Descargar la presentación
La descarga está en progreso. Por favor, espere
Publicada porAna Grajeda Modificado hace 11 años
1
CREATING BRAND VALUE Playa Pie de la Cuesta 410, Col. Reforma Iztaccihuatl, CP 08840, Delegación Iztacalco. Tels /
2
Definición de mapa perceptual
Se dice análisis multidimensional cuando se habla de un mapa perceptual; sin embargo, en realidad un mapa involucra muchos métodos más que este tipo de análisis. Haciendo a un lado la costumbre, en lo sucesivo nos referiremos a mapa perceptual en vez de análisis multidimensional. Definimos mapa perceptual como: Presentación gráfica de las percepciones que tienen los consumidores de las relaciones entre objetos y/o atributos en un espacio de dos dimensiones o más con el objeto de conocer las estructuras escondidas en los datos.
3
Posicionamiento de marcas de ropa interior para hombres (Base = 200)
1 Para jóvenes 2 Marca que te hace sentir bien 3 Mejor ropa interior sexy 4 Marca de mamá/papá 5 Para uso diario 6 Ropa sport/deportiva 7 Para gente conservadora 8 Es de calidad 9 Es de prestigio 10 Fácil encontrarla en tiendas 11 Mejores diseños 12 Variedad de tallas 13 Vale lo que cuesta 14 Ayuda a verte bien 15 Mejor ropa para dama/caballero 16 Marca para gente importante 17 Tiene mejor publicidad 18 Hace sentir cómodo(a) 19 Son para mí 20 Variedad de estilos 21 Es marca importada 22 Ropa de moda
4
Los mapas perceptuales son una herramienta básica de la mercadotecnia porque responden varias interrogantes. ¿Quiénes son nuestros competidores? ¿Cuál es nuestra posición en el mercado? ¿Cómo posicionar o reposicionar nuestra marca? ¿A qué segmento o grupo debemos dirigir nuestros esfuerzos? ¿Cuáles son nuestras debilidades y fortalezas? ¿Estamos creando la imagen que deseamos? ¿Qué atributos son los más importantes, tienen mayor preferencia o disparan la compra? ¿Existe algún nicho que podamos explotar o espacio para un nuevo producto?
5
Hay una gran cantidad de mapas perceptuales; no obstante, se pueden clasificar en dos grandes grupos: los que emplean atributos en su elaboración o usan la técnica de composición y los que no tienen atributos o también llamados de descomposición. Factorial Discriminante Correspondencias Biplot Compuesto con preferencia Similitud Preferencia * Un caso especial de composición es el DQA y análisis de desempeño. Con atributos (de composición)* Sin atributos (de descomposición) Mapas perceptuales Análisis multidimensional
6
De la misma forma que hay gran variedad de mapas también hay métodos matemático-estadísticos para elaborarlos. Por ejemplo, análisis factorial, discriminante, chi cuadrada, escalamiento multidimensional, análisis de varianza, etc. Aquí se describe cada uno de los mapas más populares y su técnica. Asimismo, se ilustra con un ejemplo práctico dos de los más elegantes y poderosos mapas; considerados así por su alcance estratégico dentro de la mercadotecnia. Estos son el discriminante compuesto (CPM) y discriminante de cuadrantes (DQA).
7
Análisis factorial
8
Análisis factorial. Sirve para reducir un número grande de variables, a menudo correlacionadas, a un conjunto menor de factores o dimensiones que pueden estar o no correlacionadas. Los factores resultantes son conceptos que no pueden ser medidos directamente como: amor, inteligencia, nivel socioeconómico, altruismo, etc. Utiliza datos de intervalo (escalas) o razón. Las preguntas clásicas son baterías de atributos, generalmente de imagen, evaluados sobre una escala de importancias, de acuerdo o descuerdo, likert, etc. También se evalúan los objetos sobre cada uno de esos atributos.
