Download posicionamiento de automóviles monovolúmenes mediante la

POSICIONAMIENTO DE AUTOMÓVILES
MONOVOLÚMENES MEDIANTE LA
MODELIZACIÓN DE RASCH. UNA
APROXIMACIÓN ALTERNATIVA DE ANÁLISIS
CONJUNTO
ISABEL MONTERO MURADAS, JUAN RAMÓN OREJA RODRIGUEZ
[email protected], [email protected]
Universidad de la Laguna
RESUMEN
El posicionamiento competitivo de productos y marcas, en los distintos segmentos de mercados en
que actúan, así como de los factores que lo determina, de acuerdo a las preferencias de los
consumidores, exige el disponer de técnicas analíticas que permitan la obtención de informaciones
que influyan en la formulación de las acciones de marketing estratégico de las empresas.
El objetivo de este trabajo es la determinación de una ordenación jerárquica de vehículos
monovolúmenes en cada segmento de mercado industrial usando las valoraciones de los atributos
de los mismos de acuerdo a la opinión de un cualificado experto del automóvil, que permita
determinar el nivel de influencia de cada atributo en la posición de cada monovolumen.
Se ha utilizado el modelo de Rasch y se consideran las opiniones de un experto en la valoración de
nueve atributos de los monovolúmenes con ocasión de la Feria del Automóvil de Madrid de 2006.
PALABRAS CLAVE
Análisis conjunto, Automóvil, Modelo de Rasch, Posicionamiento
ISABEL MONTERO MURADAS, JUAN RAMÓN OREJA RODRIGUEZ
1. Introducción
El mercado del automóvil, tanto de nuevos productos como de segunda mano está relacionado con un
número ingente de operaciones vinculadas a las transacciones que realizan las marcas de coches,
seguros, operadores administrativos y oficiales. Ante esta situación es necesario disponer de técnicas
analíticas que permitan la obtención de posicionamientos competitivos de productos y marcas, en los
distintos segmentos de mercados en que actúan, así como de los factores que determinan dichos
posicionamientos de acuerdo a las preferencias de los consumidores y/o las peritaciones de los
expertos. Estas informaciones determinan las acciones de marketing estratégico que las empresas
diseñen en referencia a sus segmentos de mercado o al posicionamiento de sus productos y marcas en
dichos segmentos.
Para los distintos operadores es conveniente disponer de una ordenación jerárquica de vehículos que
les permita discriminar en precios las características de los productos sujetos a las transacciones. Estas
ordenaciones están determinadas por la influencia de una serie de atributos de los vehículos que en el
mercado condicionan la disponibilidad de su oferta y demanda. El objetivo de este trabajo es la
determinación de una ordenación jerárquica de vehículos a nivel general y de cada segmento de
mercado usando las valoraciones de los atributos de los mismos de acuerdo a la opinión de un
cualificado experto del automóvil, que permita determinar el nivel de influencia de cada atributo en la
posición de cada automóvil.
Se ha utilizado el método de análisis conjunto multiatributo, aplicado de acuerdo al modelo de Rasch
que permite la satisfacción de los requisitos del análisis multivariante ante la presencia de variabilidad
subjetiva.
Este trabajo se ha planteado en cuatro partes. Una primera se centra en el alcance y contenido del
posicionamiento de productos. La segunda parte destaca el método analítico utilizado, a partir de la
consideración del análisis conjunto tradicional y las aportaciones del modelo de Rasch al mismo. Una
tercera parte considera las opiniones de un experto del automóvil en la valoración de nueve atributos
de los automóviles con ocasión de la Feria del Automóvil de 2006. El análisis de los resultados
obtenido mediante el modelo de Rasch permite considerar la información competitiva derivada del
posicionamiento general de los vehículos, por segmentos y el nivel de influencia de los distintos
atributos. Se finaliza el trabajo elevando las conclusiones más relevantes del estudio, a la vez que se
destaca las líneas de trabajo futuras.
2. Posicionamiento
El posicionamiento es un término que hace referencia al lugar que ocupa un producto o marca en el
mercado e incluso en la mente del consumidor (Ries y Trout, 1998; 2001), este orden de preferencia se
establece respecto a los demás competidores.
Lambin (1995) destacaba que posicionar un producto supone valorarlo por sus características o
atributos diferenciadores en comparación con los productos de la competencia. Esta valoración
diferencial debe tener un significado para el consumidor dado que éste la relaciona con sus decisiones
de compra (Shocker y Shuinivasan, 1974), por lo que es necesario determinar la importancia relativa
de los diferentes atributos de los productos en su posicionamiento (Shocker y Shuinivasan, 1979) ya
que como demostró Alpert (1971) no todos los atributos tienen la misma relevancia en las preferencias
de los consumidores.
En el posicionamiento se pueden destacar dos dimensiones (Sainz de Vicuña, 1999). La dimensión
analítica permite a la empresa determinar qué posición ocupa su oferta en relación con los
competidores, a partir de la información derivada de las percepciones de los consumidores. La
dimensión estratégica se desarrolla en relación con la posición competitiva del producto y las acciones
estratégicas que la empresa emprenda para mantenerla y/o mejorarla de acuerdo a las ventajas
competitivas de que disponga.
Para llevar a cabo un análisis de posicionamiento es necesario identificar las marcas o productos
competidores; seleccionar el método de posicionamiento, que puede estar basado en las percepciones
2
POSICIONAMIENTO DE AUTOMÓVILES MONOVOLÚMENES MEDIANTE LA MODELIZACIÓN DE RASCH…
de similitud, en las preferencias de los consumidores o en ambas a la vez y finalmente utilizar la
técnica más adecuada el método de posicionamiento seleccionado. En este sentido, Wind (1982)
identificó hasta seis tipos de posicionamiento para una marca y Lambin (1995) estableció las
condiciones previas que debe reunir un posicionamiento. Desde la perspectiva estratégica, Vázquez,
Santos y Sanzo (1998) diferencian dos tipos de estrategias básicas: Estrategias de segmentación de
mercado y de posicionamiento.
