CREATING BRAND VALUE

Playa Pie de la Cuesta 410, Col. Reforma Iztaccihuatl, CP 08840,

Delegacin Iztacalco. Tels. 3626-0822 / 3626-0823
1
www.marketvariance.com
 Definicin de mapa perceptual

Se dice anlisis multidimensional cuando se habla de un mapa

perceptual; sin embargo, en realidad un mapa involucra muchos
mtodos ms que este tipo de anlisis.
Haciendo a un lado la costumbre, en lo sucesivo nos referiremos a
mapa perceptual en vez de anlisis multidimensional.
Definimos mapa perceptual como:

Presentacin grfica de las percepciones que tienen los

consumidores de las relaciones entre objetos y/o atributos en
un espacio de dos dimensiones o ms con el objeto de conocer
las estructuras escondidas en los datos.

2
Posicionamiento de marcas de ropa
interior para hombres
(Base = 200)
1 Para jvenes
2 Marca que te hace sentir bien
3 Mejor ropa interior sexy
4 Marca de mam/pap
5 Para uso diario
6 Ropa sport/deportiva
7 Para gente conservadora
8 Es de calidad
9 Es de prestigio
10 Fcil encontrarla en tiendas
11 Mejores diseos
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 cmodo(a)
19 Son para m
20 Variedad de estilos
21 Es marca importada
22 Ropa de moda 3
Los mapas perceptuales son una herramienta bsica de la
mercadotecnia porque responden varias interrogantes.
Quines son nuestros competidores?
Cul es nuestra posicin en el mercado?
Cmo posicionar o reposicionar nuestra marca?
A qu segmento o grupo debemos dirigir nuestros
esfuerzos?
Cules son nuestras debilidades y fortalezas?
Estamos creando la imagen que deseamos?
Qu atributos son los ms importantes, tienen mayor
preferencia o disparan la compra?
Existe algn nicho que podamos explotar o espacio para un
nuevo producto?
4
 Hay una gran cantidad de mapas perceptuales; no obstante, se
pueden clasificar en dos grandes grupos: los que emplean
atributos en su elaboracin o usan la tcnica de composicin y los
que no tienen atributos o tambin llamados de descomposicin.

Mapas perceptuales

Con atributos (de composicin)* Sin atributos (de descomposicin)

Factorial Discriminante Correspondencias Biplot Anlisis multidimensional

Compuesto Compuesto
con con Similitud Preferencia
preferencia preferencia

* Un caso especial de composicin es el DQA y anlisis de desempeo.

5
 De la misma forma que hay gran variedad de mapas tambin
hay mtodos matemtico-estadsticos para elaborarlos. Por
ejemplo, anlisis factorial, discriminante, chi cuadrada,
escalamiento multidimensional, anlisis de varianza, etc.
Aqu se describe cada uno de los mapas ms populares y su
tcnica. Asimismo, se ilustra con un ejemplo prctico dos de los
ms elegantes y poderosos mapas; considerados as por su
alcance estratgico dentro de la mercadotecnia. Estos son el
discriminante compuesto (CPM) y discriminante de cuadrantes
(DQA).

6
Anlisis factorial
7
 Anlisis factorial.

Sirve para reducir un nmero 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
socioeconmico, altruismo, etc.
Utiliza datos de intervalo (escalas) o razn.
Las preguntas clsicas son bateras de atributos, generalmente
de imagen, evaluados sobre una escala de importancias, de
acuerdo o descuerdo, likert, etc.
Tambin se evalan los objetos sobre cada uno de esos atributos.
8
 Para construir el mapa, los datos de imagen se someten a un
anlisis factorial con el fin de encontrar las principales
dimensiones y las coordenadas de cada atributo.
Para ubicar cada objeto (lase marca) dentro del mapa se
utilizan sus evaluaciones y se calculan sus puntajes en cada
factor.
Este mapa fue muy popular en los 70s. Hoy a cado en desuso,
debido a su poca capacidad para representar los datos en un
nmero reducido de dimensiones.
La tcnica para recabar los datos es muy similar a la usada
para un DQA, pero se interpreta y ve grficamente como un
CPM.

9
 Anlisis de
correspondencias
10
Anlisis 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 anlisis 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.

11
 Ejemplo:
En la siguiente tabla se analiza la relacin entre tres marcas de
cigarros y algunos de sus problemas de calidad.