9
Para construir el mapa, los datos de imagen se someten a un análisis factorial con el fin de encontrar las principales dimensiones y las coordenadas de cada atributo. Para ubicar cada objeto (léase marca) dentro del mapa se utilizan sus evaluaciones y se calculan sus puntajes en cada factor. Este mapa fue muy popular en los 70’s. Hoy a caído en desuso, debido a su poca capacidad para representar los datos en un número reducido de dimensiones. La técnica para recabar los datos es muy similar a la usada para un DQA, pero se interpreta y ve gráficamente como un CPM.
10
Análisis de correspondencias
11
Análisis de correspondencias
Mapa que relaciona columnas y renglones de una tabla de contingencias haciendo evidentes las asociaciones existentes entre ambas. Requiere datos nominales: porcentajes o frecuencias. Se deriva del análisis cruzado y la chi cuadrada. El valor chi cuadrado se transforma en una medida de similitud. Los valores negativos indican menor similitud y los positivos mayor semejanza.
12
Ejemplo: En la siguiente tabla se analiza la relación entre tres marcas de cigarros y algunos de sus problemas de calidad. Nota. Se llama frecuencias marginales a la suma de las celdas en cada columna o renglón.
13
El valor esperado para cada celda se calcula de la siguiente manera:
Para calcular el valor chi cuadrado es necesario obtener primero el valor esperado y la diferencia entre éste y el valor observado. El valor esperado para cada celda se calcula de la siguiente manera: Valor esperado = (Total de fila X Total de la columna) ÷ Total general. Ejemplo, para la Marca A y consumo disparejo del cigarro el valor esperado es (80 X 95) ÷ 330 = 23.03 La diferencia entre el valor esperado y observado se calcula: Diferencia = Valor esperado – Valor observado. La diferencia es – 35 = – Nota. El valor observado es el número de sujetos que contestaron en la encuesta que el defecto se asociaba con la marca del cigarro.
14
La chi cuadrada se obtiene con la siguiente fórmula:
Chi cuadrado = (Diferencia)² ÷ Valor esperado. La Chi cuadrada es (-12)² ÷ 23 = 6.26 Para convertir este valor chi cuadrado en una medida de similitud sólo hay que asignarle un signo opuesto al obtenido en la diferencia del valor esperado y observado (-12) o sea el valor final es Si calculamos el valor para las marcas B y C con respecto al mismo atributo se tiene: Chi cuadrado de Marca B y consumo disparejo del cigarro = Chi cuadrado de Marca C y consumo disparejo del cigarro =
15
Los valores resultantes muestran que hay una relación más estrecha de la marca A con consumo disparejo del cigarro que con las marcas B y C. Estos patrones son fácilmente identificables en el mapa de correspondencias. La leyenda que aparece debajo del mapa es una medida de ajuste e indica que tan confiable es el mapa. Un 100% de ajuste indica que las relaciones están perfectamente representadas por el mapa.
16
Interpretación. Software. Los puntos cercanos están más relacionados.
Los ejes no representen ningún concepto formado por los atributos agrupados en ellos. La interpretación del mapa se hace en términos muy intuitivos: entre más cercana está una marca de un atributo mayor relación hay entre ellos. Software. Anacor y Homals de SPSS, CA de BMDP, Corran y Corresp de PC-MDS, MAPWISE de Market Action Research Software, y muchos más. Recomendamos Brandmap de WRC Research Systems, Inc.
17
Biplot
18
Análisis biplot Se llama biplot por su capacidad para representar los datos en un gráfico de dos dimensiones. Utiliza datos de intervalo o razón de forma agregada en promedios. Las preguntas básicas son una batería de atributos sobre los que se evalúan cada uno de los objetos. La escala empleada para esta evaluación puede ser, likert, diferencial semántico, u otra. Es posible agregar el promedio de preferencia de cada producto como un atributo más para conocer los atributos que están generando dicha predilección.
19
Ejemplo Se evaluaron siete hospitales sobre quince atributos empleando una escala de “Total acuerdo” a “Total desacuerdo”, los promedios obtenidos para cada hospital son el insumo para el biplot. Escala donde 1 es Pésimo y 5 Excelente
20
Biplot Escala donde 1 es Pésimo y 5 Excelente
21
Interpretación. Una marca se relaciona más con un atributo si apunta en la misma dirección que éste. El grado de asociación se halla dibujando una perpendicular de la marca al vector-atributo. El largo del vector-atributo indica el poder de discriminación que tiene entre las marcas. Entre más largo es un vector-atributo más poder de discriminación tiene entre las marcas. Las marcas que aparecen cercanas son similares en la mayoría de los atributos. Las que aparecen separadas son más diferentes.