Realizado el análisis de posicionamiento, la empresa puede diseñar las acciones estratégicas
vinculadas a la posición competitiva establecida en un mercado o segmento de mercado de interés para
su producto, (Frank, Maíz y Wind, 1972). Las estrategias de posicionamiento se desarrollan en un
segmento específico, por lo cual se debe seleccionar cual es el segmento que se quiere alcanzar, lo que
permite destacar los atributos más destacados en el posicionamiento del producto en el mismo. Al
valorar los segmentos de mercado, Kotler (2006) destaca que las empresas deben fijarse en el
atractivo general del segmento, sus objetivos y recursos.
En las estrategias de posicionamiento se pueden distinguir seis tipos de alternativas, según Aaker
(1982), cuyo alcance se indica:
−Posicionamiento por atributo, es la estrategia más frecuentemente usada. No obstante, el utilizar
varios atributos puede ser complicado de llevar a cabo con los métodos tradicionales. En esos
casos los resultados puede ser a menudo confuso y lleva confundir la imagen
−Posicionamiento por precio/calidad. Se utilizan frecuentemente de forma separada. Algunas
marcas ofrecen servicio, características o rendimiento, y sirven un alto precio signo de una alta
calidad al consumidor. Otras marcas hacen énfasis en precio y valor.
−Posicionamiento orientado al usuario. En esta estrategia se relaciona las características que el
producto quiera conseguir en el mercado con el público objetivo.
−Posicionamiento respecto a su aplicación o uso. Esta estrategia relaciona al producto con un
determinado uso o aplicación
−Posicionamiento con respecto a la clase de producto, las opiniones, intereses y actitudes. Se
desarrollan estrategias orientadas hacia un determinado estilo de vida.
−Posicionamiento con respecto a los competidores. Esta estrategia se basa en dos razones de
mercado. La primera se centra en que es más fácil entender algo cuando lo relacionamos con otra
cosa que ya conocemos. La segunda, trata de destacar, no tanto lo que piensan los consumidores
del producto, sino que es bueno o mejor que un competidor determinado.
En este trabajo tiene por objetivo desarrollar un método analítico: el análisis conjunto probabilístico,
ya utilizado por Álvarez y Galera (2001) y Montero y Oreja (2006), que permita el posicionamiento
de una muestra de automóviles en el mercado español del 2006, a partir de la opinión de experto sobre
un conjunto de atributos que marcarían la diferencia de la preferencia de los consumidores respecto a
los vehículos, tanto a nivel general como en cada segmento de mercado.
3. Análisis conjunto probabilístico
Como destaca Oreja (2006), en el contexto de las teorías de la medición conjunta, Luce y Tukey
(1964) proponen la teoría de la medida conjunta aditiva que permite determinar la presencia de
estructuras aditivas a partir de la consideración de las relaciones ordinales presentes en las ciencias
sociales.
El caso más simple de medición conjunta se establece a partir de la consideración de una variable
dependiente P tal que P = f (X,Y), en donde X e Y son dos variables independientes y f es una función
matemática. La aditividad, de acuerdo con Karabatsos (2005) se logra en algunas transformaciones
monótonas de variables dependientes, cuando tales combinaciones de las variables independientes
sean medibles en una escala común de intervalo, siendo necesario que los datos sean consistentes con
una jerarquía (cualitativa) de axiomas de cancelación.
3
ISABEL MONTERO MURADAS, JUAN RAMÓN OREJA RODRIGUEZ
Inmediatamente después del desarrollo de esta teoría surge una aplicación de este tipo de metodología
de medición en el campo de la administración de empresas y, en particular en marketing, el
denominado el análisis conjunto desarrollado por Green y Srinivasa (1978) y Green et al. (1981) de
amplia aplicación actual. El objetivo del análisis conjunto es establecer qué combinación de un
número limitado de atributos es el más preferido por los consumidores, a partir de los cual se
determinaría (Pedret et al, 2003; Valera y Braña, 1996; Picón, Valera y Braña, 2006): El
posicionamiento de productos a partir de la medición de su atractivo en el mercado. El impacto de los
atributos del producto sobre su atractivo. Segmentos de mercado.
Los antecedentes del análisis conjunto se encuentran en el trabajo seminal de Luce y Tukey (1964) que
desarrollaron una axiomática aproximación a la medición fundamental. A partir de esta
axiomatización, según Green et al. (2001) los estudios se centraron en la obtención de datos métricos
ordenados a partir de los datos ordinales de los encuestados ante un conjunto de estímulos diseñados
de forma factorial. Pionero en este sentido sería el trabajo de Kruskal (1965), cuyo algoritmo conjunto
inicial se denominó Manonova.
Los atributos pueden disponer de distintos niveles que reflejan su campo de variación. La
combinación de atributos y niveles determinan el nivel de complejidad del análisis conjunto que
limitan su aplicación. Para poder llevar a cabo los análisis se hace uso de matrices ortogonales y otros
tipos de técnicas estadísticas (análisis factoriales) para reducir el número de estímulos que un
encuestado percibe a una pequeña fracción del total de las combinaciones posibles, que es suficiente
para estimar los efectos de las principales combinaciones atributos-niveles que no estén
correlacionados (Green et al. 2001).
Los modelos de análisis conjuntos utilizados1 son (Green et al. 2001):
Modelo de utilidades parciales (partworth). Se considera que el deseo por un determinado atributo y
estímulo es continuo. El vector del modelo asume que las preferencias del encuestado hacia los
estímulos están ponderadas por la importancia de cada atributo.
Se asume que hay P atributos y J estímulos de acuerdo con el diseño del estudio. Yjp representa la
deseabilidad del atributo p para el estímulo j, se asume inicialmente que Yjp es inherentemente
continua.
El vector del modelo se asume que las preferencias de los encuestados sj para el estímulo j se expresa
como:
p
Sj = ∑ w p y jp
p =1
En donde wp representa la ponderación que los encuestados asigna a cada uno de los atributos P.
