Tras definir en la entrada anterior las fases que conlleva un Conjoint, pasamos a la acción. La primera fase de un estudio Conjoint es elaborar un diseño experimental. Y para hacer un buen diseño, debemos fijar algunos parámetros: número de atributos a testar, niveles diferentes de cada atributo, cantidad de preguntas que debe responder cada encuestado,… Fijar correctamente estos parámetros permitirá obtener resultados fiables. Veamos algunas consideraciones a tener en cuenta.
Definiendo atributos
Vimos en la cápsula I que el objetivo de un Conjoint es medir la utilidad que tiene para el consumidor cada atributo que compone un producto (en un coche, puede ser el color, el precio, la potencia…). En concreto, medimos la utilidad de los posibles niveles de cada atributo (el color verde, un precio de 15.000$, una potencia de 120CV).
El primer paso para hacer un diseño es es identificar atributos. Cualquier producto tiene una enorme cantidad de atributos. En un coche, podemos hablar del tipo de carrocería, tamaño, color, marca, consumo, potencia… y podríamos seguir hasta identificar atributos como el color del tapón de la gasolina. La cuestión es, ¿dónde se acaba esto? ¿Puedo trabajar sólo con unos pocos atributos? ¿Cuáles debo elegir?
Puedo y debo trabajar con unos pocos atributos, relevantes para mi toma de decisiones. Y debo asegurar que el resto de atributos no estudiados no afecten a las respuestas de los participantes en la encuesta. Para ello, debo indicar al respondiente de la encuesta que asuma que el resto de atributos no mencionados son idénticos para cualquier producto mostrado.
En ocasiones es conveniente ayudar al repondiente fijando explícitamente esos atributos no estudiados. Por ejemplo, supongamos un Conjoint sobre coches en los que queremos estudiar los atributos marca, precio y potencia. Podría suceder que la marca A tenga mayor tradición haciendo deportivos y la marca B fabricando vehículos todo terreno. El respondiente, de forma casi insconciente, al elegir un vehículo de la marca A podría estar manifestando su preferencia por los vehículos deportivos. Para evitar este efecto, podemos incluir un mensaje como “compara los siguientes vehículos suponiendo que todos ellos son coches utilitarios de 5 puertas y 120 CV de potencia”. De esta forma, evitamos que un atributo no deseado entre en juego.
Por último, los atributos deben ser independientes entre ellos. Si no es así, podrías estar contabilizando por duplicado la utilidad de los atributos.
Definiendo niveles
Una vez tenemos claros los atributos, debemos definir qué niveles estudiamos para cada atributo. Los niveles deben ser una lista finita de posibles valores del atributo. Ten en cuenta las siguientes consideraciones para definir tus niveles:
- Los niveles deben ser mutuamente excluyentes. Por ejemplo, si definimos un atributo “equipamiento” en un Conjoint sobre coches, la lista de niveles no puede ser “aire acondicionado”, “airbag” y “abs”. Un coche podría tener los 3 niveles simultáneamente. En un caso así, deberíamos crear 3 atributos, cada uno con niveles “sí” o “no”.
- Los niveles deben ser frases con un significado concreto y unívoco. Evita descripciones genéricas (“altas prestaciones”, “bajo consumo”…).
- Evita usar rangos de valores (“entre 90CV y 150CV”), es mejor especificar valores concretos (“120 CV”).
- Trata de usar un número similar de niveles entre todos los atributos. Existen estudios que demuestran que los atributos con más niveles tienden a recibir más importancia en los resultados, tanto por un efecto psicológico del respondiente como por efectos en el propio algoritmo de estimación de utilidades.
- No es necesario que los niveles cubran todos los posibles valores que puede tomar un atributo. Pero debemos tener claro que los resultados que obtendremos reflejarán únicamente la variabilidad que hayamos incluido en los niveles.
Veamos un ejemplo de este efecto. Imaginemos que en nuestro Conjoint de coches definimos sólo dos niveles para el atributo potencia: 100CV y 110CV. Por el contrario, definimos gran cantidad de niveles de precio, que van desde 8.000$ a 40.000$. Probablemente la utilidad que resultará para la variación de potencia será mínima frente al precio. Podríamos llegar a la conclusión de que los consumidores no consideran la potencia de un coche en el momento de compra, cuando en realidad lo que hemos medido es que no son sensibles a una diferencia mínima de potencia.
Versiones, sets y alternativas
Un diseño es un conjunto de preguntas o sets. Un set es un conjunto de alternativas de producto, entre las cuales el encuestado debe escoger su opción preferida. Y cada producto es una combinación de niveles concretos de los atributos que estemos estudiando.
En nuestro estudio de coches, podrímos definir un diseño de 10 sets, con 3 alternativas por set. Para cada alternativa de cada set deberíamos definir un producto: un VW blanco a 15.000$, un Renault rojo a 20.000$...
En ocasiones, cuando la cantidad de atributos y niveles es grande, hacer un buen diseño requeriría hacer muchas preguntas o sets por respondiente. Pero no es viable hacer a una persona más de 15-20 preguntas repetitivas, la calidad de la información que nos daría se vería afectada.
