Esta página carece de notas, gráficos, tablas y formato. Su objetivo es facilitar el acceso y permitir una rápida revisión del contenido por los investigadores. Los interesados en la tesis deben bajarse el texto completo comprimido ZIP

Análisis de las promociones sobre ventas en establecimientos detallistas de alimentación
Yolanda Yustas López

 

5.- Métodos y técnicas de análisis de datos.

El procedimiento utilizado en el análisis de la información ha sido descriptivo, siguiendo las pautas que habitualmente utilizan los usuarios de los paneles de detallistas (fabricantes, detallistas y expertos en investigación) y se ha completado y reforzado con las técnicas estadísticas del análisis factorial de correspondencias (AFC), el análisis AID (Automatic Interaction Detection) y el análisis de grupos (cluster analysis), tanto con el modelo ascendente del algoritmo de Johnson, como con el modelo descendente del algoritmo de Howard-Harris. Para aplicar todas estas técnicas se ha utilizado el programa informático Dyane desarrollado por Miguel Santesmases Mestre (1997).

A) Análisis factorial de correspondencia (AFC):

El análisis factorial de correspondencias es una modalidad de análisis factorial que permite representar de forma simultánea, en una configuración multidimensional, las variables filas y columnas de una tabla de contingencia. Es un método de estadística descriptiva multivariante que representa gráficamente las filas y las columnas de una matriz de datos en un espacio de bajas dimensiones. Está basado en la descomposición del ji-cuadrado, y el estudio de tal dependencia se realiza por una representación gráfica y por parámetros numéricos que ayudan a su interpretación.

Es un método de gran utilidad para esta investigación al permitir un tratamiento multivariable de los problemas. Esta naturaleza multivariables puede revelar relaciones que de otro modo pueden no detectarse, y no solo descubre que hay una relación, sino que también ayuda a mostrar como es la relación entre las variables. El gráfico que se obtiene con este análisis permite detectar relaciones estructurales entre categorías variables.

Es además un método muy flexible en cuanto a los requisitos que exige ya que únicamente necesita una matriz rectangular de datos con entradas no negativas, lo cual coincide con los datos disponibles para este trabajo.

La interpretación del significado de cada eje factorial tiene aspectos subjetivos y debe realizarse en función de la posición que ocupan sobre el eje las distintas variables fila y columna.

El análisis factorial de correspondencia se ha utilizado en esta investigación resultando enormemente útil para validar el análisis de las semejanzas y diferencias en el comportamiento promocional de los diversos productos de alimentación en los siguientes apartados del análisis de resultados:

1.- Porcentaje de ventas en valor en tiendas con promoción por áreas geográficas.

2.- Porcentaje de ventas en valor en tiendas con promoción por tipos de tienda.

3.- Distribuciones ponderadas de los diversos tipos de promociones.

4.- Elasticidad promocional en el total España.

5.- Ventas incrementales por tipo de tienda.

B) Análisis AID (Automatic Interaction Detection):

Es una técnica de análisis estadístico que estudia la relación de dependencia entre una variable criterio (variable dependiente) y múltiples predictoras (variables independientes o explicativas) y detecta el efecto y las interacciones existentes entre las variables explicativas. La aplicación del análisis AID en esta tesis se ha utilizado para la segmentación de mercados en la que se dividen a los productos de acuerdo con el comportamiento en la utilización de los distintos tipos de promoción en cada establecimiento, lo cual sirve de variable criterio.

El análisis AID procede de forma secuencial, mediante análisis de la varianza, realizando divisiones dicotómicas de la variable dependiente o a explicar. Partiendo inicialmente de la totalidad de la muestra que se quiere analizar la subdivide en dos, según la variable que explica mejor las diferencias en el comportamiento a estudiar. Cada uno de estos grupos formados se vuelve a subdividir, también de acuerdo con la variable que explica mejor la diferencia entre ellos. El proceso de subdivisión en grupos dicotómicos continúa hasta que el tamaño de los mismos llega a un mínimo establecido o las diferencias entre los valores medios de los grupos no son significativas (Sonquist, Baker y Morgan, 1973 y Santesmases,1997).