22
El ángulo que forman los vectores-atributos indica el grado de asociación. Un ángulo igual a 90 grados indica que los atributos no se asocian, entre menor sea el ángulo hay una asociación más positiva mientras que a un mayor ángulo las correlaciones son más negativas. El centro del mapa donde se intersectan los ejes y los vectores representa el promedio general de cada atributo y es el punto a partir del cual las marcas se dispersan o se diferencian. Software GGEbiplot software, SC-biplot, SAS/JMP, y otros más. Recomendamos Brandmap de WRC Research Systems, Inc.
23
Análisis de escalamiento multidimensional
24
Análisis de escalamiento multidimensional
Conjunto de técnicas matemáticas que permiten al investigador descubrir estructuras escondidas en bases de datos mediante la localización de objetos en una configuración espacial multidimensional. Puede utilizar datos métricos o no métricos. Datos métricos: se pide al sujeto que evalúe en una escala de similitud o preferencia cada par de objetos. El número total de estímulos que se presentan al entrevistado se obtiene por la fórmula (n x (n - 1)) ÷ 2; donde n representa el número total de objetos de forma tal que si hay 10 objetos se le pedirá a cada sujeto que califique 45 pares de acuerdo a su similitud o preferencia.
25
Datos no métricos: se pide al sujeto que ordene todos los pares de objetos desde el más parecido al menos similar; también se pueden presentar los objetos individualmente para que se clasifiquen en grupos según su similitud, el entrevistado puede crear tantos grupos como juzgue necesario o se pide que los clasifique del más preferido al menos preferido. Con los datos obtenidos, se construye una matriz agregada o por cada sujeto. Se analiza la matriz para deducir las distancias entre objetos a través de diferentes métodos.
26
Ejemplo (tomado de Aaker y Day (1989)).
Se presentaron 55 estímulos a un sujeto y se le pidió que los ordenara por pares, desde los más parecidos hasta los menos semejantes, según sus propios juicios de similitud. Los datos resultantes se presentan en una matriz de datos agregados.
27
El mapa índica la semejanza entre Lincoln e Imperial la cual puede ser el lujo o entre el Mustang y Javelin autos más deportivos, en tanto que el Thunderbird y Cougar quedan entre el lujosos y deportivos. Derived Stimulus Configuration Euclidean distance model Dimensión 1 3 2 1 -1 -2 -3 Dimensión 2 1.5 1.0 .5 0.0 -.5 -1.0 Chevrolet Corvair Buick Le Sabre V8 Plymouth Barracuda V8 AMC Javelin V8 Jaguar Sedan Chrysler Imperial V8 Ford Falcon 6 Ford Thunderbird V8 Lincoln Continental V8 Mercoury Cougar V8 Ford Mustang 6
28
Interpretación. Software.
Habrá que tener cuidado al interpretar el mapa ya que pueden surgir dimensiones diferentes dependiendo en si la medida usada fue de similitud o preferencia. En el primer caso objetos cercanos entre sí son similares y comparten determinadas características mientras que en el segundo caso pueden o no compartirlas y aparecer juntas en un mapa debido a que son preferidas de igual manera. Software. Alscal de SPSS, MDPREF, KYST, PREFMAP, INDSCAL, PROFIT de PC-MDS y muchos más. Francamente no sabemos cual recomendar.
29
Mapa de producto compuesto (CPM)
30
Composite Product Mapping (CPM)
Se llama CPM porque combina, en un mapa, las percepciones y preferencia de los consumidores por los productos. Utiliza datos de intervalo o razón. A menudo, se usan datos nominales para su elaboración (no lo recomendamos). Las preguntas básicas son una batería de atributos sobre los cuales se evalúa cada objeto (producto). La escala utilizada puede ser likert, diferencial semántico, o cualquier otra. Es necesario conocer la preferencia del sujeto para cada producto; también se puede usar la intención de compra o análisis de conjunto en lugar de la preferencia.