Total
(Frecuencias
Marca A Marca B Marca C marginales)
Irrita la garganta 25 30 20 75
El tabaco est seco 15 25 45 85
Se consume disparejo el cigarro 35 25 20 80
Su sabor es variable 20 25 45 90
Total (Frecuencias marginales) 95 105 130 330

Nota. Se llama frecuencias marginales a la suma de las celdas en cada columna o rengln.

12
 Para calcular el valor chi cuadrado es necesario obtener
primero el valor esperado y la diferencia entre ste 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 23.03 35 = 11.97.

Nota. El valor observado es el nmero de sujetos que contestaron en la encuesta que el defecto se
asociaba con la marca del cigarro.

13
 La chi cuadrada se obtiene con la siguiente frmula:
Chi cuadrado = (Diferencia) Valor esperado.
La Chi cuadrada es (-12) 23 = 6.26

Para convertir este valor chi cuadrado en una medida de

similitud slo hay que asignarle un signo opuesto al obtenido
en la diferencia del valor esperado y observado (-12) o sea el
valor final es + 6.26.
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 = - .008

Chi cuadrado de Marca C y consumo disparejo del cigarro = - 4.204

14
 Los valores resultantes muestran que hay una relacin ms
estrecha de la marca A con consumo disparejo del cigarro que
con las marcas B y C. Estos patrones son fcilmente
identificables en el mapa de correspondencias.

Irrita la
Marca B garganta

El tabaco est seco

Marca C Su sabor es variable Marca A

Se consume
disparejo el cigarro

7.4%
92.6% 2D Fit = 100%

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 estn perfectamente representadas por el mapa.

15
 Interpretacin.
Los puntos cercanos estn ms relacionados.
Los ejes no representen ningn concepto formado por los
atributos agrupados en ellos.
La interpretacin del mapa se hace en trminos muy intuitivos:
entre ms cercana est una marca de un atributo mayor relacin
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 ms. Recomendamos Brandmap de WRC Research
Systems, Inc.

16
Biplot
17
Anlisis biplot

Se llama biplot por su capacidad para representar los datos

en un grfico de dos dimensiones.
Utiliza datos de intervalo o razn de forma agregada en
promedios.
Las preguntas bsicas son una batera de atributos sobre los
que se evalan cada uno de los objetos. La escala empleada
para esta evaluacin puede ser, likert, diferencial semntico,
u otra.
Es posible agregar el promedio de preferencia de cada
producto como un atributo ms para conocer los atributos
que estn generando dicha predileccin.

18
 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.
Hospital A Hospital B Hospital C Hospital D Hospital E Hospital F Hospital G
Capacidad de mdicos 3.02 3.30 2.94 3.09 3.23 3.30 3.08
Amabilidad del personal 2.68 3.06 2.70 2.83 3.01 2.99 2.89
Tecnologa y equipo 3.17 3.31 3.11 3.32 3.05 3.54 3.51
Cantidad de hospitales 2.93 3.10 2.90 2.74 2.93 3.02 3.20
Organizacin 2.82 2.93 2.73 2.75 2.85 3.01 2.92
Imagen ante la poblacin 2.73 2.87 2.53 2.53 2.51 2.75 2.66
Distribucin de instalaciones 2.91 3.09 2.89 2.83 2.95 3.02 3.22
Existencia de medicamentos 2.48 2.84 2.58 2.33 2.73 2.76 2.90
Higiene 3.00 3.05 2.79 2.72 2.94 3.15 3.12
Calidad de medicamentos 2.71 2.92 2.75 2.55 2.81 2.92 3.07
Seguridad en sus instalaciones 2.95 3.04 3.02 2.92 2.98 3.19 3.03
Rapidez de atencin 2.53 2.69 2.53 2.44 2.45 2.73 2.73
Confianza que siente usted 2.92 3.02 2.79 2.65 2.90 3.05 2.80
Puntualidad del personal 2.66 2.88 2.63 2.57 2.78 2.81 2.65
Trabajan bien a la primera 2.74 2.83 2.75 2.66 2.86 2.91 2.94

19
Escala donde 1 es Psimo y 5 Excelente
 Biplot

Capacidad de mdicos
Amabilidad del personal Puntualidad del personal
Confianza que siente usted Hospital E

Hospital B

Imagen ante la poblacin

Hospital F
Organizacin
Seguridad en sus instalaciones
Existencia de medicamentos
Higiene Hospital A Hospital D
Trabajan bien a la primera

Calidad de medicamentos Hospital C

Rapidez de atencin
Cantidad de hospitales Distribucin de instalaciones

Tecnologa y equipo

Hospital G
12.6%

67.3% 2D Fit = 79.9%

20
Escala donde 1 es Psimo y 5 Excelente
 Interpretacin.

Una marca se relaciona ms con un atributo si apunta en la

misma direccin que ste. El grado de asociacin se halla
dibujando una perpendicular de la marca al vector-atributo.