Modelo del punto ideal. Se considera que la preferencia sj está inversamente relacionada a d 2j
cuadrado de la distancia ponderada de la localización del deseo Yjp del estimulo j respecto del punto
ideal Xp, en donde d 2j se define como:
p
d 2j = ∑ w p ( y jp − x p ) 2
p =1
En el modelo de utilidades parciales, se asume que:
p
s j = ∑ f p ( y jp )
p =1
Se pueden plantear diferentes procedimientos para el acceso a los datos utilizados en el análisis
conjunto (Green et al. 2001):
1
El alcance de esta teoría se puede apreciar en el trabajo de Green y Rao (1971).
4
POSICIONAMIENTO DE AUTOMÓVILES MONOVOLÚMENES MEDIANTE LA MODELIZACIÓN DE RASCH…
−Técnicas de perfil completo, en donde cada encuestado ve un conjunto completo de tarjetas que
incluye perfiles completos, que habrán de valorar en una escala de probabilidad de compra de 1 a
100.
−Técnicas compuestas, en donde cada encuestado fija el atractivo de cada conjunto de niveles de
los atributos en una escala de 0 a 100, para posteriormente establecer el nivel que alcanzan los
atributos en una escala de importancia (Esta aproximación se denomina colección de datos con
preferencias auto-explicadas).
−Técnicas híbridas, en donde cada encuestado realiza una evaluación auto-explicada y evalúa un
subconjunto de las tarjetas de perfil completo. La función de utilidad resultante es una composición
de los datos obtenidos por ambas actividades combinadas. En los análisis conjuntos adaptativos, se
ha desarrollado una versión de esta técnica híbrida. Cada encuestado primero realiza una actividad
auto-explicativa y posteriormente evalúa dos conjuntos de descripciones de perfiles parciales a la
vez.
Los datos en el análisis conjunto se analizan tanto a nivel individual como agregado. A nivel
individual todas las respuestas de un sujeto se usan para estimar coeficientes individuales y
posteriormente la generalización se obtiene promediando los resultados individuales o estimando un
segundo modelo para estos datos. Este procedimiento, según Neubauer (2003) tiene dos desventajas:
El uso múltiple de los datos para la modelización y la modelización de los datos multivariantes como
si fueran observaciones independientes.
La estimación a nivel individual indica que hay algún interés en la variabilidad individual, aunque el
tratamiento mediante modelos separados no es el apropiado. Recientemente se han realizado algunos
esfuerzos para modelizar la variabilidad subjetiva en el contexto de los modelos modelos lineales
mixtos generalizados y modelos bayesianos jerárquicos (Dittrich, Hatzinger y Katzenbeisser, 1998;
Frühwirth-Schnatter y Otter, 1999; Green, 2000).
No obstante, los axiomas de la medición conjunta (análisis conjunto) son deterministas, dada su
formulación algebraica. Keats (1967), Brogden (1977), Perline et al, (1979), Andrich (1988) y
Michell (1999), presentaron al Modelo de Rasch como una alternativa estocástica a los modelos de
medición conjunta aditiva. Sinkovicks y Salzberg (2006) en el número especial de la revista
“Internacional Marketing Review” presenta la modelización de Rasch como una de las fronteras de
investigación en Marketing en un futuro próximo.
El uso de un modelo de rasgo latente (LLM) como los desarrollados por la Teoría Respuesta al Item y
el modelo de Rasch permite la satisfacción de los requisitos del análisis multivariante ante la presencia
de variabilidad subjetiva. Se propone su uso para la jerarquización/posicionamiento de los productos y
el análisis del impacto de los atributos en los productos.
Según indica Neubauer (2003) en el modelo de Bradley-Terry-Luce (Bradley y Ferry, 1952; Luce,
1959) [BTLM] se asume al modelizar las comparaciones entre pares de objetos que los sujetos son
homogéneos, lo cual es una situación básicamente no realista. Para atender a la variabilidad sujetiva
Rasch (1960) propone un modelo que compara, en lugar de dos objetos, a un objeto (item) con un
sujeto. Desde esa perspectiva el Modelo de Rasch puede considerarse como un BTLM en donde en
lugar de comparar dos objetos se comparan un objeto y un sujeto. En el BTLM la respuesta se
modeliza como una función de las características de dos objetos, mientras que en el MR se consideran
las características de un sujeto y un objeto.
Distintos autores han destacado la relación entre la teoría de Rasch y los principios rigurosos de la
medición fundamental (Rasch, 1960, Wright, 1984 y 1985; Fisher y Wrigh, 1994, Bond y Fox, 2001).
Principios, cuyo alcance, han sido recientemente clarificados en los trabajos de Michell (1999) y
Karabastos (1998 y 2001) Las principales contribuciones de Rasch se centran en el teorema de la
separabilidad (Rasch, 1960 y 1961) y el concepto de la objetividad específica (Rasch, 1977). Rasch
establece la medición conjunta mediante instrumentos que proporcionan valores cuantitativos que
permanecen invariantes a lo largo de muestras y cuestionarios (Fisher, 2003). Para posicionar los
objetos y determinar el impacto de los atributos de los productos se necesita conocer los parámetros de
los objetos (β) y de los atributos de los productos (δ)
De ahí, las expresiones matemáticas de los dos modelos más utilizados.
5
ISABEL MONTERO MURADAS, JUAN RAMÓN OREJA RODRIGUEZ
Modelo dicotómico:
P[Xvi =1 | βv , δi ] = exp (βv - δi ) / [ 1 + exp(βv - δi ) ]
(3)
Modelo politómico:
P X vi = x =
⎡ x
⎤
exp ⎢− ∑τ ki + x(β v − δ i )⎥
γ
⎣ k =1
⎦
1
Siendo:
v: sujeto encuestado
i: ítem contestado
γ = Suma de todos los posibles numeradores, que surgen de acuerdo con el número de categorías de
los ítemes.
τ = Umbrales o puntos de cortes de las curvas características correspondientes a las distintas
categorías de respuestas en los ítemes (Andrich y Marais, 2005).
