Iniciamos con este post una serie de 10 entregas que publicaremos cada jueves, a través de las cuales queremos explicar qué son los estudios Conjoint, para qué se utilizan y cómo puedes llevarlos a cabo. Nuestro propósito es romper el mito que rodea a esta metodología y que hace creer a muchos investigadores de mercado que un estudio Conjoint no está a su alcance.
Para ello, explicaremos paso a paso esta forma de investigación, sin dar nada por sabido, entrando en detalle cuando lo creamos conveniente, pero manteniendo siempre un lenguaje llano y directo. ¡A ver si lo conseguimos!
¿Qué es un estudio Conjoint?
El Conjoint es una técnica estadística que permite evaluar en qué medida los consumidores valoran las características que componen un producto o servicio.
Esta evaluación se hace pidiendo a una muestra de la población que indique sus preferencias respecto a una sucesión de posibles productos, cada uno definido por unas características determinadas. El análisis de sus preferencias nos permite conocer cómo valoran los consumidores cada una de las características que componen el producto.
Antes de seguir, un poco de terminología. A partir de este momento, usaremos la palabra atributo para referirnos a una característica de un producto: el color de un coche, el precio del computador, la marca de unos pantalones... Las diferentes alternativas que puede tener un atributo, las denominaremos niveles. Así, por ejemplo, el atributo color de un coche podría tener 5 niveles “blanco, negro, rojo, azul y verde”. Por último, el valor que un usuario percibe de un atributo-nivel recibe el nombre utilidad. Trataremos de respetar esta nomenclatura de aquí en adelante.
Usando esta terminología, podemos decir que un Conjoint permite calcular qué utilidad perciben los consumidores de los diferentes niveles de cada atributo de un producto.
Pero, ¿por qué hace falta un estudio Conjoint para medir la utilidad de los atributos? ¿No podemos preguntar directamente a los consumidores por los atributos? La respuesta es no. Preguntar directamente no funciona. Veamos un ejemplo. Supongamos que queremos determinar qué valora más un conductor en el momento de comprar un coche. Si le preguntamos en qué medida le importan la seguridad, el precio y el confort, seguramente nos responderá que todo es importante. Apenas obtendremos información de sus respuestas.
Un estudio Conjoint combina los diferentes niveles de los atributos para crear productos realistas. Por ejemplo, podríamos preguntar por un coche muy seguro, pero muy caro y con bajo nivel de confort. O por un coche menos seguro, pero muy económico y con un nivel medio de confort. Al preguntar por productos, combinamos atributos buenos y malos para el respondiente, y le obligamos a decidir en función de qué es más importante para él. Estas decisiones contienen información realista que nos permite estimar qué atributos están siendo más valorados por el decisor (es decir, tienen mayor utilidad).
Un poco de historia...
El origen de esta técnica debemos buscarlo en el área de la psicología matemática, en los años 70. La idea nació de Paul Green en la Wharton School de la Universidad de Pensilvania. Green fue el primero en preguntar sobre productos compuestos para medir atributos. En los años 80, Jordan Louviere desarrolló una mejora decisiva de esta técnica: en lugar de medir la preferencia del consumidor mediante escalas numéricas, propuso emplear comparaciones entre diferentes productos. Analizando las elecciones del encuestado era posible inferir qué valor tenía cada atributo. De esta forma, Louviere dio lugar a lo que hoy en día se conoce como técnicas Choice-based Conjoint (CBC) y a otras técnicas relacionadas, como el Maxdiff, de las que hablamos en otro artículo.
La metodología Conjoint pronto recibió gran atención por parte de profesionales de la psicología, el marketing, la publicidad, economistas y diseñadores. Sin embargo, su uso se ha visto limitado durante muchos años principalmente por dos razones. La primera, la complejidad de diseñar, ejecutar y analizar un estudio de este tipo, algo que a menudo ha intimidado a profesionales que potencialmente podrían haberse beneficiado de esta técnica. La segunda razón, la potencia de los ordenadores de los años 80 y 90 no permitía analizar estudios Conjoint medianamente complejos.
En los últimos 5 años esta técnica ha vuelto a recibir la atención de los investigadores. Por una parte, los ordenadores actuales pueden llevar a cabo análisis complejos en minutos, o unas pocas horas como máximo. Este factor ha permitido el desarrollo de nuevos modelos matemáticos para estimar utilidades con mayor precisión, llegando incluso a estimar la utilidad a nivel de individuo. Por último, la irrupción del cuestionario online ha mejorado la obtención de información de los consumidores.
En qué casos es útil un Conjoint
Algunas de las cosas que podemos hacer gracias a los resultados de los estudios Conjoint son:
- Detectar qué niveles de los atributos de un producto son más valorados por los consumidores.
- Saber cuánto pesa un atributo en la decisión de compra.
- Predecir el éxito que podemos esperar de un nuevo producto.
- Evaluar el market share que resultaría de enfrentar diversos productos, nuestros o de la competencia.
- Identificar los productos más rentables (combinando utilidad y coste).
- Identificar nichos de mercado en los que un determinado producto tendrá mejor acogida.