El largo del vector-atributo indica el poder de discriminacin que

tiene entre las marcas. Entre ms largo es un vector-atributo ms
poder de discriminacin tiene entre las marcas.

Las marcas que aparecen cercanas son similares en la mayora de

los atributos. Las que aparecen separadas son ms diferentes.

21
 El ngulo que forman los vectores-atributos indica el grado de
asociacin. Un ngulo igual a 90 grados indica que los atributos no
se asocian, entre menor sea el ngulo hay una asociacin ms
positiva mientras que a un mayor ngulo las correlaciones son
ms 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 ms.
Recomendamos Brandmap de WRC Research Systems, Inc.
22
Anlisis de escalamiento
multidimensional
23
Anlisis de escalamiento multidimensional
Conjunto de tcnicas matemticas que permiten al
investigador descubrir estructuras escondidas en bases de
datos mediante la localizacin de objetos en una
configuracin espacial multidimensional.
Puede utilizar datos mtricos o no mtricos.
Datos mtricos: se pide al sujeto que evale en una escala de
similitud o preferencia cada par de objetos. El nmero total
de estmulos que se presentan al entrevistado se obtiene por
la frmula (n x (n - 1)) 2; donde n representa el nmero
total de objetos de forma tal que si hay 10 objetos se le
pedir a cada sujeto que califique 45 pares de acuerdo a su
similitud o preferencia.

24
 Datos no mtricos: se pide al sujeto que ordene todos los
pares de objetos desde el ms parecido al menos similar;
tambin se pueden presentar los objetos individualmente
para que se clasifiquen en grupos segn su similitud, el
entrevistado puede crear tantos grupos como juzgue
necesario o se pide que los clasifique del ms 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 travs de diferentes mtodos.

25
Ejemplo (tomado de Aaker y Day (1989)).
Se presentaron 55 estmulos a un sujeto y se le pidi que los
ordenara por pares, desde los ms parecidos hasta los menos
semejantes, segn sus propios juicios de similitud. Los datos
resultantes se presentan en una matriz de datos agregados.

1 2 3 4 5 6 7 8 9 10 11
1 0 1 Ford Mustang 6
2 8 0 2 Mercury Cougar V8
3 50 38 0 3 Lincoln Continental V8
4 31 9 11 0 4 Ford Thunderbird V8
5 12 33 55 44 0 5 Ford Falcon 6
6 48 37 1 13 54 0 6 Chrysler Imperial V8
7 36 22 23 16 53 26 0 7 Jaguar Sedan
8 2 6 46 19 30 47 29 0 8 AMC Javelin V8
9 5 4 41 25 28 40 35 3 0 9 Plymouth Barracuda V8
10 39 14 17 18 45 24 34 27 20 0 10 Buick Le Sabre V8
11 10 32 52 42 7 51 49 15 21 43 0 11 Chevrolet Corvair

26
 El mapa ndica la semejanza entre Lincoln e Imperial la cual
puede ser el lujo o entre el Mustang y Javelin autos ms
deportivos, en tanto que el Thunderbird y Cougar quedan
entre el lujosos y deportivos.
Derived Stimulus Configuration

Euclidean distance model

1.5

Jaguar Sedan
1.0

.5 AMC Javelin V8
Mercoury Cougar V8
Ford Thunderbird V8 Ford Mustang 6
0.0
Lincoln Continental V8
Plymouth Barracuda V8
Chrysler Imperial V8
Dimensin 2

-.5 Chevrolet Corvair

Buick Le Sabre V8
Ford Falcon 6
-1.0
-3 -2 -1 0 1 2 3

Dimensin 1

27
 Interpretacin.
Habr 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 s son similares y comparten determinadas
caractersticas 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 ms. Francamente no sabemos
cual recomendar.

