UNIDAD DE ESTUDIOS A DISTANCIA

MODALIDAD SEMI-PRESENCIAL
CARRERA DE LICENCIATURA EN MARKETING
PARALELO A1

MÓDULO XI: INTELIGENCIA DE MERCADO

TEMA

TÉCNICAS DE ANÁLISIS DE DATOS

ALUMNA:
LORENA MARIBEL ZAMORA ARRIAGA

DOCENTE:
LIC. FRANCISCO LIBERIO ROCA, MSc.

SEMESTRE V

I PERÍODO ACADÉMICO 2019 – 2020

QUEVEDO – ECUADOR
Técnicas de análisis de datos

La preparación de los datos incluye su revisión, codificación, transcripción y verificación.

Cada cuestionario o forma de observación se revisa y, de ser necesario, se corrige. Se
asignan códigos numéricos o letras para representar cada respuesta a cada pregunta del
cuestionario. Los datos de los cuestionarios se transcriben o se capturan en cintas o discos
magnéticos, o se introducen directamente a la computadora. Los datos se analizan para
obtener información relacionada con los componentes del problema de investigación de
mercados y, de esta forma, brindar información al problema de decisión administrativa.
(Malhotra, 2008)

Después de que ha concluido el trabajo de campo, los datos se deben convertir a un

formato que dé respuesta a las cuestiones que interesan al gerente de marketing; es la
etapa de procesamiento y análisis de datos. Aquí se extraerá el contenido de la
información de los datos burdos. El procesamiento suele comenzar con la edición y
codificación de los datos. La edición se refiere a examinar las formas de acopio para
detectar omisiones, facilitar la comprensión y dar consistencia a la clasificación. El
proceso de edición corrige problemas como los errores del entrevistador (una respuesta
anotada en una parte que no corresponde en el cuestionario) previo a que los datos se
transfieran a la computadora. (Kotler & Keller, 2012)

Introducción al análisis de los datos.

La preparación de los datos comienza con una revisión preliminar de todos los
cuestionarios para verificar que estén completos y la calidad de las entrevistas. Luego se
hace una edición más minuciosa. La edición consiste en revisar los cuestionarios para
identificar las respuestas ilegibles, incompletas, incongruentes o ambiguas. Para manejar
esas respuestas pueden regresarse los cuestionaros al campo, asignarles valores faltantes
o descartar a los encuestados insatisfactorios. (Malhotra, 2008)

El siguiente paso es la codificación. Se asigna un código numérico o alfanumérico, para

representar una respuesta específica a una pregunta en particular, junto con la posición en
la columna que ocupará dicho código. A menudo es útil preparar un libro de códigos que
contenga las instrucciones para la codificación y la información necesaria sobre las
variables en el conjunto de datos. Los datos codificados se trascriben en discos o cintas
magnéticas, o se capturan en computadoras por medio del teclado. También pueden
usarse las formas de marcado sensorial, lector óptico o análisis sensorial computarizado.
(Malhotra, 2008)

La depuración de los datos requiere revisiones de la congruencia y el tratamiento de las

respuestas faltantes. Las opciones disponibles para el tratamiento de las respuestas
faltantes incluyen la sustitución con un valor neutro como la media, sustitución por una
respuesta atribuida, eliminación por casos y eliminación por pares. Los ajustes
estadísticos como la ponderación, la redefinición de las variables y las transformaciones
de la escala suelen mejorar la calidad del análisis de los datos. La elección de la estrategia
de análisis de datos debe basarse en los primeros pasos del proceso de investigación de
mercados, las características conocidas de los datos, las propiedades de las técnicas
estadísticas, y la experiencia y filosofía del investigador. (Malhotra, 2008)

Según Malhotra, (2008), las técnicas estadísticas se clasifican como univariadas o

multivariadas. Antes de analizar los datos en la investigación de mercados
internacionales, el investigador debe asegurarse de que las unidades de medición son
comparables entre países o unidades culturales. El análisis de datos se realiza en tres
niveles:

1. individual,

2. dentro de un país o una unidad cultural (análisis intracultural) y

3. entre países o unidades culturales (análisis pancultural o transcultural).