31
(Know how) Ideas claves del diseño.
32
En el mercado de pastillas de dulce se evalúa la imagen de siete diferentes marcas sobre una batería de siete atributos.
33
Se pide al entrevistado que indique su preferencia por cada pastilla de dulce. En este caso se hacen veintiún comparaciones apareadas ya que son siete marcas.
34
Los datos recabados deben tener un formato especial para ser procesados por el CPM.
35
Arreglo de una base de datos utilizando SPSS. Del archivo “pastillas
Arreglo de una base de datos utilizando SPSS. Del archivo “pastillas.sav” se genera una base de datos ascii con el formato requerido por CPM FORMAT PAR (F3.0). FORMAT CERTS1 TO CANEL7 PRODU1 TO PRODU7 (F2.0). FORMAT PRE1Y2 TO PRE6Y7 (F4.0). WRITE OUTFILE = 'C:\CPM\PASTILLA.DAT' RECORDS = 1 TABLE /1 FOLIO 1-4 CERTS1 TO CANEL PAR PRODU1 PRODU PRE1Y PRODU1 PRODU PRE1Y PRODU1 PRODU PRE1Y PRODU1 PRODU PRE1Y PRODU1 PRODU PRE1Y PRODU1 PRODU PRE1Y PRODU2 PRODU PRE2Y PRODU2 PRODU PRE2Y PRODU2 PRODU PRE2Y PRODU2 PRODU PRE2Y PRODU2 PRODU PRE2Y PRODU3 PRODU PRE3Y PRODU3 PRODU PRE3Y PRODU3 PRODU PRE3Y PRODU3 PRODU PRE3Y PRODU4 PRODU PRE4Y PRODU4 PRODU PRE4Y PRODU4 PRODU PRE4Y PRODU5 PRODU PRE5Y PRODU5 PRODU PRE5Y PRODU6 PRODU PRE6Y EXECUTE.
36
“pastilla.pro” “pastilla.att”
CPM requiere dos archivos más aparte del de datos. Utilizando cualquier editor de texto se generan los archivos de etiquetas; uno con extensión “.pro” para los productos y el otro con “.att” para los atributos, ambos archivos deben comenzar con el número que indica la cantidad de productos y atributos evaluados. “pastilla.pro” “pastilla.att” 7 Certs Clorets Deemint Halls Usher Douglas Canels 7 Sabor agradable Forma que me gusta Variedad de sabores Marca de prestigio Sabor natural Publicidad que convence Marca de calidad
37
CPM SYSTEM FOR COMPOSITE PRODUCT MAPPING
Desde el sistema operativo nos cambiamos al subdirectorio CPM y ejecutamos el programa tecleando “cpm” y apretamos la tecla enter hasta que aparece la siguiente pantalla. Seleccionamos el “1” para crear un estudio nuevo. CPM SYSTEM FOR COMPOSITE PRODUCT MAPPING MAIN MENU Press 1 to Choose Study Name 2 to Link Your File Editor 3 to Prepare Data Files 4 to Make a Map 5 to Rotate or Plot a Map 6 to Examine Output Files F1 for Help ESC to End Program.
38
Escogemos un nombre para nuestro mapa, lo tecleamos en el área sombreada y presionamos enter.
CHOOSE STUDY NAME Type your study name choice: and then press ENTER. Just press ENTER to accept the current name. PASTILLA
39
CPM SYSTEM FOR COMPOSITE PRODUCT MAPPING
El programa nos regresa al menú principal en donde escogemos “3” para preparar nuestro archivo con el formato que requiere CPM. CPM SYSTEM FOR COMPOSITE PRODUCT MAPPING MAIN MENU Press 1 to Choose Study Name 2 to Link Your File Editor 3 to Prepare Data Files 4 to Make a Map 5 to Rotate or Plot a Map 6 to Examine Output Files F1 for Help ESC to End Program.
