Modelo cuantitativo

¿Qué son los modelos cuantitativos?

Los modelos cuantitativos en la investigación de mercados son aquellos que resultan de la aplicación de técnicas de investigación cuantitativas en el campo del marketing. La investigación de mercados cuantitativa como todo método de investigación social supone habitualmente la elaboración de escalas de medida y cuestionarios. Los investigadores de mercados utilizan la información obtenida a través de las encuestas para comprender las necesidades de los individuos y para construir estrategias y planes de marketing en torno a dichas necesidades.

¿Qué procedimientos de investigación existen?

Podemos considerar las siguientes fases en el proceso de investigación:

Identificación del problema

Aquí se deberá identificar el principal problema que se quiere resolver en la empresa como, por ejemplo: conocer los competidores, sus precios de venta, dónde distribuir el producto, etc. Es posible que se desee investigar las estrategias necesarias para introducir un producto en el mercado. También es frecuente investigar la viabilidad en el lanzamiento de un producto.

Objetivos

Los objetivos expresan el motivo por el cual se está haciendo la investigación, por ejemplo: conocer cuál es la demanda potencial, identificar a la competencia, definir el segmento de mercado que quiero alcanzar, conocer los mejores puntos de ventas, etc.

Búsqueda de fuentes de información

Las fuentes de información son los recursos a utilizar para averiguar la información que se necesita. Las fuentes pueden ser primarias o secundarias.

Los datos secundarios son aquellos que ya existen y están disponibles al público en distintos medios, por ejemplo: internet, libros, revistas especializadas, servicios de estudios, cámaras de comercio, informes sectoriales, etc.

Los datos primarios son los que se obtienen a través de la investigación de mercados. Estos, para la investigación cuantitativa pueden obtenerse, fundamentalmente, a través de: encuestas (personal, telefónica, postal, electrónica), paneles (de consumidores, de detallistas, de audiencias) y de la observación directa.

Diseñar la forma en la que vamos a recopilar los datos

Una vez escogidos los medios de investigación para recoger toda la información posible sobre el problema de investigación y sus objetivos, entonces hay que diseñar cómo se van a recoger los datos. Esto es el diseño de la investigación. La investigación cuantitativa permite contestar a preguntas en una forma medible, por ejemplo: ¿Cuál es su producción anual de miel? La respuesta de esta pregunta puede medirse.

Para recoger datos 100 % exactos y verdaderos sobre algún grupo de personas (población) sería necesario preguntarle a toda la población, pero esto es caro y en algunos casos imposible. Por ello se escoge a un grupo más pequeño de esa población, para representar a la población general y este grupo se llama muestra. Las conclusiones que se obtienen de estos estudios son válidas. Sin embargo, es más costosa y complicada. Existen dos tipos básicos de investigaciones cuantitativas:

• a) Estudios Descriptivos: Este diseño de investigación es útil para describir características o funciones del mercado, producto o servicio, entre otros.
• b) Estudios de Causalidad: se usa este diseño cuando se quiere explicar la relación entre una causa y el efecto de una situación o evento. Por ejemplo: Hacer un estudio para medir el efecto que tiene un anuncio sobre las ventas de un producto.

Determinación de la población y muestra

Una vez que se ha decidido el tipo de investigación a realizar hay que identificar el grupo que interesa estudiar.

La muestra es una parte de la población total (universo) que quisiera estudiarse; por ejemplo, todas las mujeres adultas del área metropolitana. Al tomar una muestra, esta representa o sustituye a la población total y permite sacar algunas "inferencias" o conclusiones en relación a la población.

Si la muestra está bien elegida y es suficientemente amplia, esta será representativa y los resultados serán válidos y aplicables a la población total de donde se sacó la muestra.

Para realizar un muestreo se pueden utilizar los siguientes métodos:

• - Muestreo aleatorio o probabilístico: La muestra se escoge al azar, o sea que todos los sujetos tienen la misma oportunidad de ser seleccionados.
• - Muestreo no aleatorio: La muestra se escoge según el juicio y conveniencia del equipo investigador.

El tamaño de la muestra depende de los siguientes aspectos: del error permitido, del nivel de confianza con el que se desea el error, del carácter finito o infinito de la población, y de los recursos disponibles para hacer la investigación.