28
Mapa de producto
compuesto (CPM)
29
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 razn. A menudo, se usan datos
nominales para su elaboracin (no lo recomendamos).
Las preguntas bsicas son una batera de atributos sobre los
cuales se evala cada objeto (producto). La escala utilizada
puede ser likert, diferencial semntico, o cualquier otra.
Es necesario conocer la preferencia del sujeto para cada
producto; tambin se puede usar la intencin de compra o
anlisis de conjunto en lugar de la preferencia.

30
 (Know how)
Ideas claves del diseo.
31
 En el mercado de pastillas de dulce se evala la imagen de siete
diferentes marcas sobre una batera de siete atributos.

En una escala del 1 al 5 donde 1 es Totalmente en desacuerdo y 5 Totalmente de acuerdo Qu

tan de acuerdo o en desacuerdo est usted en que las pastillas (entrevistador preguntar todos los
atributos por cada una de las pastillas a evaluar )?

Rotar Certs Clorets Deemint Halls Usher Douglas Canels

1. Dejan un sabor agradable en la boca

2. Tienen la forma que me gusta
3. Tienen variedad de sabores
4. Son una marca de prestigio
5. Tienen sabor natural/no artificial
6. Tienen publicidad que me convenza a
comprar el producto
7. Son marca de calidad

32
 Se pide al entrevistado que indique su preferencia por cada
pastilla de dulce. En este caso se hacen veintin comparaciones
apareadas ya que son siete marcas.

De un cien por ciento de preferencia, En que porcentaje dira usted que prefiere
las pastillas de dulce... (entrevistador mencionar las pastillas de la primer
columna) a las pastillas...(mencionar marcas de la tercer columna).

Qu porcentaje de preferencia le da a las pastillas...(mencionar marca de 1er

columna) contra las pastillas...(mencionar marca de tercer columna).
% prefiere % prefiere Total
primer marca segunda marca preferencia
Certs vs. Clorets
Clorets vs. Deemint
Deemint vs. Halls
Halls vs. Usher
Usher vs. Douglas
Douglas vs. Canels
Canels vs. Certs
. vs. .
. vs. .
Marca m vs. Marca n

33
 Los datos recabados deben tener un formato especial para ser
procesados por el CPM.
1001 Folio
2034012 Evaluacin primer marca en los siete atributos
0000000 Evaluacin segunda marca en los siete atributos (el entrevistado no calific esta marca)
1024033 Evaluacin tercer marca en los siete atributos
4023012 Evaluacin cuarta marca en los siete atributos
2041024 Evaluacin quinta marca en los siete atributos
0000000 Evaluacin sexta marca en los siete atributos (el entrevistado no calific esta marca)
3223013 Evaluacin septima marca en los siete atributos
21 Nmero de pares evaluadas
5 3 50 Preferencia marca 1 sobre la 3 (50%)
3 1 23 Preferencia marca 3 sobre la 1 (23%)
1 4 50 Preferencia marca 1 sobre la 4 (50%)
4 5 77 Preferencia marca 4 sobre la 5 (77%)
5 1 23 Preferencia marca 5 sobre la 1 (23%)
3 4 23 Preferencia marca 3 sobre la 4 (23%)
.
.
.

1002 Folio siguiente caso

.
.
.

34
 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 CERTS1 TO CANEL7 PRODU1 TO PRODU7 (F2.0).
FORMAT PAR (F3.0).
FORMAT PRE1Y2 TO PRE6Y7 (F4.0).
WRITE OUTFILE = 'C:\CPM\PASTILLA.DAT' RECORDS = 1 TABLE /1
FOLIO 1-4 CERTS1 TO CANEL7 5-102 PAR 103-105
PRODU1 PRODU2 106 - 109 PRE1Y2 110 - 113
PRODU1 PRODU3 114 - 117 PRE1Y3 118 - 121
PRODU1 PRODU4 122 - 125 PRE1Y4 126 - 129
PRODU1 PRODU5 130 - 133 PRE1Y5 134 - 137
PRODU1 PRODU6 138 - 141 PRE1Y6 142 - 145
PRODU1 PRODU7 146 - 149 PRE1Y7 150 - 153
PRODU2 PRODU3 154 - 157 PRE2Y3 158 - 161
PRODU2 PRODU4 162 - 165 PRE2Y4 166 - 169
PRODU2 PRODU5 170 - 173 PRE2Y5 174 - 177
PRODU2 PRODU6 178 - 181 PRE2Y6 182 - 185
PRODU2 PRODU7 186 - 189 PRE2Y7 190 - 193
PRODU3 PRODU4 194 - 197 PRE3Y4 198 - 201
PRODU3 PRODU5 202 - 205 PRE3Y5 206 - 209
PRODU3 PRODU6 210 - 213 PRE3Y6 214 - 217
PRODU3 PRODU7 218 - 221 PRE3Y7 222 - 225
PRODU4 PRODU5 226 - 229 PRE4Y5 230 - 233
PRODU4 PRODU6 234 - 237 PRE4Y6 238 - 241
PRODU4 PRODU7 242 - 245 PRE4Y7 246 - 249
PRODU5 PRODU6 250 - 253 PRE5Y6 254 - 257
PRODU5 PRODU7 258 - 261 PRE5Y7 262 - 265
PRODU6 PRODU7 266 - 269 PRE6Y7 270 - 273.
EXECUTE.