Los umbrales son unos parámetros que recogen los puntos en donde la probabilidad de respuesta de
una categoría con la siguiente es equiprobable (figura 1). En el caso de los ítemes dicotómicos sólo
había un umbral, que era la dificultad del ítem, en donde coincidían la probabilidad de 0 ó 1. El
número de umbrales es igual al número de categorías menos uno.
FIGURA 1
Fuente: Oreja (2005)
Las más importantes hipótesis operativas del modelo de Rasch son:
Desde la perspectiva de la medición:
−Unidimensionalidad. Todos los ítems del cuestionario cubren solo un aspecto de comportamiento
(pertenecen a un solo constructo).
−Invarianza. La muestra es independiente del cuestionario utilizado y el cuestionario de la muestra
Desde la perspectiva estadística: Suficiencia estadística de las puntuaciones brutas de los ítems
6
POSICIONAMIENTO DE AUTOMÓVILES MONOVOLÚMENES MEDIANTE LA MODELIZACIÓN DE RASCH…
El modelo de computación utilizado es el Winsteps (Linacre, 2006) que permite la determinación de
las medidas de los sujetos e ítems de acuerdo al Modelo de Rasch para datos politómicos (Rasch,
1960/1980 y Andersen, 1977; Andrich 1978 a y b, 1988)
La estimación de los parámetros en el modelo de Rasch se realiza mediante el método JMLE (también
denominado UCON).. Según Linacre (2006) se elige el método JMLE en preferencia al CMLE y
MMLE debido a su flexibilidad ante los datos ausentes. Este método no asume una distribución de los
sujetos, tiene una pequeña desviación para pequeñas muestras, pero son raras las ocasiones en que esta
desviación afecta a la precisión de las medidas. Las estimaciones de las desviaciones pueden ser
corregidas, pero no es necesario y a veces ni conveniente en trabajos prácticos.
4. Trabajo empírico
3.1. Datos
Este trabajo tiene el objetivo de posicionar de forma conjunta una selección de 133 automóviles del
mercado español (véase Anexo I tabla 4) probados por Luis Pérez-Sala. El informe utilizado es “Los
Coches de 2006” del suplemento del Motor de El País de fecha 27 de mayo de 2006, realizado con
motivo del Salón del Automóvil de Madrid son de Manuel Gómez Blanco, con la colaboración de
Marcos Baeza y Valvanuz Prada (Gómez et al. 2006).
Las hipótesis operativas que se trataría de comprobar son:
- Unidimensionalidad del constructo “posicionamiento del automóvil” determinado por un conjunto
de atributos, como son: Motor, Estabilidad, Habitabilidad, Comodidad, Equipamiento, Prestaciones,
Consumo, Seguridad y Precio. Estos atributos se integran en un cuestionario de pruebas realizada por
expertos, habiendo sido valoradas en una escala de 1 a 5. En los análisis previos se ha podido
determinar que los ocho primeros atributos se valoran ordinalmente de forma creciente en función de
una mayor percepción del atributo (bajo / alto), mientras que el atributo 9 (precio) se valora de forma
inversa de acuerdo a un criterio relación calidad precio (alto / bajo)
- Invarianza. Se considera que la muestra es independiente del cuestionario utilizado y el
cuestionario de la muestra. Específicamente la medición conjunta de la muestra y los atributos no
determina la presencia de ningún colectivo que actúe de forma diferente respecto a algún atributo.
3.2. Calibrado de ítems. Fiabilidad y validez de las medidas de los ítemes. Validación de las
hipótesis operativas
El proceso de calibración de los ítems ha tratado de lograr medidas de los ítems que sean fiables y
válidas. El resultado obtenido se recoge en la tabla nº 1. Del análisis de esa tabla se destaca que no
todos los atributos tienen el mismo valor en el mercado del automóvil español del 2006. Así los más
significativos son (1) motores, (8) seguridad, (2) estabilidad, (6) prestaciones, mientras que el menos
significativo es el (9) precios. En un estadio intermedio se encuentran (de menor relevancia a mayor
relevancia) (3) habitabilidad, (7) consumo y (4) comodidad.
La fiabilidad obtenida para estas medidas ha sido de un alpha de Cronbach del 95%.
La validez se determina por el nivel de ajuste de los datos al modelo. Los estadísticos que básicamente
evidencian el ajuste son MNSQ del INFIT y OUTFIT.
El estadístico MNSQ es una media cuadrática obtenida por la división de una Chi cuadrada por sus
grados de libertad. Este estadístico se refiere tanto a medidas que son más sensibles a
comportamientos inesperados que afectan a respuestas a ítems cercanos a los niveles de medición de
los sujetos (INFIT) o lejanos a los mismos (OUTFIT). El valor esperado de MNSQ es 1.
Valores sustancialmente mayores de 1 indican ruido y los sustancialmente menores de 1 indican
dependencia de datos.
La interpretación de la media cuadrática es:
>2 Valores que distorsionan o degradan el sistema de medición
1,5 – 2.0 Valores improductivos para la construcción de la medición, pero no degradados.
7
ISABEL MONTERO MURADAS, JUAN RAMÓN OREJA RODRIGUEZ
0,5 – 1,5 Valores productivos para la medición
<0,5 Valores menos productivos para la medición, pero no degradantes de esta. Pueden generar
interpretaciones incorrectas ante altos niveles de fiabilidad o separación.
Tras distintas pruebas, en donde los sujetos que presentan distorsiones hacia los ítems, de acuerdo a
sus valores MNSQ en los INFIT y OUTFIT se retiran de la muestra, se ha obtenido una calibración de
los ítems, cuyas medidas son fiables y válidas (véase tabla nº 1: Calibración de los ítems).