Para sortear esta dificultad se suelen definir varias versiones diferentes del diseño, con productos diferentes. Dividiendo la muestra y asignando cada parte a una versión diferente, logramos mayor diversidad de información, lo mejora nuestras estimaciones de utilidad.
Recomendaciones generales
A continuación te facilitamos algunos consejos relativos a como dimensionar un estudio Conjoint:
- El número óptimo de atributos a incluir en un Conjoint es 5, el máximo recomendado es 10.
- El número de niveles por atributo óptimo es 5, el máximo recomendado es 10.
- El número de sets por respondiente no debería ser superior a 20. Para evitar el agotamiento del participante se recomienda emplear entre 10-15.
- El número de productos mostrados dentro de cada set debería estar entre 2 y 6. Dependerá de la complejidad de los productos mostrados (con productos más complejos es mejor reducir la cantidad de alternativas a elegir en el set).
Si estamos frente a un estudio Maxdiff (recuerda: mostramos conceptos simples y preguntamos cuál es el peor y cuál es el mejor), deberías respetar estas recomendaciones:
- El número máximo recomendado de conceptos es 30.
- Se recomienda mostrar entre 3 y 6 conceptos por pregunta/set. Algunos expertos consideran que 4 es el número óptimo.
- El número de sets mostrado por respondiente puede estar entre 15 y 20, ya que las preguntas Maxdiff no son tan pesadas como otro tipo de preguntas clásicas.
- Si quieres hacer análisis individualizado, es recomendable que cada individuo vea 3 o más veces cada concepto. Si vas analizar los resultados a nivel de grupo, puedes mostrar 1 vez cada concepto a cada individuo, incluso menos (puedes permitir que un individuo no vea algunos conceptos).
Error de estimación
Cuando estimamos las utilidades de los diferentes atributos-niveles, como en cualquier estimación estadística, cometemos un error. Este error es la suma de dos errores de naturaleza diferente:
- El error muestral: por el hecho de que la encuesta la administramos a una muestra del universo estudiado, y no a la totalidad del mismo, cometemos un error de estimación. La forma de calcular este error es la misma de la de cualquier encuesta. Y la forma de reducirlo, incrementar el tamaño de la muestra.
- El error de medida: es el error cometido por las limitaciones que el propio cuestionario tiene para capturar información de cada individuo en concreto. En el caso de estudios Conjoint tipo CBC, estamos infiriendo unas utilidades a partir de simples comparaciones. Cuando decimos que el producto A es mejor que el B, no sabemos si es mucho mejor o poco. Además, cuando tenemos muchos atributos-niveles, no es viable mostrar todos los posibles productos ni todas las posibles agrupaciones de productos.
La forma de reducir este error es incrementar la cantidad de preguntas que realizamos a cada individuo. Obviamente, esto tiene un límite. Es por ello que te hemos facilitado las recomendaciones anteriores sobre cantidad de atributos, niveles, sets, etc. Si los respetas, sólo deberías preocuparte por el error muestral.
Reglas simples para fijar el tamaño de muestra
El análisis Conjoint se basa en un modelo no lineal y eso dificulta el cálculo del error máximo de estimación que vamos a cometer con un tamaño de muestra dado. Ese error dependerá de las propias utilidades que vamos a estimar. Es un pez que se muerde la cola: para calcular el error de estimación necesito conocer las utilidades, pero para conocer las utilidades necesito realizar el estudio.
Para resolver este problema, existen algunas reglas simples que nos ayudan fijar el tamaño de muestra que necesitamos. La más habitual es la siguiente
$$ \frac{N \times T \times A}{C} > 1000 $$
Donde:
- N: Tamaño de la muestra
- T: Número de sets por respondiente
- A: Número de alternativas por set
- C: El número de niveles del atributo que más niveles tiene. Para un maxdiff, C es directamente el número de conceptos a evaluar.
Algunas consideraciones finales relativas al tamaño de la muestra:
- En la práctica, la mayor parte de estudios se realizan con muestras de entre 200 y 1200 personas
- 300 es un tamaño habitual para muestras homogéneas de personas.
- Si el objetivo del estudio es comparar utilidades entre grupos y detectar diferencias significativas, deberías tener como mínimo 200 personas en cada grupo.
Esperamos que este post te ayude a definir los parámetros de diseño. En el próximo post te explicaremos cómo, una vez hemos fijado los parámetros de diseño, podemos encontrar un diseño concreto que satisfaga los condicionantes impuestos. Para ello, tendremos que usar una medida que nos permita saber si un diseño es mejor que otro. 
¿Te ha gustado el post? ¿Quieres profundizar más sobre el tema? Pues hemos preparado una serie de diez cápsulas sobre Conjoint. ¡No te pierdas ninguna!
ÍNDICE: Serie Cápsulas sobre Conjoint
Cápsula 1: Qué es un estudio Conjoint y cómo utilizarlo
Cápsula 2: Entendiendo el concepto de utilidad
Cápsula 3: Fases de un Conjoint
Cápsula 4: Diseño experimental, parámetros de diseño
Cápsula 5: Diseño experimental, calidad de un diseño
Cápsula 6: Diseño experimental y estrategias para encontrar un buen diseño
Cápsula 7: Programación de cuestionarios Conjoint
Cápsula 8 - Análisis agregado de un Conjoint