35
 CPM requiere dos archivos ms aparte del de datos. Utilizando
cualquier editor de texto se generan los archivos de etiquetas; uno
con extensin .pro para los productos y el otro con .att para
los atributos, ambos archivos deben comenzar con el nmero que
indica la cantidad de productos y atributos evaluados.

pastilla.pro pastilla.att
7 7
Certs Sabor agradable
Clorets Forma que me gusta
Deemint Variedad de sabores
Halls Marca de prestigio
Usher Sabor natural
Douglas Publicidad que convence
Canels Marca de calidad
36
 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.

37
 Escogemos un nombre para nuestro mapa, lo tecleamos en el
rea sombreada y presionamos enter.

CHOOSE STUDY NAME

Type your study name choice:

PASTILLA

and then press ENTER.

Just press ENTER to accept the current name.

38
 El programa nos regresa al men 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.

39
 En la siguiente pantalla se selecciona 2 para sealar 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.

40
 En el rea gris sealamos 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?

Pastilla.dat

Type the file name, or press ESC to back up.

41
 Sealamos el nmero 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 estn 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) 7
How many products are there? (2 to 90) 7
Are there also explicit ideal ratings? (1 if yes, 0
0 if no)
In which order are the ratings? 1
(1 for Attribute-within-product or 2 for Product-within-attribute)
Are the preference data in the same file? 1
(1 if the same file or 2 if a different file.)
In what form are the preference data? 1
(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.

42
 Accionamos enter dos veces hasta que el programa nos
devuelva al men 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.

43
 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

44
 El programa empezar a trabajar y nos pedir confirmar
algunos resultados, daremos enter hasta llegar a la pantalla
anterior y despus scape para llegar al men principal all
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.

45
 En esta parte seleccionamos el archivo que acabamos de crear
pastilla.vec y confirmamos Ok.

46
 Antes de desplegar el mapa el programa nos pedir confirmar
los ejes X y Y a lo que slo tenemos que apretar enter.

Advertencia: este mapa carece de significado ya que fue hecho con datos
totalmente falsos.

47
 Interpretacin.
Bsicamente se interpreta igual que un biplot.
La densidad del sombreado indica preferencia, entre ms denso
es el sombreado hay mayor preferencia por las marcas que caen
dentro de esa rea, los atributos orientados en la misma
(direccin son los que estn 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 direccin del
eje.

Software.
CPM de Sawtooth Software.

49
Anlisis de cuadrantes
discriminantes (DQA)
50
 Discriminant Quadrant Analysis (DQA)

Se llama DQA porque hace una anlisis de las marcas por

cuadrantes con diferentes prioridades de atencin
mercadolgica.
Se emplea el anlisis discriminante usando la intencin de
compra del producto lder o del cliente como la variable
dependiente.
Utiliza datos de intervalo o razn.
Las preguntas bsicas son una batera de atributos donde se
evala su importancia y la imagen de los objetos (productos). La
escala utilizada puede ser likert, diferencial semntico, o
cualquier otra.
Es necesario conocer la intencin de compra de los productos.
51
 (Know how)
Ideas claves del diseo.
52
 Se desea conocer los atributos ms importantes y que
discriminan a la compra en el mercado de automviles.
Se evala la importancia de ocho atributos que se cree son
relevantes para este propsito o se utiliza una escala de
importancia que puede ser de cinco, siete u otro nmero de
intervalos.
Nada Extremadamente
importante importante
1 2 3 4 5 6 7 8 9
A continuacin se evala el desempeo de cada una de las
marcas de automviles.