Instrumentos para la recolección de datos

Con los objetivos en mente, se saca la lista de datos a conseguir y se determinan las fuentes más adecuadas para proporcionarlos. Según lo anterior se decide que instrumento conviene.

En esta etapa se realizará una lista de preguntas que servirán para alcanzar la información deseada. Las preguntas se pueden hacer personalmente (encuesta personal) o a distancia (encuestas telefónicas, por correo o en Internet).

Análisis de datos

Después de recoger los datos se busca darle significado a la información o sea interpretarlos. Para eso se siguen varios pasos:

• - Limpieza de los datos: En esta etapa se revisan todos los datos recolectados, para encontrar errores y corregirlos. Si no se pueden corregir habrá que descartarlos.
• - Codificación: consiste en asignar a cada dato un número de código, para poder después manejarlo con más facilidad a través de paquetes estadísticos. Por ejemplo, hombres = 1, mujeres = 2.
• - Tablas: Una vez codificados los datos, se proceda a contarlos y agruparlos. Con estos datos se hacen tablas, en donde se pueden ver fácilmente los resultados. Esto le permitirá encontrar tendencias, diferencias, o similitudes. Se recomienda tabular informáticamente ya que la información que se recoge es muy amplia y exige, para su eficaz utilización, la realización de múltiples clasificaciones combinadas entre variables.
• - Gráficos: Los gráficos de los resultados obtenidos se utilizan para tener una representación visual de los datos. Los gráficos ofrecen una forma muy simple y eficaz de entender las distribuciones de los datos.

Finalmente, para analizar los datos se usan también varios tipos de estadísticas tales como: medias, frecuencias, y otros tipos de análisis más complejos.

Presentación de resultados y conclusiones

El último paso del proceso de investigación es preparar y presentar el informe final. De esta manera se puede comunicar a otras personas los resultados y las conclusiones del estudio.

Un informe final tiene varias partes:

• - La introducción: En esta parte, se explica cuál es el problema del estudio de investigación, y qué pregunta se va a contestar con la investigación, cuáles son los objetivos, así como la razón de haber hecho el estudio.
• - En la sección de metodología: se relata el diseño de la investigación, qué personas se han estudiado, cuáles fueron sus características, cuántas personas se incluyeron en la investigación. También se describen los instrumentos utilizados (como encuestas o cuestionarios) y quién y cómo los aplicó. Esta sección es como hacer un manual que podría entregarse a cualquiera que quiera repetir su estudio y allí encontraría todos los detalles necesarios para reproducirlo.
• - En la sección de resultados: se puede incluir gráficos o tablas, para representar visualmente la información. Es importante interpretarlos y explicar su significado e importancia.
• - Conclusiones: Aquí se resumen los aspectos más importantes de los resultados obtenidos. Se deben revisar los objetivos del principio, para asegurarse que cada una de las conclusiones contesta a uno de los objetivos planteados.

¿Qué son las técnicas descriptivas e inferenciales?

Técnicas descriptivas

Las técnicas descriptivas que son usadas más habitualmente incluyen:

• - Descripción gráfica: utiliza gráficos para resumir la información de los datos. Por ejemplo: histogramas, gráfico de sectores, diagrama de barras, diagramas de dispersión.
• - Descripción tabular: usa tablas para resumir los datos. Ejemplos: Tabla de frecuencias, tabulaciones cruzadas.
• - Descripción paramétrica: estima los valores de ciertos parámetros que resumen la información de los datos.
  • a) Medidas de localización o de tendencia central: Media, mediana, moda, cuantiles (cuartiles, deciles y percentiles).
  • b) Medidas de dispersión estadística: Rango, intervalo intercuartílico, varianza, desviación típica, coeficiente de variación de Pearson.
  • c) Medidas de forma de la distribución: coeficiente de asimetría, coeficiente de apuntamiento o curtosis.

Técnicas inferenciales

Las técnicas inferenciales suponen una generalización de la muestra a la población total. También incluyen el contraste de hipótesis. Una hipótesis se debe formular en términos matemáticos/estadísticos de manera que sea posible calcular la probabilidad de posibles muestras asumiendo que la hipótesis nula es correcta. Después, se debe escoger el estadístico de contraste de forma que resuma la información contenida en la muestra relevante para la hipótesis.