C) Análisis de grupos (Cluster analysis):

Es un conjunto de técnicas estadísticas que sirven para determinar grupos internamente homogéneos, pero distintos entre sí, bien por agrupación de unidades más pequeñas o por división de segmentos mayores. Estas técnicas clasifican elementos teniendo en cuenta todas las variables de análisis, sin referirse al comportamiento de una variable criterio específica como el análisis AID. Para determinar la similitud entre elementos existen diversas medidas de distancia, pero una de las más utilizadas es la distancia euclideana. Las técnicas de análisis de grupos se han aplicado en esta investigación para definir tipologías e identificar segmentos con los diversos productos estudiados según su comportamiento promocional.

Análisis de grupos: Modelo ascendente (Algoritmo de Johnson):

Es una técnica de cluster analysis ascendente y jerárquica. Utiliza como input la matiz de distancias euclideanas entre los pares de elementos y los va agrupando de forma secuencial, según su similitud o menor distancia.

El algoritmo de Johnson inicia el proceso de agrupamiento considerando a cada elemento como un cluster. El procedimiento básico de encadenamiento de los elementos ha sido el denominado completo y se ha utilizado en esta tesis en dos ocasiones:

1º) Para analizar el conjunto de variables descriptivas de la actividad promocional.

2º) Para analizar la distribución ponderada de los diversos tipos de promociones a nivel Total España.

Para representar gráficamente el proceso de agrupamiento de los elementos a distintos niveles de similitud entre ellos se emplea un tipo de gráfico que representa la forma de árbol y se denomina dendograma. Cada elemento está representado inicialmente por una rama final. Las uniones de las ramas del árbol en otras intermedias representan las distancias en las que se produce el agrupamiento.

Análisis de grupos: Modelo descendente (Algoritmo de Howard-Harris):

Es una técnica de análisis de grupos del tipo descendente, es decir, que divide secuencialmente la totalidad de los elementos de la muestra (la cual constituye un grupo inicial) en un número cada vez mayor de grupos de manera que se minimice la varianza intragrupos y se maximice la varianza intergrupos de las variables consideradas. A diferencia del algoritmo de Johnson, el de Howard-Harris puede aplicarse a grandes muestras y es especialmente indicado en estos casos, por ello es el utilizado en este trabajo al analizar el compendio de variables de la actividad promocional de los 116 productos.

En el proceso de formación de los grupos el algoritmo comienza por localizar la variable que tiene mayor varianza (o desviación estándar) y asigna los elementos que están por encima del valor medio de esta variable a un cluster, y los que están por debajo a otro. A continuación comprueba que cada elemento esté incluido en el grupo con el que es más afín de acuerdo con el perfil de todas las variables. Esta comprobación se efectúa calculando la distancia euclideanan del elemento respecto de los valores medios del grupo y asignándolo al más próximo. Cuando este proceso finaliza se han creado los dos primeros grupos. A continuación, para proceder a crear un nuevo grupo, el algoritmo selecciona entre los dos formados anteriormente el que tiene mayor suma de cuadrados (suma de cuadrados de las desviaciones de los valores de las variables en los elementos del grupo con respecto a los valores medios del grupo). Dentro del grupo seleccionado, localiza la variable con la mayor varianza y divide el grupo en dos, de forma igual a la descrita al principio, es decir, separando los que están por encima de los que están por debajo de la media en la variable con mayor varianza. Con los tres grupos resultantes realiza el mismo proceso de comprobación y reasignación antes indicado hasta que no se produce ningún cambio de grupo o concluye el número de iteraciones especificado. A continuación, para formar cuatro grupos, vuelve a generar un nuevo cluster del mismo modo que se ha indicado anteriormente, y así sucesivamente.

El proceso de división de grupos termina cuando se ha alcanzado el número de grupos deseado, cuando el tamaño de todos ellos está por debajo de un mínimo especificado o ya no se consigue una reducción significativa en la suma total de cuadrados (Zaltman,1980; Miquel,1997 y Santesmases,1997).

---

Volver al índice de la tesis doctoral Análisis de las promociones sobre ventas en establecimientos detallistas de alimentación

Volver al menú de Tesis Doctorales

Volver a la Enciclopedia y Biblioteca de Economía EMVI