modelo, es el de razn, por varias motivos: 1. presenta una tendencia lineal, 2, de todos es el que tiende a estar mas empinado (pendiente mas positiva), 3: hay mayor dispersin, eso quiere decir que el error no tiene una causa sistemtica o conocida, a diferencia de los modelos ordinales que si tienen patrones definidos, lo que indica que el error es sistemtico, es decir, que hay causas conocidas de error. Razn. Ordinal empatado

Lineal Sp

Intervalo

Ordinal no empatado

28

Modeling 6: Optimizacin.
Objetivo: Es un ajuste final del modelo. Es detectar la mejor configuracin, la que sea mas ajustada a la realidad y la que rena todos los elementos anteriormente vistos.

Modeling 6: Optimizacin.
Por ultimo, es necesario mirar la configuracin inicial del modelo, es decir, observar la mejor forma de optimizar el nivel de Stress y generar el mejor ajuste posible de los datos. Para ello se cuenta con 4 mtodos, la tarea es probarlos para observar cual es el que mejor optimiza el nivel de Stress es decir, el mejor modelo ser aquel que provoque el menor Stress posible de los datos.

30

Sin lugar a duda la metodologa que mejor optimiza el nivel de Stress del modelo es la de Togueson.

En este momento, ya se tiene entonces todos los elementos para construir el modelo con las siguientes caractersticas.
1. 2. 3. 4. 3 dimensiones para explicar la opinin del consumidor. Mtodo de medicin: Diferencia de configuracin Mtodo escalamiento: Razn. Mtodo de optimizacin: Togueson.

TOGUESON

SIMPLEX

ALEATORIO NICO

ALEATORIO MLTIPLES

31

Modeling 7: Verificacin.
Objetivo: Observar el ajuste final del modelo y verificar que tenga coherencia con la realidad, que sea simple de entender, que no contenga contradicciones y que sea matemtica y estadsticamente confiable.

Modeling 7: Verificacin.

El modelo final es congruente con la realidad en un 98% y explica satisfactoriamente la variabilidad de los datos en un 97%

La tabla de descomposicin del Stress, intenta ver cual es el cdigo que no logra entrar en el modelo, los mayores puntajes serian los cdigos mejor ajustados, aun as, todos son muy inferiores a 1 lo que indica que todos los elementos estn bien representados en el modelo. 33

Modeling 7: Verificacin.

Ahora es importante conocer las dimensiones del modelo, es decir, conocer las dimensiones que hacen que el consumidor sea sensible al advocacy. El consumidor bsicamente tiene 3 elementos en mente a la hora de aceptar o no la sugerencia a consumir el producto:

Esta respuesta es buena a nivel de marketing estratgico, pero tcticamente que puede hacerse?

Dimensin 1 Desempeo del producto (eje X)

Dimensin 2 Sensibilidad del consumidor a la recomendacin (eje y)

Dimensin 3 Disposicin a probar el producto. (eje z) 34

Presentacin.
Objetivo: Graficar de forma atractiva la solucin, de forma que el cliente comprenda grafica y narrativamente las conclusiones que le estamos vendiendo.

Paso 1: El ilustrativo.
Dispone a comprar el producto. Dimensin 1: Sensibiliza al consumidor.

Reales razones por las cuales el consumidor es sensible al advocacy. No asociado al desempeo del producto Razones secundarias, es decir, que no hacen sensible al consumidor al advocacy. Asociado al desempeo del producto

Dimensin 1: No Sensibiliza al consumidor.

36

Paso 2: El Terminado.
Dispone a comprar el producto. Dimensin 1: Sensibiliza al consumidor.
Mis amigos aceptaron consumirla El mesero fue convincente

Ya habia oido de la marca El sitio tenia publicidad de la marca

Tenia animo para probarla

Me dio curiosidad probarla

No asociado al desempeo del producto

La publicidad de la marca es convincente

Es una marca premium La marca tiene un buen sabor

Asociado al desempeo del producto

Ya iba decidido a consumirla Con seguridad es una buena marca La presentacion de la marca ayuda Queria probarla

Ya habia escuchado buenos comentarios de la marca

Es una marca con estilo Italiano

Dimensin 1: No Sensibiliza al consumidor.

37

Paso 3: Explicativo 1.
Dispone a comprar el producto. Dimensin 1: Sensibiliza al consumidor.
Mis amigos aceptaron consumirla El mesero fue convincente

Conclusiones a nivel de mercadeo estratgico:

Ya habia oido de la marca

Hay tres elementos que hacen sensible al consumidor al advocacy. 1: La sensibilidad del consumidor a la recomendacin; 2: El recuerdo que el consumidor tenga del desempeo del producto y 3: La disposicin que el consumidor tenga hacia la compra.
Tenia animo para probarla

El sitio tenia publicidad de la marca

Me dio curiosidad probarla

Recomendacin: de los tres elementos, lo nico Es una marca premium queasociado se puede al controlar es el desempeo del No desempeo producto as que a nivel de comunicacin y delpublicitaria producto es necesario trasmitir activacin La marca tiene un buen La publicidad de la asociados marca atributos de producto a Premium, sabor, sabor es convincente calidad, confianza y desempeo. Conclusiones a nivel de mercadeo Tctico:
Ya iba decidido a consumirla

Asociado al desempeo del producto

Ya habia escuchado buenos comentarios de la Es importante que el mesero desarrolle y se apropie marca de un ritual Con seguridad es una de igual forma, la especial para presentar el producto, buena marca notoriedad de la publicidad en la mesa y en general en el sitio

La presentacion de la marca ayuda

Queria probarla posibilidad

de compra facilita que el consumidor se involucre con la de consumir. Es una marca con estilo
Italiano

Es necesario activar la curiosidad del consumidor ante el producto, as que un voz a voz que hable sobre desempeo de producto ser positivo. Dimensin 1: No Sensibiliza al consumidor.