Varios aspectos éticos están relacionados con el procesamiento de datos, en particular el

hecho de descartar respuestas insatisfactorias, el incumplimiento de las suposiciones que
subyacen a las técnicas de análisis de datos, y la evaluación e interpretación de los
resultados. Internet y las computadoras desempeñan un papel importante en la
preparación y análisis de los datos. (Malhotra, 2008)

El análisis de datos es la aplicación del razonamiento para entender los datos recabados.
En su forma más sencilla, el análisis es la búsqueda de patrones consistentes y la síntesis
de los detalles importantes revelados por la investigación. La técnica apropiada para el
análisis de datos será determinada por los requerimientos de información de la
administración, las características del diseño de la investigación y la naturaleza de los
datos recabados. (Kotler & Keller, 2012).

El análisis estadístico puede ir desde una simple distribución de frecuencias, hasta análisis
multivariados más complejos, como una regresión múltiple. Se divide en tres categorías
generales de análisis estadístico: análisis univariado, análisis bivariado y análisis
multivariado (Kotler & Keller, 2012).

Técnicas de análisis univariantes.

Las técnicas estadísticas pueden clasificarse en univariantes, bivariantes y multivariantes.

Son recomendables cuando hay una sola medición para cada elemento de la muestra, o
cuando hay varias mediciones para cada elemento pero cada variable se analiza por
separado. (Malhotra, 2008)

Pueden clasificarse en función de si los datos son métricos o no métricos. Los datos
métricos se miden en una escala de intervalo o de razón. Los datos no métricos se miden
en una escala nominal u ordinal. Dichas técnicas también se clasifican de acuerdo con el
uso de una, dos o más muestras. Advierta que aquí el número de muestras se determina
según la forma en que se tratan los datos para propósitos del análisis, y no en función de
la manera en que se recolectaron los datos. (Malhotra, 2008)

Por ejemplo, los datos para los hombres y las mujeres pueden haber sido recolectados
como una sola muestra; pero si el análisis implica un examen de las diferencias sexuales,
se usarán técnicas para dos muestras. (Malhotra, 2008)

Las muestras son independientes si se toman al azar de diferentes poblaciones. Para

propósitos del análisis, los datos que conciernen a diferentes grupos de encuestados (por
ejemplo, hombres y mujeres) por lo general se tratan como muestras independientes. Por
otro lado, las muestras son pareadas cuando los datos de las dos muestras se relacionan
con el mismo grupo de encuestados. (Malhotra, 2008)
En el caso de los datos métricos, cuando hay una única muestra, pueden usarse las pruebas
z y t. Cuando hay dos o más muestras independientes, pueden usarse las pruebas z y t para
las dos muestras y un análisis de varianza de un factor (ANOVA de un factor) para más
de dos muestras. En el caso de dos o más muestras relacionadas, puede usarse la prueba t
pareada. (Malhotra, 2008)

En el caso de los datos no métricos que impliquen una sola muestra, puede usarse la
distribución de frecuencias, chi cuadrada, la prueba de Kolmogorov-Smirnov (K-S),
corridas y pruebas binomiales. Para dos muestras independientes con datos no métricos,
pueden usarse la chi cuadrada, la prueba de Mann-Whitney, la mediana, K-S, y el análisis
de varianza de un factor de Kruskal-Wallis (K-W ANOVA). En contraste, cuando hay
dos o más muestras relacionadas deben usarse pruebas de signos, McNemar y Wilcoxon.
Las técnicas estadísticas multivariadas se clasifican como técnicas de dependencia o de
interdependencia. (Malhotra, 2008)

Las técnicas de dependencia son adecuadas cuando es posible identificar a una o más
variables como variables dependientes y al resto como variables independientes. Cuando
hay una sola variable dependiente, se puede utilizar la tabulación cruzada, el análisis de
varianza y covarianza, la regresión, el análisis discriminante de dos grupos y el análisis
conjunto. Sin embargo, si hay más de una variable dependiente, las técnicas apropiadas
serían el análisis multivariado de varianza y covarianza, la correlación canónica y el
análisis discriminante múltiple. (Malhotra, 2008)

En las técnicas de interdependencia, las variables no se clasifican como dependientes o

independientes; más bien se examina todo el conjunto de relaciones de interdependencia.
Estas técnicas se enfocan en la interdependencia de las variables o en la semejanza entre
objetos. La principal técnica para estudiar la interdependencia de las variables es el
análisis factorial. El análisis de la semejanza entre objetos puede realizarse usando el
análisis de conglomerados y el escalamiento multidimensional. (Malhotra, 2008)

Técnicas de análisis bivariantes.

