Boletines

Boletín Electrónico N° 27
ANÁLISIS DE SEGMENTACIÓN
Segunda parte



TÉCNICAS TRADICIONALES Y SUS INCONVENIENTES

Como dijimos en el boletín anterior, el análisis de segmentación se utiliza cuando existen elementos para suponer que la población es heterogénea respecto del fenómeno que estamos estudiando, en cuyo caso las conclusiones obtenidas para la población total no nos darán ninguna información útil.

En definitiva, la segmentación de mercado es un procedimiento que apunta a descubrir la verdadera situación. No podemos pensar que por el mero hecho de aplicar una técnica de segmentación vamos a “crear” segmentos, lo que haremos es descubrir si existen o no.

La técnica tradicionalmente utilizada para llevar a cabo este tipo de estudio se denomina análisis de cluster. El análisis de cluster requiere que las variables que se estudian sean de tipo numérico, cosa poco frecuente en investigación de mercado, en donde se analizan mayoritariamente fenómenos categóricos, como actitudes u opiniones, además del sexo, la edad, NSE, etc., utilizadas para contextualizar.

Los analistas se habituaron a asociar variables numéricas a fenómenos de naturaleza categórica para poder aplicar los modelos disponibles. Tradicionalmente, se han llevado a cabo los análisis de segmentación representando las actitudes, opiniones, etc., mediante escalas, con la idea de que así se construyen variables numéricas que permiten aplicar un cluster.

Este procedimiento cambia la esencia del fenómeno que se quiere medir y, además, construye variables que no son realmente numéricas y no respetan la métrica requerida para aplicar un análisis de cluster.

Otros problemas que afectan al análisis de cluster son la existencia de individuos con valores extremos o la existencia de variables con información redundante. En este caso, los clusters van a estar definidos por las variables redundantes o por los valores extremos.

Para obtener el número óptimo de clusters y describirlos adecuadamente, se debe cruzar la variable generada por la segmentación con las variables utilizadas en el análisis y determinar el número de clusters por un proceso de prueba-error.

El problema de la métrica no afecta sólo al análisis de cluster, también se filtra en otros análisis multivariados, como análisis factorial y regresión. Todos sabemos que estas técnicas funcionan muy bien cuando existen fuertes relaciones lineales entre las variables analizadas porque están diseñadas para captar este tipo de relaciones, pero pueden arrojar resultados dudosos en el caso de que estos supuestos no se cumplan.

En los últimos años se han venido desarrollando con mucho éxito técnicas diseñadas específicamente para el estudio de variables categóricas que permiten dar una mirada diferente a la información contenida en los datos que se recogen en las encuestas.

El motivo de su éxito radica (como se dijo anteriormente) en que, muchas veces, las variables que se construyen como numéricas están representando fenómenos de naturaleza más categórica que numérica y estos fenómenos pueden presentar determinado tipo de relaciones que con la aplicación de técnicas lineales quedan ocultas.

La más importante de estas técnicas es el análisis de correspondencias múltiples ACM que, aplicado a una tabla de datos categóricos, transforma a las variables originales en un conjunto de ejes factoriales que conservan toda la información contenida en las variables originales y permiten la aplicación de cualquier técnica estadística porque son verdaderas variables numéricas.

El ACM permite también reducir la dimensión del espacio original a la cantidad de dimensiones reales existentes en los datos, evitando la influencia de los valores extremos y de la información redundante.