No resulta poco frecuente que tal hipótesis establezca que los parámetros o características matemáticas de dos o más poblaciones sean idénticos. Por ejemplo, si queremos comparar las puntuaciones a un test de dos muestras aleatorias de hombres y mujeres, entonces la hipótesis nula sería que la puntuación media en la población de hombres de la que se ha tomado la primera muestra, es la mima que la puntuación media de la población femenina de la procede la segunda muestra:

H0:μ₁ = μ₂

en donde:

H0 = hipótesis nula

μ₁ = media de la población 1, y

μ₂ = media de la población 2.

El operador igualdad hace que se trate de un contraste bilateral o de dos colas. La hipótesis alternativa puede ser mayor o menor que la hipótesis nula. En un test de una sola cola, el operador es una desigualdad, y la hipótesis alternativa tiene direccionalidad:

H0:μ₁ = o < μ₂

A veces a este tipo de contrastes se les conoce como hipótesis de diferencia significativa porque están contrastando la diferencia entre dos grupos con respecto a una variable. Alternativamente, la hipótesis nula puede postular que las dos muestras son tomadas de la misma población:

H0:μ₁ - μ₂ = 0

Una hipótesis de asociación se usa cuando hay una población, pero se miden dos características de la misma. Se trata de un contraste de asociación de dos características dentro de un grupo.

La distribución del estadístico de contraste se usa para calcular las probabilidades del conjunto posibles valores del estadístico (normalmente un intervalo o unión de intervalos). Entre todos los conjuntos de valores posibles, se debe escoger uno que se considere representativo de aquellos valores extremos que suponen una gran evidencia en contra de la hipótesis. A ste conjunto de valores se la llama la región crítica del estadístico de contraste. A la probabilidad de que el estadístico caiga en la región crítica cuando la hipótesis es correcta se le llama el valor alfa del test.

Tras recoger los datos, se calcula el estadístico de contraste y se determina si está dentro de dicha región crítica. Si el estadístico está dentro, entonces nuestra conclusión es o que la hipótesis es incorrecta o que ha ocurrido un suceso de probabilidad menor o igual que el valor de alfa. Si el estadístico está fuera de la región crítica, la conclusión es que no hay suficiente evidencia en contra para rechazar la hipótesis nula.

El nivel de significación de un contraste es la máxima probabilidad de rechazar accidentalmente una hipótesis nula cierta (una decisión que se conocer como error tipo I). Por ejemplo, se puede escoger un nivel de significación del 5% y calcular un valor crítico de un estadístico (por ejemplo la media) de manera que la probabilidad de que exceda ese valor, bajo la presunción de certeza de la hipótesis nula, fuera de un 5%. Si el estadístico real calculado excede el valor crítico entonces se dice que es significativo a "un nivel del 5%".

Tipos de contrastes de hipótesis

• - Contrastes paramétricos para una sola muestra:
  • a) Prueba t
  • b) Prueba z
• - Contrastes paramétricos para dos muestras independientes:
  • a) Prueba t para dos grupos
  • b) Prueba z
• - Contrastes paramétricos de muestras apareadas: Prueba t apareado
• - Contrastes no paramétricos para una sola muestra:
  • a) Prueba de chi-cuadrado
  • b) Prueba de Kolmogorov–Smirnov para una muestra:
    • c) Test de rachas
    • d) Prueba binomial
• - Contrastes no paramétricos para dos muestras independientes:
  • a) Chi-cuadrado
  • b) Prueba U de Mann–Whitney
  • c) Mediana
  • d) Prueba Kolmogorov–Smirnov para dos muestras independientes
• - Contrastes no paramétricos para muestras apareadas:
  • a) Prueba de Wilcoxon
  • b) Prueba de McNemar

Si una variable (por ejemplo: preferencia de los entrevistados sobre el color de un producto) tiene una escala de intervalo o razón y necesita algún supuesto estadístico (como la normalidad) entonces es elegible para contrastes paramétricos.

Por el contrario, si una variable (por ejemplo, el género o la ordenación de unos cuantos productos en relación con ciertos atributos) tiene una escala nominal u ordinal y/o no necesita ninguna asunción estadística, no resulta apta para contrastes de tipo paramétrico. En esta situación deberemos usar los contrastes no-paramétricos. Solo se deberían usar los contrastes no paramétricos si la muestra/variable no es apta para pruebas paramétricas.