40
En la siguiente pantalla se selecciona “2” para señalar que es un archivo ascii al que vamos a dar formato y apretamos la tecla enter. Prepare Input File for Composite Product Mapping The CPM System uses data in the studyname.pcp file (with the same format as APM's percep.dat file) to create maps. If you already have a correctly formatted studyname.pcp file, you can skip this step and proceed with mapping. This progam takes data from Ci3 or from ASCII space or tab-delimited files and creates a studyname.pcp file. Do your data come from: Press 1 if Ci3 file 2 if ASCII file(s) F1 for Help ESC for the Main Menu Press 1 or 2, or ESC to end.
41
En el área gris señalamos que nuestro archivo de datos se llama “pastilla.dat” y apretamos enter.
Specifying the Input File for Ratings Data We assume that your ratings data are in a file that contains a record for each respondent. Each record should start with a respondent number, and be followed by ratings for each product on each attribute. The ratings may be in either order:`products-within-attributes' or `attributes-within products.' What is the name of the input file that contains the ratings data? Type the file name, or press ESC to back up. Pastilla.dat
42
Señalamos el número de atributos “7”, productos “7”, “0” para indicar que no hay calificaciones ideales, “1” indica que el orden es cada marca con sus evaluaciones, “1” que la preferencia son comparaciones apareadas y están en el mismo archivo y “0” valor de los datos faltantes. Describing the Ratings Data Please answer several questions about your data file(s): How many attributes are there? (2 to 90) How many products are there? (2 to 90) Are there also explicit ideal ratings? (1 if yes, 0 0 if no) In which order are the ratings? (1 for Attribute-within-product or 2 for Product-within-attribute) Are the preference data in the same file? (1 if the same file or 2 if a different file.) In what form are the preference data? (1 for paired comparisons or 2 for conjoint part worths.) Value to indicate missing data in the ratings ? 0 Press ENTER after each answer. Or press ESC to back up.
43
CPM SYSTEM FOR COMPOSITE PRODUCT MAPPING
Accionamos enter dos veces hasta que el programa nos devuelva al menú principal en donde escogemos “4” para crear el mapa. CPM SYSTEM FOR COMPOSITE PRODUCT MAPPING MAIN MENU Press 1 to Choose Study Name 2 to Link Your File Editor 3 to Prepare Data Files 4 to Make a Map 5 to Rotate or Plot a Map 6 to Examine Output Files F1 for Help ESC to End Program.
44
Tecleamos “2” para crear un mapa compuesto.
MAKING A MAP Press 1 for a Discriminant Map 2 for a Composite Vector Map 3 for a Composite Ideal Point Map 4 to Set Mapping Parameters F1 for Help ESC to return to MAIN MENU
45
CPM SYSTEM FOR COMPOSITE PRODUCT MAPPING
El programa empezará a trabajar y nos pedirá confirmar algunos resultados, daremos enter hasta llegar a la pantalla anterior y después “scape” para llegar al menú principal allí escogemos “5” para ver el mapa resultante. CPM SYSTEM FOR COMPOSITE PRODUCT MAPPING MAIN MENU Press 1 to Choose Study Name 2 to Link Your File Editor 3 to Prepare Data Files 4 to Make a Map 5 to Rotate or Plot a Map 6 to Examine Output Files F1 for Help ESC to End Program.
46
En esta parte seleccionamos el archivo que acabamos de crear “pastilla
En esta parte seleccionamos el archivo que acabamos de crear “pastilla.vec” y confirmamos “Ok”.
47
Antes de desplegar el mapa el programa nos pedirá confirmar los ejes “X” y “Y” a lo que sólo tenemos que apretar enter. Advertencia: este mapa carece de significado ya que fue hecho con datos totalmente falsos.
