PLAN DE MARKETING

MARISOL PLAZAS OLMOS

CORPORACIÓN UNIVERSITARIA DE ASTURIAS

PROGRAMA DE ADMINISTRACIÓN DE EMPRESAS
BOGOTÁ
2020

1
 Índice

1. Introducción…………………………………………………………………………3
2. Enunciado...................................................................................................................4
3. ¿Cuándo es oportuno realizar un análisis factorial? ………………………………10
4. ¿Qué ventajas e inconvenientes tiene esta técnica? ………………………………11
5. ¿Qué técnica multivariante de apoyo a las decisiones de marketing utilizaremos si
queremos segmentar el mercado? …………………………………………………12
6. Conclusiones.............................................................................................................14
7. Referencia Bibliograficas..........................................................................................15

2
1. Introducción

El presente trabajo se realiza con el fin de aplicar los conocimientos adquiridos en la

asignatura Plan de Marketing, estudiando el Análisis factorial como ejemplo en la toma de
decisión desde la parte del marketing, identificar las diferentes técnicas multivariantes para
que sirven y como se aplican. De igual manera se dará solución a las preguntas con relación
al tema visto.

3
2. Ejemplo de análisis factorial para la toma de decisiones de marketing

El Análisis Factorial tiene sus orígenes en los trabajos iniciados por Charles Spearman en
1.904, donde trataba de analizar la causa de que las puntuaciones obtenidas por un grupo de
alumnos en distintas materias presentarán altas correlaciones. Los estudios de Spearman,
pusieron de manifiesto la existencia de un factor común en todas las calificaciones, que da
una medida de la inteligencia de los alumnos, y que explicaría las altas correlaciones
existentes, y, otro factor, específico de cada alumno, que sería el responsable de la parte
residual de las calificaciones.
Actualmente, el Análisis Multivariante se utiliza para obtener medidas de variables tales
como aptitud para las ventas, resistencia a la innovación, aceptación de nuevos productos,
etc. Así, por ejemplo, una empresa que desea lanzar un nuevo artículo al mercado, y quiere
realizar un estudio acerca de la aceptación de dicho artículo, puede, a través de una encuesta
con cuestiones que midan una serie de variables, obtener una medida de la "variable no
observable" que pretende analizar.
Dentro del Análisis Factorial, podemos distinguir dos técnicas que, si bien tienen el mismo
tratamiento matemático, sus objetivos son distintos: El Análisis de Componentes Principales
y el Análisis Factorial de Correlaciones.
El Análisis de Componentes Principales tiene como objetivo reducir la dimensión de un
problema, en el sentido de que un número grande de variables iniciales, se puede reducir a
uno menor de nuevas variables, denominadas Componentes, que son combinación lineal de
las originales y que además son incorrelacionadas entre sí. La reducción no supone en ningún

4
caso pérdida de la información relevante proporcionada por las primeras variables. Las
nuevas variables o Componentes, se pueden utilizar con múltiples objetivos, tales como:
• Describir con claridad gran cantidad de datos cuantitativos y analizar las relaciones
existentes entre ellos.
• Realizar estudios Multivariantes posteriores, como un Análisis Clúster, o construir un
modelo de Regresión utilizando los pocos datos dados por las Componentes en lugar
de los muchos proporcionados por las variables iniciales.
El Análisis Factorial de Correlaciones, se puede considerar, en cierta manera, como un
método de reducción de datos, en cuanto que el número inicial de variables, se reduce a un
número inferior de Factores, pero, el objetivo de este método Multivariante, es precisamente,
identificar y cuantificar estos Factores Comunes.
Por otro lado, el Análisis de Componentes Principales no exige condiciones previas acerca
de la estructura de los datos de partida, mientras que el Análisis Factorial de Correlaciones,
supone la existencia de un Modelo que ha generado dichos datos. Además, dentro del
Análisis Factorial de Correlaciones, se puede tener, o no, conocimiento del número de
Factores Comunes. Cuando no existe tal conocimiento, nos encontramos ante un problema
de Análisis Factorial Exploratorio, En otro caso, el Análisis Factorial Confirmatorio se
encargará de verificar un modelo factorial dado.
En cualquier caso, el Análisis Factorial de Correlaciones debe:
1. Identificar los Factores Comunes existentes en el modelo.
2. Obtener las relaciones entre las variables iniciales y los Factores Comunes.
3. Proporcionar una interpretación de los Factores Comunes.
Los resultados obtenidos por el Análisis Factorial de correlaciones sirven de base para otras
técnicas como análisis Clúster, discriminante, regresión, ... Como conclusión teórica sobre el
Análisis Factorial decir que éste reduce la multiplicidad de pruebas y medidas hasta lograr
una sencillez notable. Indica qué pruebas y medidas pertenecen al mismo grupo y cuáles
miden prácticamente lo mismo. Por lo tanto, reduce el número de variables y ayuda a
localizar o identificar unidades o propiedades fundamentales en que se deben basar las
pruebas.
Ejemplo práctico de análisis factorial
Utilizaremos un caso sencillo.