TABLA Nº 1
Calibración de los ítems
ITEMS
MEDIDA (δi)
MNSQ INFIT
MNSQ OUTFIT
PTMEA
101,55
100,74
100,31
100,10
99,75
99,70
99,67
99,54
98,65
100.00
1,22
1,45
1,33
0,59
0,69
1,01
0,77
0,99
0,83
0,99
1,21
1,45
1,29
0,61
0,71
0,95
0,73
0,96
0,78
0.97
0,50
0,40
0.33
0,68
0,71
0,59
0,68
0,62
0,57
---
9 Precio
3 Habitabilidad
7 Consumo
4 Comodidad
5 Equipamiento
6 Prestaciones
2 Estabilidad
8 Seguridad
1 Motores
Media
Fuente: Elaboración propia
La validez de las medidas se denota tanto a nivel medio como individual de cada medida de los ítems.
A nivel medio la validez de los ítems se estima en un valor de 0,99 para el estadístico MNSQ INFIT y
del 0,97 para el estadístico MNSQ OUTFIT.
A nivel individual se han calibrado los ítems con valores en el entorno de 0,50 a 1,50, que se
consideran productivos para la medición.
La obtención de estas mediciones para los ítems considerados en el constructo, dado el nivel de
calidad estadística disponible (fiabilidad y validez) nos permite obtener las medidas de los productos
intervinientes en su calibración
La hipótesis operativa de unidimensional ha sido comprobada con el análisis de los componentes
principales de los residuos, obteniendo una explicación de la varianza por las medidas del 54.2%,
destacando en el primer contraste una agrupación de residuos con un autovalor de 2.1 y explicación de
varianza del 10.7%. Al nivel de fiabilidad del estudio y con este autovalor se considera insuficiente
para configurar otra dimensión, por lo que esta tensión de dimensionalidad no hace improductiva las
mediciones obtenidas.
La hipótesis operativa de invarianza se ha validado con el análisis del comportamiento diferencial de
los ítems (DIF) del segmento de monovolúmenes con respecto al resto de automóviles del mercado. El
análisis t de las diferencias de medidas a un nivel de significación del 5% no permite destacar
comportamientos diferentes del segmento de respecto al resto de los automóviles del mercado
intervinientes en la medición, excepto para los ítems 7 (Consumo) y 9 (Precio).
Para el ítem 7 (Consumo) se destaca, a partir de las valoraciones de los expertos, que su nivel es
inferior a la del resto de los vehículos. Por el contrario, para el ítem 9 (Precios) se destaca una
percepción de precio alto respecto al resto de vehículos del mercado. En ambos casos sugiere
comportamientos estratégicos diferenciados en la oferta de estos automóviles en el mercado, respecto
a estos ítems.
8
POSICIONAMIENTO DE AUTOMÓVILES MONOVOLÚMENES MEDIANTE LA MODELIZACIÓN DE RASCH…
FIGURA 2
DIF. MONOVOLÚMES vs RESTO AUTOMÓVILES
atributo
1
2
3
4
5
6
7
8
9
3
2
t-value
1
M
R
0
-1
-2
-3
Fuente: Elaboración propia
3.3Análisis del posicionamiento de los automóviles monovoluménes en los distintos segmentos
Una vez calibrados los ítems del instrumento de medida es posible posicionar los vehículos en el
mercado español del año 2006. En la calibración han participado los automóviles que no
distorsionaban las mediciones de los ítems, por lo que en el proceso de depuración han sido
eliminados los datos anómalos. Ello ha permitido obtener para los distintos automóviles sus propias
mediciones en logits. Estas mediciones permiten, dado que las puntuaciones brutas de los ítems y de
los vehículos son estadísticos suficientes para la estimación de las medidas, de acuerdo al modelo de
Rasch (Rasch, 1960/1980), posicionar los vehículos que no han intervenido en el proceso de
calibración a partir de sus respectivas puntuaciones brutas. Esta facilidad del modelo permite la
integración de todos los vehículos del mercado en el proceso de posicionamiento.
El análisis del posicionamiento de los monovolúmes se ha realizado integrando distintas
informaciones que nos permite comparar los distintos vehículos entre sí, sus precios y la opinión del
experto.
Las columnas con los datos de los ítems, tras la identificación de los vehículos (columnas 2 -10) esta
configurada de acuerdo al Escalograma de Guttman (Oreja, 2005), que nos permite un bechmarking
competitivo entre los datos disponibles. El orden de las columnas de los ítems parte de los atributos
más importantes para el posicionamiento (columna 2) hasta el menos importante (columna 10). La
columna 11 corresponde al estadístico suficiente puntuación total (Raw Scores). La columna 12 es la
medida en logit (log –odds) obtenida mediante la aplicación del modelo de Rasch. La columna 13 es el
precio mínimo de esta gama de productos. En la columna 14 se incluye la apreciación del experto
respecto a la calificación de estos vehículos y su preferencia (en negrita). Se hace constar que el
experto indica en su calificación que ésta depende no solo de la valoración de los ítems sino también
de otros factores, los cuales no se explicitan.