48
Marcas de ropa femenina (Base = 300)
Ejemplo real de un CPM Marcas de ropa femenina (Base = 300) MARCA 1 MARCA 2 MARCA 4 MARCA 3 MARCA 5 MARCA6 MARCA7 MARCA 8 MARCA 9 1.- SE PUEDE LAVAR EN CASA 2.- ES JUVENIL 3.- SE IDENTIFICA CON SU FORMA DE SER 4.- TIENE VARIEDAD DE DISEÑOS 5.- ES DE MODA 6.- ES DE PRESTIGIO 7.- ES COMODA 8.- ES DE COLORES DISCRETOS 9.- ES DE COLORES MODERNOS 10.- ES DE ESTAMPADOS MODERNOS 11.- ES ROPA ACORDE A SU EDAD 12.- ES CLÁSICA 13.- ES CAUSAL 14.- ES FORMAL / DE VESTIR 15.- ES DURABLE 16.- ES DE CALIDAD 17.- ES ACORDE CON LA TEMPORADA 18.- TIENE BUEN PRECIO 19.- SE ME ADAPTA EL CORTE 20.- ES FACIL DE COMBINAR CON OTRAS PRENDAS 21.- ESTA BIEN TERMINADA 22.- TIENE FORRO 23.- TIENE VARIEDAD DE MODELOS 24.- LE HACE SENTIR SEGURA AL VESTIRLA 25.- ES ROPA DIVERTIDA. 26.- ES ROPA ELEGANTE 27.- ES ROPA DEPORTIVA 28.- ES ATREVIDA 29.- LE HACE VERSE BIEN
49
Interpretación. Software.
Básicamente se interpreta igual que un biplot. La densidad del sombreado indica preferencia, entre más denso es el sombreado hay mayor preferencia por las marcas que caen dentro de esa área, los atributos orientados en la misma (dirección son los que están creando dicha preferencia. Las dimensiones “X” y “Y” se componen por los atributos. Normalmente, los ejes (dimensiones) reciben un nombre con base a los atributos que se orientan en la misma dirección del eje. Software. CPM de Sawtooth Software.
50
Análisis de cuadrantes discriminantes (DQA)
51
Discriminant Quadrant Analysis (DQA)
Se llama DQA porque hace una análisis de las marcas por cuadrantes con diferentes prioridades de atención mercadológica. Se emplea el análisis discriminante usando la intención de compra del producto líder o del cliente como la variable dependiente. Utiliza datos de intervalo o razón. Las preguntas básicas son una batería de atributos donde se evalúa su importancia y la imagen de los objetos (productos). La escala utilizada puede ser likert, diferencial semántico, o cualquier otra. Es necesario conocer la intención de compra de los productos.
52
(Know how) Ideas claves del diseño.
53
Totalmente en desacuerdo
Se desea conocer los atributos más importantes y que discriminan a la compra en el mercado de automóviles. Se evalúa la importancia de ocho atributos que se cree son relevantes para este propósito o se utiliza una escala de importancia que puede ser de cinco, siete u otro número de intervalos. Nada importante Extremadamente importante A continuación se evalúa el desempeño de cada una de las marcas de automóviles. Totalmente en desacuerdo Totalmente de acuerdo
54
Definitivamente me gusta
Se pregunta la intención de compra para cada automóvil (en este caso se preguntó el interés por el automóvil) Definitivamente me gusta Definitivamente no me gusta Los promedios de las importancias y desempeño sirven de coordenadas para el DQA. Las respuestas de interés por el auto del cliente dividen a los entrevistados en dos grupos los que no se interesan 1 a 4 y los que se interesan 5 a 7. Los grupos resultantes se usan como variable dependiente en una prueba t y los puntajes de desempeño del auto se utilizan como variables independientes.
55
Se grafican los F ratios como el valor discriminante.
El eje vertical del mapa se cruza en la mediana de las importancias y el eje horizontal cruza donde los F ratios dejan de ser discriminantes. También, es posible emplear un criterio menos estadístico para determinar el cruce de ambos ejes.
56
Procedemos a graficar nuestro DQA con cualquier graficador, en este caso empleamos Power Point.
Llantas Parrilla Vista frontal Vista lateral Luces delanteras Luces traseras Tamaño Vista trasera III II Discriminación IV I Importancia
57
Discriminant Quadrant Analysis (DQA)
La interpretación se hace por cuadrantes compuestos de dos dimensiones: IMPORTANCIA del atributo y DISCRIMINACIÓN a la compra.