En definitiva, el estudio Conjoint proporciona unas valoraciones numéricas – las utilidades – de cada nivel-atributo que podemos transformar en una predicción de consumo.
Tipos de Conjoints
Existen diversos tipos de Conjoint. El Conjoint tradicional, conocido como CVA o Conjoint Value Analysis, fue la primera técnica desarrollada en los años 70, aunque actualmente su uso es escaso. Este método muestra al respondiente una selección de diferentes productos, resultado de combinar los niveles de los diferentes atributos, y pide al encuestado que exprese su preferencia mediante una escala numérica (este producto me gusta “2”,este otro me gusta “8”).
El análisis de este tipo de Conjoint es simple. Parte de la hipótesis de que la valoración asignada por el encuestado es directamente la utilidad que percibe del producto. La utilidad de las partes que componen el producto se calcula mediante una regresión lineal múltiple.
Posteriormente al CVA se desarrolló una técnica mejorada conocida como Conjoint Adaptativo (ACA – Adaptative Conjoint Analysis), que permitía analizar más atributos que el Conjoint tradicional. Para ello, mostramos productos descritos sólo con una parte de los atributos (no todos a la vez). Para optimizar la cantidad de información que obtenemos, el ACA es capaz de decidir sobre la marcha, dependiendo de lo que vaya respondiendo el encuestado, qué productos es más conveniente mostrar.
Sin embargo, la auténtica revolución del Conjoint llegó con el CBC o Choice-based Conjoint. En un cuestionario CBC, en lugar de pedir al encuestado que asigne una valoración a cada producto, le mostramos un grupo de productos y le pedimos que elija cuál de ellos prefiere. Elegir entre productos en lugar de asignar un número a cada uno es más natural para el participante. A fin de cuentas, elegir entre varias alternativas es lo que hacemos como consumidores en nuestro día a día.
Como contrapartida, una elección proporciona menos información que una valoración. Si alguien nos dice que prefiere A frente a B, sólo sabemos que A>B. Pero no sabemos si es mucho mayor o sólo un poco. Si le obligamos a asignar un número (A=9 y B=2) sí obtenemos información sobre la intensidad de la preferencia. Pero, ¿significa lo mismo un valor 9 para todos los consumidores? ¿Hasta qué punto es fiable una escala numérica? Las elecciones son datos más puros, pero nos obliga a hacer más preguntas para medir intensidad de preferencia.
Otra contrapartida del CBC es el análisis. El modelo que permite calcular las utilidades de los niveles-atributos es mucho más complejo que una regresión lineal. Se necesitan modelos no lineales, conocidos como modelos de elección discreta.
Se estima que cerca del 90% de los estudios Conjoints que se realizan actualmente se basan en la elección (son CBC). Este dato habla de la potencia de esta metodología, por lo que a partir de este momento nos centraremos en ella.
El Maxdiff, un caso especial
El Maxdiff es una técnica que se incluye habitualmente dentro de las metodologías Conjoint, aunque estrictamente no es así. Permite medir el grado de preferencia respecto a diferentes niveles de un único atributo. Por lo tanto, no estamos combinando atributos, que es lo que define un estudio Conjoint.
Sin embargo, la forma en que Maxdiff logra sus objetivos es muy similar a la del Conjoint CBC. Muestra un conjunto de conceptos y pide respondiente que elija el mejor y el peor. El análisis de resultados es idéntico al empleado en CBC.
MaxDiff es una técnica que da muy buenos resultados para medir con precisión las preferencias, aprovechando las virtudes de elegir respecto a valorar. Se emplea con éxito para medir preferencia por marcas, elegir nombres de productos, formatos de envases, logotipos, etc. Ofrece resultados mucho más diferenciados que una valoración mediante la tradicional escala de Likert.
Casos de éxito
Un caso emblemático es el de la disputa entre Apple y Samsung respecto al uso de patentes, cuando Apple usó esta técnica para estimar cuánto negocio habría obtenido si los productos de Samsung no hubiesen usado prestaciones sobre las que Apple reclamaba exclusividad de uso. Y es que el Conjoint hace posible simular escenarios de mercado que no se han dado en realidad.
Por otro lado, los modelos estadísticos empleados por el Conjoint se emplean con frecuencia para evaluar escenarios hipotéticos. Daniel McFadden, premio nobel de economía, ya en los 70 aplicó con éxito estas técnicas para predecir el número de viajeros que elegirían un nuevo sistema de transporte urbano en San Francisco.
Esta capacidad de predecir escenarios ha motivado el uso de estas técnicas por parte de entidades reguladoras que deben imputar el beneficio – o el perjuicio – que un cambio legal puede ocasionar. Kenneth E. Train reporta en su libro Métodos de elección discreta con simulación cómo se usan para calcular compensaciones económicas por casos de contaminación o para evaluar en qué medida soportan la carga de un impuesto diferentes segmentos de población.
En el próximo post profundizaremos en el concepto de utilidad, la clave para comprender qué nos aporta un estudio Conjoint.
¡Os esperamos!
¿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