Según Zikmund & Babin, (2009) Tiene dos usos fundamentales:

Establecer la asociación entre dos variables (explicar una característica en base a otra).
Realizar la comparación de una variable entre grupos (independientes o relacionados)
conformados en base a una segunda variable.

Consiste en realizar un tratamiento estadístico a dos variables de manera simultánea.

Existe varias formar de realizar este procedimiento. Uno de ellos es contar frecuencias
dobles, es decir, contar dos características a la vez en un individuo. Por ejemplo: Sexo
femenino y estar casada. Cuando decimos que hay 140 mujeres casadas, hemos hecho un
recuento bivariado. Estas frecuencias dobles se usan en tablas anidadas o de doble entrada
para el caso de variables nominales u ordinales. (Zikmund & Babin, 2009)

Otro procedimiento es usar la correlación simple para el caso de variables cuantitativas.

Para estas el procedimiento es bivariado dado que computa el producto de los desvíos
respecto de la media para dos variables, evaluadas sobre un mismo individuo. Por
ejemplo: El peso y la estatura, mediante la expresión que indica que cada distancia de
“x”, por ejemplo peso, respecto de su media, es multiplicada por la de “y”, por ejemplo
estatura. (Zikmund & Babin, 2009)

Los estudios bivariados miden la relación entre dos variables. Ninguna de las variables
en estudio es una variable independiente, por lo que el procedimiento no es experimental,
como en los estudios univariados. Las correlaciones bivariadas son herramientas comunes
y se utilizan para estudiar cómo una variable influye en la otra. Por ejemplo: Si quieres
ver cómo los ingresos de la familia influyen en las tasas de graduación, se puede utilizar
una correlación bivariada para examinar las dos variables. (Manrique Ch., 2013)

Análisis de la varianza

Se utilizan en situaciones en las que la muestra total está dividida en varios grupos
basados en una o varias variables independientes no métricas y las variables dependientes
analizadas son métricas. Su objetivo es averiguar si hay diferencias significativas entre
dichos grupos en cuanto a las variables dependientes se refiere. Por ejemplo, ¿hay
diferencias en el nivel de colesterol por sexos? ¿Afecta, también, el tipo de ocupación?
(Salvador, 2013)

Cuando las medias de dos o más grupos o poblaciones deben ser comparadas, un análisis
de la varianza (ANOVA) es la herramienta estadística apropiada. Cuando ANOVA
incluye una sola variable de agrupamiento, es referida a menudo como ANOVA de una
sola vía porque sólo participa una variable independiente. (Micheltd, 2013)

Otra forma de definir ANOVA es como la técnica estadística apropiada para examinar el
efecto de una variable independiente menor que un intervalo sobre un intervalo al menos
de pendiente continua. (Micheltd, 2013)

Así, una variable independiente categórica y una variable dependiente continua están
involucradas. Una prueba t de muestras independientes puede considerarse un caso
especial de ANOVA en el que la variable independiente sólo tiene dos niveles. Cuando
existen más niveles, la prueba t no puede manejar sola el problema. (Micheltd, 2013)

Las técnicas del análisis de varianza puedan ayudar a identificar factores afectivos y
perceptuales. El Análisis de varianza (ANOVA) se usa como una prueba de medias para
dos o más poblaciones. La hipótesis nula generalmente plantea que todas las medias son
iguales. Por ejemplo, suponga que el investigador está interesado en examinar si usuarios
frecuentes, intermedios, esporádicos y no usuarios de cereales difieren en su preferencia
por el cereal Total, medida en una escala Likert de 9 puntos. La hipótesis nula de que los
cuatro grupos no difieren en su preferencia por el cereal Total se pondría a prueba
utilizando un análisis de varianza (Malhotra, 2008).

En su forma más simple, el análisis de varianza debe tener una variable dependiente
(preferencia por el valor Total) que sea métrica (medida con una escala de intervalo o de
razón). También debe existir una o más variables independientes (uso del producto:
frecuente, intermedio, esporádico y no usuarios). Todas las variables independientes
deben ser categóricas (no métricas) (Malhotra, 2008).

Las variables independientes categóricas también se conocen como factores. Una

combinación particular de niveles de factores o categorías se denomina tratamiento. El
análisis de varianza de un factor sólo incluye una variable categórica o un factor. Las
diferencias en la preferencia de los usuarios frecuentes, intermedios, esporádicos y no
usuarios pueden examinarse con un ANOVA de un factor (Malhotra, 2008).