38

Paso 3: Explicativo 2.
Dimensin 1: Sensibiliza al consumidor.
Mis amigos aceptaron consumirla El mesero fue

Dispone a comprar el producto.

convincente Conclusiones a nivel de mercadeo estratgico:

Ya habia oido de la marca

Tenia para Conclusiones a nivel de animo mercadeo estratgico: probarla

Los comentarios que el consumidor haya escuchado antes sobre el desempeo del producto El sitio tenia publicidad no son lo suficientemente de sensibilizadores al la marca advocacy, por lo que es bueno, que el ritual desplegado por el mesero, contemple la posibilidad de una prueba discreta del producto a mujeres, la Me dio curiosidad mujer lo compartir con su acompaante y de esa probarla forma se puede despertar la curiosidad por probar mas la cerveza.
Es una marca premium La marca tiene un buen sabor

No asociado alde desempeo La proveniencia la marca, y la percepcin de buena calidad por si misma no es un elemento que del producto haga al La consumidor sensible publicidad de la marca a advocacy.
es convincente

El tema de italiano es un diferencial no un activador, debe ir siempre acompaado de otros drivers de comunicacin que suplan las necesidades del consumidor a la hora de consumir cerveza.
La presentacion de la marca ayuda Queria probarla

Asociado al desempeo del producto

Ya habia escuchado buenos comentarios de la Con seguridad es una marca buena marca Ya iba decidido a consumirla Es una marca con estilo Italiano

Dimensin 1: No Sensibiliza al consumidor.

39

Paso 3: Explicativo 3.
Dimensin 1: Sensibiliza al consumidor.
Mis amigos aceptaron consumirla El mesero fue convincente

Dispone a comprar el producto.

Conclusiones a nivel de mercadeo Tctico:

Ya habia oido de la marca

La publicidad de la marca en general, ayuda a El sitio tenia publicidad posicionar atributos relevantes y a activar la marca de la marca en la mente del consumidor.
La publicidad hace que la marca entre en consideracin, pero no hace que el consumidor sea Me dio curiosidad sensible a advocacy.

Tenia animo para probarla

La activacin publicitaria que resalta y hace efectivo el advocacy es aquella que esta en el sitio de consumo.
Es una marca premium La marca tiene un buen sabor

probarla

No asociado al desempeo del producto

La publicidad de la marca es convincente

Asociado al desempeo del producto

Ya habia escuchado buenos comentarios de la marca

Con seguridad es una buena marca Ya iba decidido a consumirla La presentacion de la marca ayuda Queria probarla

Es una marca con estilo Italiano

Dimensin 1: No Sensibiliza al consumidor.

40

Paso 3: Explicativo 3.
Dimensin 1: Sensibiliza al consumidor.
Mis amigos aceptaron consumirla El mesero fue convincente

Dispone a comprar el producto.

Ya habia oido de la marca

Conclusiones a nivel de mercadeo Tctico: El ritual de consumo no debe ser siempre el mismo, el animo que el consumidor tiene para consumir el producto es variable a lo largo de la semana y en lo diferentes sitios.Me dio curiosidad
El sitio tenia publicidad de la marca

Tenia animo para probarla

probarla

No asociado al desempeo del producto Conclusiones a nivel de mercadeo Tctico:

La publicidad de la marca es convincente

El ritual debe ser verstil para activar curiosidad de prueba. Es una marca premium
La marca tiene un buen Debe sabor variar, el ritual

Asociado al no puede ser igual un lunes desempeo del en un restaurante que un lunes en un bar. producto
Con seguridad es una buena marca Ya habia escuchado buenos comentarios de la marca

Facilitar actividades durante el ritual de consumo que active la participacin de amigos y la prueba de producto simultneamente puede ser conveniente para la activacin y sensibilizacin del consumidor hacia el advocacy.
La presentacion de la marca ayuda

Ya iba decidido a consumirla Es una marca con estilo Italiano

Queria probarla

Actividades musicales, la Marca invita una ronda etc.

Dimensin 1: No Sensibiliza al consumidor.

41

Conclusiones.
Las preguntas abiertas, tienen por si mismas, amplias riquezas conceptuales y estratgicas, explotarlas para extraer la mayor cantidad de informacin posible es el reto del investigador. El escalamiento multidimensional es una herramienta que naci en la psicologa matemtica y se perfeccion en la estadstica con el objetivo de comprender las estructuras mentales de las personas. Su aplicacin en el terreno de mercadeo es reciente por lo que cualquiera de sus soluciones sern siempre innovadoras. SPSS es una herramienta verstil a la que todos los analistas de mercado debe tener acceso para desarrollar habilidades de modelamiento.

42