5
Una empresa especializada en el diseño de automóviles de turismo desea averiguar cuáles
son las preferencias más importantes del público que compra estos automóviles. Con este fin
diseña una encuesta de diez preguntas y se la aplica a un grupo de potenciales clientes. Se les
pide que valoren de 1 a 5 cada una de las características. A mayor puntuación mayor
preferencia de la característica. Estas diez características son:

Se trata de averiguar si estas diez variables pueden agruparse en pocos factores. Tabuladas
las encuestas los datos se ingresan al SPSS. Las variables (características vehiculares) se
ingresan como columnas y los datos de cada sujeto conforman una fila. Inicialmente el SPSS
arroja la respectiva Matriz de Correlaciones. (Aunque sería necesario un curso sobre
Estadística y SPSS, os detallo que, a continuación, el SPSS nos ha proporcionado los
resultados de los test requeridos: Test de Bartlett e Índice Kaiser-Meyer-Olkin, y los
resultados obtenidos en los dos test indican que es posible continuar con el Análisis
Factorial). De inmediato el SPSS nos proporciona la Tabla de Estadísticos Iniciales, en donde
todas las variables presentan la misma comunalidad junto con sus valores propios
(eigenvalores) así como los valores porcentuales y acumulados de la varianza explicada por
cada uno de los factores.

6
Los datos conseguidos con el programa SPSS (sobre Estadísticos Iniciales) destacan
nítidamente dos variables: “Aerodinámico” (con un eigenvalue de 5.70 acumula el 57% de
la varianza explicada) y “Barato” (con un eigenvalue de 2.07 acumula el 20.7% de la
varianza explicada). Estas dos variables juntas, acumulan el 77.7% de la varianza
explicada.
Luego, el SPSS da la primera Matriz Factorial (No Rotada) que presenta la “Carga Factorial”
(correlaciones entre las variables iniciales y los “factores” recién creados). En el caso de
nuestro estudio se aprecia que se han extraído dos factores. El primer factor (Factor 1)
presenta una mayor cantidad de variables altamente correlacionadas. Hay que tener en cuenta
que, el primer factor antes de la rotación es el que mejor Discrimina

A continuación, el SPSS entrega la Tabla de Estadísticos Finales, donde se encuentra que ha

variado la “comunalidad” y que se ha reducido el número de factores. La variación en las
comunalidades es consecuencia directa de la reducción de los factores.

7
Las comunalidades expresan la cantidad de información de cada variable representada en los
factores que quedan.
En la Tabla de Estadísticos Finales se puede observar que hay dos factores. De esta forma se
ha pasado de diez variables a tan sólo dos, produciéndose la pérdida de tan solo el 22.3% de
la información original representada por las diez variables iniciales

8
Vemos que las variables importantes siguen siendo las mismas y con coeficientes muy
parecidos, por lo que la interpretación no varía, y se reduce la complejidad del análisis y el
riesgo de error en el manejo de datos.
Conclusiones del ejemplo
Esto sólo ha sido un ejemplo de la necesidad de “cuantificar” la información de Marketing
para sacar conclusiones rigurosas.
El Análisis Factorial es una de las técnicas más útiles para el análisis (en Marketing y otras
disciplinas) la cual, gracias al desarrollo de la informática, puede ser aplicada actualmente
con relativa facilidad. Además, brinda la posibilidad de optar entre diferentes procedimientos
de acuerdo a los objetivos del estudio, lo que confiere a este análisis la posibilidad de buscar
la solución más precisa, desde el punto de vista matemático y, la más elegante, desde el punto
de vista estético.
Como conclusión empírica podemos indicar que las diez variables consideradas
inicialmente han quedado reducidas a dos factores: “economía” y “seguridad”. Se ha
pasado de diez variables a dos, produciéndose la pérdida de tan sólo el 22.3% de la
información original representada por las diez variables iniciales. Por tanto, puede
aplicarse una encuesta de sólo 2 ó 3 ítems, por ejemplo: a) Que sea económico; b) Que
sea seguro; c) Que no sea deportivo.
Finalmente, el manejo de herramientas de Marketing de Apoyo a las Decisiones debe seguir
la siguiente secuencia:
1) Recogida de Información - 2) Análisis de Datos - 3) Conocimiento - 4)
conclusiones