En el análisis de varianza de un factor, un tratamiento es igual a un nivel de factor (los

usuarios intermedios constituyen un tratamiento). Si participan dos o más factores, al
análisis se le llama análisis de varianza de n factores. Si, además del uso del producto, el
investigador también quisiera examinar la preferencia por el cereal Total de los clientes
que son leales y de quienes no lo son, se podría realizar un análisis de varianza de n
factores (Malhotra, 2008).

Análisis multivariantes

Son convenientes para el análisis de los datos, cuando hay dos o más mediciones de cada
elemento y las variables se analizan al mismo tiempo. Las técnicas multivariadas se
interesan en las relaciones simultáneas entre dos o más fenómenos. Difieren de las
técnicas univariadas en el hecho de que no se concentran en los niveles (promedios) y las
distribuciones (varianzas) del fenómeno, sino en la medida de las relaciones
(correlaciones o covarianzas) entre esos fenómenos. (Malhotra, 2008)

El Análisis Multivariante es el conjunto de métodos estadísticos cuya finalidad es analizar

simultáneamente conjuntos de datos multivariantes en el sentido de que hay varias
variables medidas para cada individuo u objeto estudiado. Su razón de ser radica en un
mejor entendimiento del fenómeno objeto de estudio obteniendo información que los
métodos estadísticos univariantes y bivariantes son incapaces de conseguir. (Salvador,
2013)

En la evaluación y recopilación de datos estadísticos se utilizan métodos de análisis

multivariantes para aclarar y explicar las relaciones entre las diferentes variables que
pueden estar asociadas con estos datos. (Salvador, 2013)

El análisis multivariante siempre se utiliza cuando hay más de tres variables involucradas
y el contexto de su contenido no está claro. El objetivo es detectar una estructura por un
lado, y verificar los datos de las estructuras por otro. (Salvador, 2013)

Objetivos del Análisis Multivariante

Pueden sintetizarse en dos:

1) Proporcionar métodos cuya finalidad es el estudio conjunto de datos multivariantes
que el análisis estadístico uni y bidimensional es incapaz de conseguir
2) Ayudar al analista o investigador a tomar decisiones óptimas en el contexto en el que
se encuentre teniendo en cuenta la información disponible por el conjunto de datos
analizado (Salvador, 2013)

Tipos de técnicas multivariantes

Se pueden clasificar en tres grandes grupos (ver esquema adjunto):

1) Métodos de dependencia
Suponen que las variables analizadas están divididas en dos grupos: las variables
dependientes y las variables independientes. El objetivo de los métodos de dependencia
consiste en determinar si el conjunto de variables independientes afecta al conjunto de
variables dependientes y de qué forma. (Salvador, 2013)
2) Métodos de interdependencia
Estos métodos no distinguen entre variables dependientes e independientes y su objetivo
consiste en identificar qué variables están relacionadas, cómo lo están y por qué.
(Salvador, 2013)
3) Métodos estructurales
Suponen que las variables están divididas en dos grupos: el de las variables dependientes
y el de las independientes. El objetivo de estos métodos es analizar, no sólo como las
variables independientes afectan a las variables dependientes, sino también cómo están
relacionadas las variables de los dos grupos entre sí. (Salvador, 2013)

Fuente: Salvador (2013) Introducción al análisis multivariante

 Bibliografía

Kotler, P., & Keller, K. (2012). Dirección de Marketing. Décimo cuarta edición. México:
Prentice Hall.

Malhotra, N. K. (2008). Investigación de Mercados, Quinta edición. México: Pearson.

Manrique Ch., J. E. (2013). Análisis Bivariante. Perú: Universidad Peruana Cayetano

Herdia.

Micheltd, A. (2013). Elementos de estadística para el estudio de mercado. España:

Mundo C.V.

Moreno, H. (13 de Junio de 2017). Análisis de la Varianza (Anova). Obtenido de El

Estadístico:http://elestadistico.blogspot.com/2007/07/anlisis-de-la-varianza-
anova.html

Salvador, M. (2013). Introducción al Análisis Multivariante. México: Trillas.

Zikmund, W. G., & Babin, B. J. (2009). Investigación de Mercado. México: Cengage

Learning Editores, S.A. de C.V.