9
ISABEL MONTERO MURADAS, JUAN RAMÓN OREJA RODRIGUEZ
TABLA Nº 2
Segmento de automóviles monovolúmenes
1
2 3 4 5 6 7 8 9 10
11 12
13
14
ML
104.28
103.87
102.4
101.68
Precio
(desde)
33150
27600
27000
26550
Experto
Muy bien
Muy bien
Bien
Bien
RS
43
42
42
41
40
40
39
39
38
38
36
34
ML
104.82
104.28
104.28
103.87
103.52
103.52
103.21
103.21
102.92
102.92
102.4
101.92
Precio
21460
20060
20925
16310
18470
22950
20700
22450
18860
17420
16120
19910
Experto
Muy bien
Muy bien
Muy bien
Muy bien
Muy bien
Bien
Bien
Bien
Muy bien
Muy bien
Bien
Bien
RS
37
35
33
ML
102.66
102.16
101.68
Precio Experto
11400 Suficiente
14470 Bien
13200 Bien
MONOVOLÚMENES
GRANDES
Reanult Grand Espace
Renault Espace
Mitsubishi Grandis
Ssangyong Rodius
1
5
5
5
4
8
5
5
4
5
2
5
5
4
2
6
5
5
4
4
5
5
4
4
3
4
5
5
4
4
7
3
4
4
4
3
5
4
4
5
9
4
4
3
2
RS
42
41
36
33
MONOVOLÚMENES
COMPACTOS
Volkswagen Torran
Renault Gran Scénic
Toyota Corolla Verso
Renault Scénic
Ford Focus C-Max
Mercedes Clase B
Honda FR-V
Mazda 5
Opel Zafira
Seat Altea
Peugeot 307 SW
Fiat Multiplá
1
5
5
5
5
5
5
5
5
5
5
4
4
8
5
4
5
4
4
5
4
5
4
4
4
4
2
5
5
5
5
5
4
5
5
5
5
5
4
6
5
5
5
5
5
4
4
4
4
5
5
3
5
5
5
5
5
4
5
5
5
5
4
4
4
4
4
5
4
5
5
4
4
4
4
4
4
4
7
5
5
5
5
5
4
4
4
3
5
5
4
3
5
5
5
4
4
4
4
4
5
3
2
5
9
4
3
3
3
3
5
4
3
3
3
3
2
MONOVOLÚMENES
PEQUEÑOS
Renault Modus
Opel Meriva
Nissan Note
1
5
4
4
8
3
4
3
2
4
3
4
6
4
5
3
5
3
4
3
4
5
4
4
7
5
5
5
3
5
3
4
9
3
3
3
El posicionamiento de los vehículos se ha realizado en cada segmento a partir de las mediciones de
estos automóviles realizadas mediante análisis conjunto probabilístico a partir de las calibraciones de
los ítems (atributos).
Como indican los autores del monográfico sobre elaborado para El País, Gómez et al (2006), las
pruebas fueron realizadas por Luis Pérez-Sala, así como que: “Las calificaciones de los modelos
analizados… (muy bien, bien, suficiente…) reflejan los factores señalados en los cuadros y otros no
detallados, como el diseño, acabado o relación calidad-precio”.
Al referirse a los monovolúmenes (Gomez et al, 2006, p.37) indican que son los modelos preferidos
por las familias europeas, tanto por su capacidad interior como la posibilidad de utilizar sus asientos
individuales de tal forma que variando su reparto diseñan su espacio interior según necesidades.
Si bien los monovolúmenes grandes fueron los primero que se introducen en el mercado, la tendencia
actual se centra en los medios familiares compactos asequibles y con medidas ajustadas a la ciudad.
Mientras que los pequeños no están teniendo la aceptación que se esperaba.
En nuestro análisis del posicionamiento por segmentos de los monovolúmenes se puede destacar que
el segmento de monovolúmenes grandes el mejor posicionado es el Renault Grand Espace con una
medida de 104,28 logits. Sus puntuaciones son máximas exceptuando el nivel de consumo y precio.
Está conceptuado por el experto como “muy bien”. El siguiente posicionado Renault Espace tiene un
equipamiento inferior, pero mejora al líder en su nivel de consumo. Los restantes monovolúmenes
10
POSICIONAMIENTO DE AUTOMÓVILES MONOVOLÚMENES MEDIANTE LA MODELIZACIÓN DE RASCH…
grandes tienen prácticamente todos sus atributos calificados a un nivel inferior. Es interesante destacar
la puntuación relativa a la seguridad (8) y habitabilidad (3) del Ssanyong Rodius.
En el segmento de monovolúmenes compactos el Volkswagen Torran se alza como líder (a la vez que
lo es del conjunto de monovolúmenes) con una puntuación de 104.82 logits. Esta calificado por el
experto con un “muy bien”. No obstante evidencia atributos a mejorar: comodidad y precio. Entre el
resto de los monovolúmenes de este segmento podemos destacar el Opel Zafira, calificado como
recomendado por el experto. Dejando claro la indicación de que en esta recomendación del experto se
incluyen otros aspectos no incluidos en los atributos considerados, podemos destacar sus puntuaciones
inferiores al líder en los atributos (8) seguridad, (6) prestaciones, (7) habitabilidad y (9) precios.
En el segmento de monovolúmenes pequeños las mediciones en logits son pequeñas en términos
relativos con los otros segmentos, a la vez que la calificación del experto es de bien o suficiente, lo
que justificaría su dificultad de introducción en el mercado, a la vez que destacaría las diferencias de
puntuaciones que permiten esta situación.
En todos los casos analizados, la realización de Benchmarkings competitivos nos permitiría conocer
las causas de estas diferencias de puntuaciones, inspirando las acciones estratégicas de marketing para
el logro de un posicionamiento adecuado en el mercado de acuerdo al segmento de consumidores que
se desea atender.
4. Conclusiones
El análisis conjunto de productos y atributos nos ha permitido el posicionamiento de vehículos
monovolúmenes en el mercado del automóvil español de 2006. Para ello se ha utilizado el modelo de
Rasch, que de acuerdo con la revisión teórica realizada presenta ventajas respecto al análisis conjunto
tradicional dado su carácter probabilístico frente al determinista del análisis conjunto tradicional. Junto
a esta ventaja se destaca la importancia de la satisfacción de los requisitos del análisis multivariante
ante la presencia de variabilidad subjetiva, por ello se vienen considerando que las mediciones son
más fiables en los análisis conjunto mediante los Modelos de Rasch que en los convencionales y
aportan una mejor base para las decisiones de marketing.
La aplicación del modelo de Rasch ha permitido la calibración de los ítems del instrumento de medida
utilizado en este análisis conjunto, para una escala de valoración ordenada de 1 a 5 realizada por un
reconocido experto del mercado del automóvil. Junto a la calibración se ha podido obtener una
medición conjunta aditiva, en una escala de intervalo, de los automóviles de la muestra utilizado y de
los ítems. En ambos casos se ha obtenido una jerarquización mediante las medidas obtenidas (en
logits).