Sin esta “forma de pensar” corremos el riesgo de no ser rigurosos en la toma de decisiones
y, en consecuencia, mayor riesgo de errores

9
3 ¿Cuándo es oportuno realizar un análisis factorial?

Rta/
El análisis factorial: es una técnica estadística de reducción de datos usada para explicar
las correlaciones entre las variables observadas en términos de un numero menor de variables
no observadas llamadas factores
Es oportuno realizar un análisis factorial es las siguientes circunstancias:
1. Para identificar las dimensiones subyacentes, o factores, que explican las
correlaciones entre un conjunto de variables. Ejemplo: en un conjunto de enunciados
acerca del estilo de vida para medir el perfil psicográfico de los consumidores
2. Para identificar un conjunto nuevo y más reducido de variables no correlacionadas.
Ejemplo: los factores psicográficos identificados pueden utilizarse como variables
independientes, al explicar las diferencias entre los consumidores leales y los no
leales.
3. Identificar un conjunto más reducido de variables que sobresalen en un conjunto
mayor para utilizar luego en el análisis multivariado. Ejemplo: algunos de los
enunciados originales sobre el estilo de vida que tenían una elevada correlación con
los factores identificados pueden usarse como variables independientes, para explicar
las diferencias entre los consumidores leales y los no leales.

El análisis factorial tiene numerosas aplicaciones en las ciencias sociales y en ciencias de la

conducta, como en psicología e investigación de mercados. Por ejemplo:
1. Es útil en la segmentación del mercado para identificar las variables subyacentes en
que se agrupan los clientes.
2. En la investigación del producto, el análisis factorial sirve para determinar los
atributos de la marca que influyen en la elección del consumidor.
3. En estudios sobre publicidad, se utiliza el análisis factorial para entender los hábitos
de consumo de medios de comunicación, por parte del mercado meta.
4. se emplea en estudios de asignación de precios para identificar las características de
los consumidores sensibles a los precios.

10
4 ¿Qué ventajas e inconvenientes tiene esta técnica?

Rta/
Las ventajas que tiene esta técnica son:
• Puede utilizar factor análisis de manera efectiva para proporcionarle una visión
profunda de la demografía y el comportamiento de compra de los clientes, esto lo
ayudaría a apuntar mejor a su mercado y lograr mayores ventas
• Es económico y fácil de usar y puede utilizarse en una amplia variedad de situaciones
• Se puede utilizar para identificar muchos factores latentes subyacentes que otras
herramientas pueden no ser capaces de resaltar
• Esta la posibilidad de asignar puntajes a los atributos subjetivos de factores
exploratorios y análisis del factor confirmatorios.
• Debido a su carácter sistemático es más factible que pueda ser aplicado a más
problemas de productividad industrial que otros métodos.

Las desventajas que tiene esta técnica son:

• Es difícil determinar si los factores que emergen reflejan los datos o simplemente son
parte del poder del análisis factorial para encontrar patrones.
• Es difícil decidir cuántos factores incluir es decidir cuántos factores conservar. Hay
una variedad de métodos para determinar esto, y hay poco acuerdo sobre cuál es el
mejor.
• La interpretación del significado de los factores es subjetiva puede decirle qué
variables en su conjunto de datos «van juntas» de maneras que no siempre son obvias.
• Como toda metodología es factible de ser corregida, ampliada y mejorada.