58
Cuadrante I Contiene atributos sumamente importantes pero que no discriminan a la compra. Esta zona representa las características básicas de la categoría. ¿qué tan importante es que un refrigerador enfríe? obviamente es sumamente importante pero no determina la compra. A este cuadrante se le nombra “Precio de entrada” ya que para que el producto o servicio pueda competir dentro de la categoría es lo mínimo que debe ofrecer. Ejemplos: El shampoo que limpia el cabello El reloj que da la hora El banco que cuida el dinero. La pasta dental que previene las caries El pañal que absorbe, etc.
59
Cuadrante II Es la zona de alta prioridad, contiene atributos sumamente importantes y altamente discriminadores a la compra. Esta zona representa ACCIÓN, indica sobre qué características se debe trabajar estratégicamente. También se llama actuar inmediatamente porque manifiesta los atributos, a partir de los cuales, el producto o servicio se puede diferenciar de los demás con la intención de repercutir en la disposición de compra. Es prácticamente el valor USP (Unique Selling Proposition).
60
Cuadrante III Es la zona de prioridad secundaria, contiene atributos aparentemente poco importantes pero altamente discriminadores a la compra. Esta zona representa REFORZAMIENTO ya que indica sobre qué características se debe trabajar para reforzar los atributos extrínsecos del producto o servicio, ejemplo: Publicidad Promociones Empaque, etc.
61
Cuadrante IV Es la zona de baja prioridad, contiene atributos poco importantes y que no son discriminadores a la compra. Esta zona representa DESUBICACIÓN ya que indica las características donde no se debe trabajar o malgastar el dinero.
62
III II I IV DISCRIMINANT QUADRANT ANALYSIS
(EVALUACIÓN DE COMPLEMENTOS ALIMENTICIOS) (BASE =709) III II BUEN SABOR GRAN CANTIDAD DE VITAMINAS AYUDA AL DESARROLLO MENTAL AYUDA AL CRECIMIENTO DE ORIGEN NATURAL FÁCIL DE DISOLVER FÁCIL DE CONSEGUIR AYUDA A GANAR PESO ESTIMULA EL APETITO ECONÓMICO VARIEDAD DE SABORES IV I D i s c r i m i n a c i ó n I m p o r t a n c i a
63
El DQA es una técnica fina que permite:
Detectar los atributos típicos (mínimos a ofrecer) de un producto o servicio. Generar un sistema de prioridades. Detener una sobre-inversión sobre atributos poco importantes o discriminadores de compra. Monitorear atributos que antes eran disparadores de compra y que ahora son básicos; en otras palabras, detecta los cambios dinámicos del mercado. Por ejemplo, hace unos años un shampoo que limpiara el cabello era un precio de entrada (cuadrante I) y que dejara el cabello sedoso y brillante era un detonador a la compra (cuadrante II), sin embargo, con el tiempo, sedoso y brillante dejaron de ser atributos disparadores de compra y se han convertido en básicos (Cuadrante I). Hacer un análisis claro de nuestro producto o servicio vs. la competencia en un solo mapa.
64
Conclusión
65
Conclusión Los datos limitan el tipo de mapa que se puede crear por lo que siempre conviene saber con anticipación que tipo de mapa se necesita: correspondencias, biplot, discriminante, etc. la decisión del mapa se hace con base a los objetivos del estudio. Aún incluso cuando se dispone de varias alternativas los mapas varían en su enfoque y por lo tanto en los resultados que presentan. Ejemplo: un correspondencias y un biplot se pueden derivar del mismo tipo de datos pero la información que obtenemos con cada uno de ellos es diferente.
66
www.surveysite.com www.brain-research.com www.nd.edu
En nuestro caso siempre empleamos un correspondencias cuando hablamos de productos existentes y deseamos identificar el perfil de marca pero corremos un biplot cuando evaluamos productos nuevos y queremos conocer en que atributos se destacan más. Para conocer un poco más podemos buscar en Internet “perceptual mappings” y visitar los sitios:
Presentaciones similares
© 2025 SlidePlayer.es Inc.
All rights reserved.