Dos hipótesis operativas han sido constatadas. Por una parte la Unidimensionalidad del constructo,
aunque se percibe ciertas tensiones en los residuos que no impiden mediciones productivas a los
niveles de fiabilidad y validad de las medidas. Por otra parte se ha constatado la hipótesis de
invarianza, destacando el comportamiento uniforme del colectivo, dentro de la muestra de automóviles
utilizada por el experto, excepto para los ítems 7 (consumo) y 9 (precios) que exige un
comportamiento estratégico diferencial en el mercado del automóvil.
El posicionamiento de los monovolúmenes en el mercado del automóvil español de 2006 se ha
establecido a partir de la medición de los vehículos realizada de forma conjunta con sus atributos. Esta
jerarquización permitiría la ejecución de estudios de Benchmarking competitivo, mediante el uso del
escalograma de Guttman, de las puntuaciones totales y las mediciones de los automóviles, de tal
manera que justifiquen acciones estratégicas de marketing en aras a lograr mejores posicionamientos
en el mercado del automóvil y, específicamente, en el del segmento de los monovolúmenes.
En un futuro, está previsto continuar el desarrollo de este proceso de modelización de Rasch para el
análisis de las preferencias de los consumidores, tanto utilizando datos categóricos como no
categóricos, así como análisis longitudinales que destaquen cambios a lo largo del tiempo. Otra línea
de especial interés sería el poder comparar las preferencias reveladas por los distintos expertos, tanto
desde la perspectiva de los posicionamientos que ellas originan como desde la misma valoración
11
ISABEL MONTERO MURADAS, JUAN RAMÓN OREJA RODRIGUEZ
diferencias de sus opiniones que pueden relevar preferencias más destacadas hacia determinadas
marcas condicionando la opinión de los consumidores en el mercado.
Referencias bibliográficas
AAKER ,A.-D. (1982). “Positioning your product”. Business Horizons, May-June, pp. 56-62
ALPERT, M. (1971): “Identification of Determinant Attributes: A Comparison of Methods” Journal of Marketing Research,
vol. VIII, May, pp. 184-91
ALVAREZ, P. y GALERA, C. (2001). “Industrial Marketing Applications of Quantun Measurement Techniques”. Industrial
Marketing Management, 30. 13-22
ANDERSEN, E.B. (1977). “Sufficient Statistics and Latent Trait Models” Psychometrika, 42, 69-81
ANDRICH, D. (1978a). “Application of a Psychometric Rating Model to Ordered Categories which are scored with
Successive Integers”. Applied Psychological Measurement, 2 (4), pp. 581 – 594, (citado por Bond y Fox, 2001).
ANDRICH, D. (1978b). “A rating formulation for ordered response categories”. Psychometrika, 43, pp. 357-374
ANDRICH, D.A. (1988). Rasch models for measurement. Sage University Papers series on Quantitative Applications in the
Social Sciences, serie n º 07-068. Beverly Hills, CA: Sage
ANDRICH, D. A. Y MARAIS, I (2005): “Instrument Design with Rasch and Data Analysis I” Unit Material EDU 4357635
School of Education, Murdoch University
BENTHAM, J. (1789). The principles of Moral and Legislation, (citado por Luce y Suppes, 1975)
BOND, T. Y FOX, T.C. (2001). Fundamental measurement in the human sciences: Applying the Rasch model. Hillsdale,
N.J. :Erlbaum
BRADLEY, R.A. Y TERRY, M.E. (1952). “Rank análisis of incomplete block designs, I. The method of paired
comparisons” Biometrika, Vol. nº 39, pgs. 324-345
BROGDEN, H. E. (1976). “The Rasch model, the law of comparative judgement, and additive conjoint measurement”
Psychometrica, Vol. 24, pgs. 473 -505 (citado por Karabtsos, 2001)
DITTRICH, R.: HATZINGER, R. Y KATZENBEISSER, W. (1998). “Modelling the effect of subject-specific covariates in
paired comparison studies with application to university ranks”. Applied Statistics, Vol. 47, pgs. 511-525.
FISHER, W. P. JR (2003). “Mathematics, Measurement, Metaphor and Metaphysics II” Theory & Psychology. Vol. 13(6):
791-828
FISHER, W. P. JR Y WRIGHT, B.D. [Eds] (1994). “Applications of probabilistic conjoint measurement” [Special Issue]
International Journal of Educational Research, 21 (6), 557 – 664 (citado por Fisher, 2003)
FRANK, MAIZ Y WIND (1972): Market segmentation. Englewood Cliffs, New Jersey, USA, Prentice Hall
FRÜHWIRTH-SCHNATTER, S. Y OTTER, T. (1999). “Conjoint analysis using mixed effect models” Proceedings of the
14th International Workshop on Statistical Modelling, Graz, 19 al 23 de Julio, pgs. 181-191
GÓMEZ, M.; M. BAEZA y V. PRADA (2006). “Los Coches de 2006” Suplemento del Motor de El País de fecha 27 de
mayo de 2006.
GREEN, M. (2000). “Statistical models for conjoint análisis. Mixed effect models”
Workshop on Statistical Modelling, Bilbao, 17-21 de Julio, pgs. 216-222
Proceedings of the 15th International
GREEN, P.; KRIEGER, A. M. Y WIND, Y. (2001): “Thirt Years of Conjoint Análisis: Reflections and Prospects” Interfase
31:3, Part 2 of 2, May-Jun , pp. S56-S73
GREEN, P. Y SRINIVASAN, V. (1978). “Conjoint analysis in consumer research: Issues and outlook” Journal of Consumer
Research, 5(2), September, pp. 103 – 123.
GREEN, P.; CARROLL, J. Y GOLDBERG, S. (1981). “A general approach to product design optimization via conjoint
analysis” Journal of Marketing, vo43, summer, pp. 17-35
KARABATSOS, G. (1998). “Analyzing nonadditive conjoint measurement. Compounding events by Rasch model
probabilities” Journal of Outcome Measurement, 2(4), 389-423 (citado por Fisher, 2003)
KARABATSOS, G. (2001). “The Rasch Model, Additive Conjoint Measurement, and New Models of Probabilistic
Measurement Theory” Journal of Applied Measurement, 2 (4), 389-423
KARABATSOS, G. (2005): Additivity Tests”, en Everit, B.S. y D.C. Howell (2005): Encyclopaedia of Statistic in
behavioural science, John Wiley & Sons, Ltd. Chichester, pp. 25-29
KEATS, J. (1967). “Test Theory” Annual Review of Psychology, 18, 217-238 (citado por Karabatsos, 2001).