11
5 ¿Qué técnica multivariante de apoyo a las decisiones de marketing utilizaremos si
queremos segmentar el mercado

Rta/
Las técnicas de análisis estadístico multivariante, son hoy en día parte integral de la mayoría
de los estudios estratégicos de mercado a gran escala. Las técnicas que ayudan a segmentar
y su uso está en función a lo que se necesita analizar y conocer de los clientes. Se clasifican
en 3 grupos por ser descriptivas, semidescriptivas y predictivas.
1.Técnicas descriptivas
• Análisis de Frecuencia Miden la efectividad y evolución de la actividad en los
programas de fidelización, comunicación, etc. en función de una variable (frecuencia
altas, repuestas, compras, etc.)
• Crosstabs Tablas cruzadas: Análisis de dos variables que describe a los clientes y nos
ayuda a controlar la evolución de la actividad (distribución por sexo-edad,
distribución geográfica clientes y no clientes, etc.).
• El clúster es la técnica utilizada para crear grupos diferentes entre si, de forma
tipológica que son el resultado de una segmentación geo demográfica y de estilos de
vida de las personas.
2.Técnicas semidescriptivas
• Chaid Genera segmentos por variables más discriminantes y los diferencia de otros
ayudando a identificar los mejores y lo peores.
3.Técnicas predictivas
• Regresión múltiple Ayuda a predecir el comportamiento futuro de los clientes
basándose en la información acumulada. Crea modelos de comportamiento e
identifica lo que han hecho. Los clientes con el mismo modelo se presumen harán lo
mismo en el futuro.
• RFM (Recencia, Frecuencia y valor Monetario)
Recencia: periodo en que el cliente ha hecho la última compra. A menor tiempo
transcurrido desde la última compra, más valor.
Frecuencia: número de compras realizadas. A mayor número de compras, más valor.
Valor monetario: Importe de las compras. Cuanto mayor es el importe, más valor.

12
 • Redes Neuronales Ayuda a predecir el comportamiento futuro de los clientes
basándose en la información surgida de análisis neuronal. Poco a poco la tecnología
permite anticipar los gustos de los futuros consumidores (y no es ciencia ficción)

Para segmentar el mercado se utilizará la técnica Análisis Clúster conocido como Análisis
de Conglomerados, es una herramienta de análisis exploratorio de datos que busca clasificar
diferentes objetos o variables dentro de grupos, de tal manera que la asociación entre dos
objetos o variables sea máxima si pertenecen al mismo grupo y mínima si no pertenecen.
El análisis de conglomerados se ha usado en marketing con diversos propósitos, entre los que
se encuentran:
• Segmentación del mercado: por ejemplo, puede agruparse a los consumidores según
los beneficios que buscan en la compra de un producto.
• Entender la conducta de los compradores: el análisis de conglomerados puede usarse
para identificar grupos homogéneos de compradores.
• Identificar oportunidades de nuevos productos: al agrupar marcas y productos, es
posible determinar conjuntos competitivos dentro del mercado.
• Elegir mercados de prueba: al agrupar ciudades en conglomerados homogéneos, es
posible elegir ciudades comparables para probar diversas estrategias de marketing.
• Reducir los datos: el análisis de conglomerados es útil como herramienta general de
reducción de datos, para desarrollar conglomerados o subgrupos de datos que sean
más fáciles de manejar que las observaciones individuales.

13
6 Conclusiones

• Análisis Factorial tiene como objetivo definir la estructura subyacente de un

conjunto de datos, analizando las interrelaciones o correlaciones entre variantes, ya
sean ítems o preguntas de una prueba, respuestas o encuestas, entre otras.

Es de suma importancia el conocer e identificar las diferentes técnicas multivariantes de

apoyo a las decisiones de marketing, en un entorno tan cambiante el análisis multivariante es
fundamental para aclarar y exponer las relaciones entre las diferentes variables que pueden
estar asociadas con los datos establecidos y los estudios estratégicos realizados en el
mercado.

14
7 Referencias Bibliográficas

cienciadehoy. (s.f.). Desventajas del análisis factorial. Obtenido de

https://cienciadehoy.com/desventajas-del-analisis-factorial/

CÓMO SE HACE UN ANÁLISIS DE CONGLOMERADOS. (13 de 12 de 2015). Obtenido de

https://plepso.blogspot.com/2015/12/analisis-de-conglomerados.html

Leal, J. P. (18 de 06 de 2018). ¿QUÉ ES ANÁLISIS FACTORIAL? Técnica estadística de reducción de

datos. Obtenido de https://asesoriatesis1960.blogspot.com/2018/06/que-es-analisis-
factorial-tecnica.html

15