Totalmente en Totalmente
desacuerdo de acuerdo
1 2 3 4 5 6 7 8 9
53
 Se pregunta la intencin de compra para cada automvil (en
este caso se pregunt el inters por el automvil)

Definitivamente Definitivamente
me gusta no me
gusta
1 2 3 4 5 6 7
Los promedios de las importancias y desempeo sirven de
coordenadas para el DQA.
Las respuestas de inters 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 desempeo del auto se utilizan
como variables independientes.

54
 Se grafican los F ratios como el valor discriminante.

Promedios
Desempeo
Atributo F ratio
Importancia Auto Grand Mazda
cliente AM Camry 626
Llantas 8.10 5.90 7.20 4.90 4.40 7.25
Parrilla 5.70 7.30 7.70 4.90 4.70 6.00
Vista frontal 7.00 6.00 7.50 5.40 5.70 5.45
Vista lateral 7.70 7.50 7.20 6.20 5.70 4.50
Luces delanteras 7.30 6.50 7.40 5.50 6.00 3.75
Luces traceras 6.70 7.10 7.30 6.40 5.80 2.75
Tamao 8.00 6.80 7.70 7.10 6.30 1.75
Vista tracera 6.10 5.60 6.70 6.30 6.10 1.00

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. Tambin, es posible emplear un criterio
menos estadstico para determinar el cruce de ambos ejes.
55
 Procedemos a graficar nuestro DQA con cualquier graficador,
en este caso empleamos Power Point.
Llantas III II
Parrilla

Vista frontal

Vista lateral

Luces delanteras
IV I
Luces traseras

Tamao

Vista trasera

Importancia
Importancia Auto cliente Grand AM Camry Mazda 626

56
 Discriminant Quadrant Analysis (DQA)
La interpretacin se hace por cuadrantes compuestos de dos
dimensiones: IMPORTANCIA del atributo y
DISCRIMINACIN a la compra.

III II

D
ZONA DE ZONA DE ALTA
I
S PRIORIDAD PRIORIDAD
C SECUNDARIA ACTUAR
R REFORZAR INMEDIATAMENTE
I
M
I
N IV I
A
C
I ZONA DE BAJA ZONA BSICA
O PRIORIDAD PRECIO DE
N ATENDER ANTES
ENTRADA
OTRAS ZONAS

IMPORTANCIA

57
 DISCRIMINANT QUADRANT ANALYSIS
(EVALUACIN DE COMPLEMENTOS ALIMENTICIOS)
(BASE =709)
BUEN SABOR III II
GRAN CANTIDAD DE VITAMINAS

AYUDA AL DESARROLLO MENTAL

AYUDA AL CRECIMIENTO

DE ORIGEN NATURAL

FCIL DE DISOLVER
IV I
FCIL DE CONSEGUIR

AYUDA A GANAR PESO

ESTIMULA EL APETITO

ECONMICO

VARIEDAD DE SABORES

Importancia MARCA A MARCA B MARCA C MARCA D

MARCA E MARCA F MARCA G MARCA H
Importancia

62
El DQA es una tcnica fina que permite:

Detectar los atributos tpicos (mnimos a ofrecer) de un producto

o servicio.
Generar un sistema de prioridades.
Detener una sobre-inversin sobre atributos poco importantes o
discriminadores de compra.
Monitorear atributos que antes eran disparadores de compra y
que ahora son bsicos; en otras palabras, detecta los cambios
dinmicos del mercado. Por ejemplo, hace unos aos 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 bsicos (Cuadrante I).
Hacer un anlisis claro de nuestro producto o servicio vs. la
competencia en un solo mapa.
63
Conclusin
64
Conclusin

Los datos limitan el tipo de mapa que se puede crear por lo

que siempre conviene saber con anticipacin que tipo de
mapa se necesita: correspondencias, biplot, discriminante,
etc.
la decisin del mapa se hace con base a los objetivos del
estudio. An incluso cuando se dispone de varias
alternativas los mapas varan 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 informacin que obtenemos
con cada uno de ellos es diferente.

65
 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 ms.
Para conocer un poco ms podemos buscar en Internet
perceptual mappings y visitar los sitios:
www.surveysite.com
www.brain-research.com
www.nd.edu

66