¿Qué es un análisis conjunto? Tipos de análisis conjunto y cuándo utilizarlos
Análisis conjunto adaptativo
El análisis conjunto adaptativo varía los conjuntos de elección presentados a los encuestados en función de sus preferencias. Esta adaptación se dirige a la característica y los niveles más preferidos del encuestado, lo que hace que el ejercicio conjunto sea más eficiente, sin desperdiciar preguntas en niveles con poco o ningún atractivo. Cada paquete mostrado es más competitivo y producirá datos más «inteligentes».
El análisis conjunto adaptativo suele ser más atractivo para el encuestado y, por tanto, puede producir datos más relevantes. Reduce la longitud de la encuesta sin disminuir la potencia de las métricas o simulaciones del análisis conjunto. Existen múltiples formas de adaptar los escenarios conjuntos al encuestado. Lo más habitual es que el diseño se base en los niveles de características más importantes. A medida que se presenta cada paquete para su evaluación, la encuesta tiene en cuenta la elección y hace que la siguiente pregunta sea más eficiente. Se puede utilizar una combinación de métodos de evaluación del perfil completo y de las características, que se denomina análisis conjunto híbrido.
Análisis conjunto basado en la elección
El análisis conjunto basado en la elección (CBC) (también conocido como análisis conjunto de elección discreta) es la forma más común de análisis conjunto. El análisis conjunto basado en la elección requiere que el encuestado elija su concepto de perfil completo más preferido. Esta elección se realiza repetidamente entre conjuntos de 3 a 5 conceptos de perfil completo.
Esta actividad de elección está pensada para simular una situación de compra real, imitando así el comportamiento de compra real. La importancia y la preferencia por las características y los niveles de los atributos pueden deducirse matemáticamente de las compensaciones realizadas al seleccionar una (o ninguna) de las opciones disponibles. Los diseños conjuntos basados en la elección dependen del número de características y niveles. A menudo, ese número es grande y se implementa un diseño experimental para evitar la fatiga del encuestado. Qualtrics proporciona una gran flexibilidad en la utilización de diseños experimentales dentro de la encuesta conjunta.
El resultado de un análisis conjunto basado en la elección proporciona excelentes estimaciones de la importancia de las características, especialmente en lo que respecta al precio. Los resultados pueden estimar el valor de cada nivel y las combinaciones que conforman los productos óptimos. Los simuladores informan de la preferencia y el valor de un paquete seleccionado y de la cuota de elección esperada (sustituto de la cuota de mercado).
Análisis conjunto autoexplicado
El análisis conjunto autoexplicado ofrece un enfoque sencillo pero sorprendentemente robusto que es fácil de aplicar y no requiere el desarrollo de conceptos de perfil completo. El análisis conjunto autoexplicado es un enfoque híbrido que se centra en la evaluación de varios atributos de un producto. Este modelo de análisis conjunto pregunta explícitamente sobre la preferencia por cada nivel de característica en lugar de la preferencia por un conjunto de características.
Aunque el enfoque es diferente, el resultado sigue siendo el mismo en el sentido de que produce estimaciones de alta calidad de las utilidades de preferencia.
- Primero, como en el caso de ACA, los factores y los niveles se presentan a los encuestados para que los eliminen si no son aceptables en los productos bajo ninguna condición
- Para cada característica, el encuestado selecciona los niveles que más y menos prefiere
- A continuación, los niveles restantes de cada característica se califican en relación con los niveles más preferidos y menos preferidos
- Por último, medimos la importancia de la característica global en su preferencia. La importancia relativa del nivel más preferido de cada atributo se mide utilizando una escala de suma constante (asignar 100 puntos entre los niveles más deseables de cada atributo).
- Las puntuaciones de deseabilidad de los niveles de atributos se ponderan entonces por la importancia de los atributos para proporcionar valores de utilidad para cada nivel de atributos.
El análisis conjunto autoaplicado no requiere el análisis estadístico ni la lógica heurística requerida en muchos otros enfoques conjuntos. Se ha demostrado que este enfoque proporciona resultados iguales o superiores a los enfoques de perfil completo, y exige menos al encuestado. El análisis conjunto autoexplicado tiene algunas limitaciones, como la imposibilidad de compensar el precio con otros conjuntos de atributos. En esta situación, el encuestado siempre prefiere el precio más bajo, y otros modelos de análisis conjunto son más apropiados.
Análisis conjunto Max-Diff
El análisis conjunto Max-Diff presenta un surtido de paquetes para ser seleccionados bajo los escenarios mejor/más preferido y peor/menos preferido. Los encuestados pueden indicar rápidamente los mejores y peores elementos de una lista, pero a menudo les cuesta descifrar sus sentimientos por el «término medio». El Max-Diff suele ser una tarea más fácil de llevar a cabo porque los consumidores están bien entrenados para hacer juicios comparativos.
El análisis conjunto Max-Diff es una metodología ideal cuando la tarea de decisión es evaluar la elección de un producto. Se emplea un diseño experimental para equilibrar y representar adecuadamente los conjuntos de artículos. Hay varios enfoques que se pueden adoptar con el análisis de los estudios Max-Diff, entre ellos: Modelización conjunta jerárquica de Bayes para derivar estimaciones de puntuación de utilidad, análisis de recuento del mejor/peor y análisis TURF.
Análisis jerárquico de Bayes (HB)
El análisis jerárquico de Bayes (HB) se utiliza de forma similar para estimar utilidades a nivel de atributos a partir de datos de elección. El HB es especialmente útil en situaciones en las que la tarea de recogida de datos es tan grande que el encuestado no puede proporcionar razonablemente evaluaciones de preferencia para todos los niveles de atributos. Como parte del procedimiento para estimar las utilidades a nivel de atributos para cada individuo, el Bayes jerárquico centra la medición individual del encuestado en los atributos altamente variables y utiliza los promedios a nivel de atributos de la muestra cuando la variabilidad a nivel de atributos es menor. Este enfoque también permite estimar más atributos y niveles con menores cantidades de datos recogidos de cada encuestado individual.
El análisis conjunto es una técnica de análisis muy eficaz
La metodología del análisis conjunto ha resistido un intenso escrutinio por parte de académicos e investigadores profesionales durante más de 30 años. Se utiliza ampliamente en los sectores de productos de consumo, bienes duraderos, productos farmacéuticos, transporte y servicios, y debería ser un elemento básico en su caja de herramientas de investigación. Para saber más sobre el análisis conjunto, consulte nuestro libro electrónico.