KOTLER, P et all (2006): ): Dirección de Marketing. 12ª edición, Pearson, Prentice-Hall
12
POSICIONAMIENTO DE AUTOMÓVILES MONOVOLÚMENES MEDIANTE LA MODELIZACIÓN DE RASCH…
KRUSKAL, J. B. (1965). “Analysis of factorial experiments by estimating monotone transformations of the data”, Journal of
Royal Statistical Society, Series B, Vol. 27(2), pp. 251- 263 (citado por Green et al, 2001)
LAMBIN. J.J. (1995). Marketing Estratégico. McGrawHill
LINACRE, J. M. (2006). Winsteps. Rasch measurement computer program. Chicago: Winsteps.com.
LUCE, R.D. (1959). Individual Choice Behaviours: A Theoretical Análisis. New York : J. Wiley
LUCE, R.D. Y TUKEY, J.W. (1964). Simultaneous conjoint measurement: a new type of fundamental measurement.
Journal of Mathematical Psychology, 1, 1-27
MICHELL, J. (1999). Measurement in psychology: A critical history of methodological concept. Cambridge: Cambridge
University Press (citado por Fisher, 2003)
MONTERO, I. y OREJA, J. R. (2006). “El posicionamiento del automóvil todoterreno en España. Un análisis conjunto
multiatributo”, en Febles, J. y J. R. Oreja [Coord.] (2006). Modelos de Rasch en Administración de Empresas. Fundación
FYDE CajaCanarias, Colección E-Books. Santa Cruz de Tenerife,pp. 134-145
NEUBAUER, G. (2003). “An IRT-Approach for Conjoint Análisis” Developments in Applied Statistics, pp 35-47
OREJA, J. R. (2005). “Introducción a la medición objetiva en economía, administración y dirección de empresas: el modelo
de Rasch” IUDE Documento de Trabajo. Serie Estudios 2005/47. Instituto Universitario de la Empresa - Universidad de La
Laguna. La Laguna. http://webpages.ull.es/users/iude/publi-documentos/iude-0547.pdf
OREJA, J. R. (2006). “Modelos de Medición Conjunta en Administración de Empresas: Del Análisis Conjunto al Modelo de
Rasch”, en Febles, J. y J. R. Oreja [Coord.] (2006). Modelos de Rasch en Administración de Empresas.. Fundación FYDE
CajaCanarias, Colección E-Books. Santa Cruz de Tenerife, pp. 146-166
PEDRET, R.; SAGNIER, L. Y CAMP, F. (2003). Herramientas para segmentar mercados y posicionar productos. Análisis de
información cuantitativa en investigación comercial. Bilbao: DEUSTO.
PERLINE, R. ; WRIGHT, B.D. Y WAINER, H. (1979). “The Rasch Model as Additive Conjoint Measuremen”, Applied
Psychological Measurement, 3(2), pp. 237-255
PICÓN, E.; VALERA, J. Y BRAÑA, T. (2006). Análisis conjunto. Madrid: Editorial La Muralla.
RASCH, G. (1960). Probabilistic models for some intelligence and attainment tests. Copenhagen: The Danish Institute for
Education Research. (1980). (Expanded Ed.) Chicago: University of Chicago Press.
RASCH, G. (1961). “On general laws and the meaning of measurement in psychology. En J. Neyman [Ed.]: Proceedings of
the Fourth Berkeley Symposium on Mathematical Statistics and Probability, pp. 321 – 333. Berkeley: University of
California Press. http://www.rasch.org/memo1960.pdf
RASCH, G. (1977). “On specific objectivity: An attempt at formalizing the request for generality and validity of scienctific
statements. Danish Yearbook of Phylosophy, 14, 58 – 94 http://www.rasch.org/memo18.htm
RASCH, G. (1980): Probabilistic models for some intelligence and attainment tests (Expanded ed.) Chicago: University of
Chicago Press
RIES, AL y TROUT J. (2001). Posicionamiento: la batalla por su mente. McGrawHill
SAINZ DE VICUÑA, J.Mª. (1999). “Estrategia de posicionamiento para el pequeño comercio”. Distribución y Consumo,
vol. 9, nº 44
SHOCKER, A.D. y V. SHUINIVASAN (1974): “A consumer based methodology for the introduction of new product
ideas” Management Science 20, pp. 921-937
SHOCKER, A.D. y V. SHUINIVASAN (1979): ): “ Multiattribute approaches to product evaluation and generation: A
critical review” Journal of Marketing Research 16 (2), pp. 159-180
SINKOVICS, R y T. SALZBERG (2006). “Introduction to the Special Issue on “Issues and Advances in International
Marketing Research””. International Marketing Review, Vol. 23 (4).
VALERA, J. Y BRAÑA, T. (1996). Análisis conjunto. Aplicado a la investigación comercial. Madrid. Biblioteca Eudema.
VAZQUEZ, R.; SANTOS, M. L Y SANZO, M. J. (1998). Estrategias de marketing para mercados industrials. Producto
y distribución. Editorial Civitas.
WIND, Y. (1978): “Issues and Advances in Segmentation Research” Journal of Marketing Research, 15 august, 317-337
WRIGHT, B. D. (1984). “Despair and hope for educational measurement” Contemporary Education Review, 3 (1), 281 – 288
(citado por Fisher, 2003).
WRIGHT, B. D. (1985). “Additivity in psychology measurement” En Roskam , E. (ED) Measurement and personality
assessment, pp. 101- 11, Amsterdam: North-Holland (citado por Fisher, 2003).
13