Tag Archives: escalas

TAL COMO ME GUSTA

Un hombre impresionantemente grande se acerca a una prostituta y le dice que desea contratar sus servicios, que le va a pagar lo que ella pida pero que tiene que ser tal como a él le gusta; la mujer piensa inmediatamente que un hombre tan grande algún perjuicio puede representar para su integridad física y prefiere negarse a proporcionarle sus servicios; sin embargo, le dice que espere allí en lo que le consigue alguna otra mujer, el hombre asiente y la mujer parte, rauda y veloz, a reunirse con otras mujeres y contarles sobre el generoso ofrecimiento del pobre hombre necesitado, las cuales al ver a semejante hombre optan por declinar a tan generosa oferta pero viendo la necesidad del hombre deciden ir con la Rosita Árenas, quién tenía fama de aguantadora y echada pa’delante y ésta sin pensárselo dos veces se mete al cuarto de hotel acompañada de aquel hombre; todas las mujeres deseosas de saber el desenlace y la suerte de la valerosa Rosita, se arremolinan y pegan la oreja en la puerta del cuarto donde se encuentra la Rosita y su cliente. Así, transcurren unos cuantos minutos sin que se escuche sonido alguno hasta que de pronto se oye que se rompen vidrios, sillas y cuanto artefacto hay dentro; al instante, se abre la puerta violentamente y sale corriendo el hombre desnudo, llevando entre sus manos su ropa y zapatos y tras él la Rosita vuelta una furia. Las mujeres, sin aguantarse más las ganas, le preguntan: ¿cómo lo quería? a lo que la Rosita, todavía bufando como un toro, responde: “Quería fíado el hijo de la chingada”.

El asunto es: ¿Cómo logramos que el cliente obtenga justo lo que quiere? Claro, siempre y cuando no se le ocurra pedir fíado. Las escalas de “Tal como me gusta”  (TCG) o en inglés “Just about right” (JAR) se utilizan para este propósito, principalmente en la pruebas sensoriales o de producto; las cuales por supuesto son muy demandadas en la industria de alimentos, cosméticos, bebidas, cuidado personal, etc. pues con ellas se puede evaluar que tan cerca está el producto de lo que el cliente desea; en otras palabras, qué tanto el producto se acerca al punto ideal en cuanto a sal, dulzor, color, intensidad de sabor, aroma, tostado, carbonatado, etc. sin que le sobre o le falte de esas características. Por ejemplo, hagamos de cuenta que estás evaluando un jugo para lo cual le pides a tu entrevistado que lo pruebe y te diga ¿Qué tan dulce sabe? en una escala de 5 puntos donde:

  1. Es “Mucho menos dulce de lo que me gusta”
  2. Es “Menos dulce de lo que me gusta”
  3. Es “Tal como me gusta”
  4. Es “Más dulce de lo que me gusta”
  5. Es “Mucho más dulce de lo que me gusta”

Si el entrevistado te contesta que en cuanto a dulzor es tal como a él le gusta entonces tu producto está en el punto ideal; más sin embargo, si te pasas de dulzor o te quedas por debajo de él, seguramente desearás hacer un cambio al producto para que tenga mayor aceptación.

Esta escala es muy popular debido a su simpleza y claridad tanto para el investigador como para el entrevistado además de que su tratamiento estadístico es de lo más simple; sin embargo, como pasa con todas las escalas, su utilización no está exenta de críticas. Los investigadores documentan diversas inconsistencias y problemas de validez con las mismas; en algunos casos funciona más la escala de agrado o hedónica para predecir el éxito del producto; en otros se ha encontrado que no siempre lo ideal es igual a lo que a uno le gusta más; asimismo hay situaciones en que las características evaluadas conllevan un sesgo: en cuánto a cantidad de queso para una pizza ¿hay un punto ideal o más es mejor?* Sea lo que fuere, esta escala se utiliza mucho pero se hace en conjunción con la escala de agrado general (hedónica), quizá para subsanar algunas de las debilidades que tiene. La escala de agrado general puede ir de 1 a 5, 1 a 7, 1 a 9, 0 a 10, o cualquier otra cosa que se te ocurra; sin embargo, toma en cuenta que tanto la escala de TCG como la hedónica te van a servir para obtener normas de desempeño del producto por lo que una vez que seleccionas un determinado intervalo para una escala no puedes estarla cambiando porque no podrás comparar tus resultados entre estudios. La pregunta de agrado general es muy directa, siguiendo con nuestro ejemplo de jugo se haría así: En general, ¿qué tanto le agrado el jugo que acaba de probar? Dígamelo en una escala del 1 al 9 donde 1 significa que le desagrado muchísimo y 9 que le agrado muchísimo.

¿Sabes que es lo mejor de la escala NPS (Net Promoter Score)? que para aplicarla y analizarla sólo necesitas saber sumar y restar. En una escala del 0 al 10 en la cual 0 es que no recomendarías pa’nada la marca y 10 que la recomendarías totalmente, se suman los sujetos que contestan 0 al 6, los que contestan 7 a 8 y los que responden 9 a 10, entonces restas el porcentaje de los que respondieron 9 a 10 de los que respondieron 0 a 6 y “voila” el resultado es el porcentaje o puntaje neto de promotores (NPS). ¿Estás pensando lo mismo que yo? Si sí es así, acertaste. La escala TCG es igual que la NPS, para analizarla sólo necesitas sumas y restas. ¡Verás! sumas o agrupas a los sujetos que contestaron 1 y 2 (1. “Mucho menos dulce de lo que me gusta” y 2. “Menos dulce de lo que me gusta”); a los que contestaron 4 y 5 (4. “Más dulce de lo que me gusta” y 5. “Mucho más dulce de lo que me gusta”) y dejas solos a los sujetos que contestaron 3 (3. “Tal como me gusta”) con eso vas a obtener tres grupos: los que dicen que al jugo le falta dulce, los que dicen que es tal como a ellos les gusta y aquellos que dicen que tiene mucho dulce (véase fig. de abajo).

escala tal como a mi me gusta

Ten presente que lo ideal es que ni le sobre ni le falte o sea que la mayoría estén en el grupo de los que contestaron 3. Cómo en gustos se rompen géneros, es casi imposible que todos estén de acuerdo en ello por lo tanto una regla más o menos general es que por lo menos el 75% caigan en la categoría de “tal como a mi me gusta” u otra es que el porcentaje de los que mencionan que el producto se pasó de dulce o que quedó por debajo de éste no sea igual o superior al 20% si no es así, entonces definitivamente, hay que hacer cambios en la formulación del producto. En nuestro gráfico puedes ver que estamos 11% por debajo del estándar (64% – 75% = 11%) ¿Entonces qué hay que corregir? ¿Le quitamos o le ponemos más dulce al jugo? El sentido común diría que hay que subirle pues el 20% dijo que faltaba pero como dicen que el sentido común es la cosa mejor repartida del mundo, preferimos no fiarnos de él y en su lugar emplear la técnica “Penalty Analysis” o Análisis de Penalización, también conocida como “Mean Drop” o caída de media, más adelante te vas a dar cuenta porqué esos nombres.

La idea del Penalty Analysis es relacionar el nivel de agrado general del producto con cada uno de los grupos que hiciste anteriormente; es decir, cuál de ellos tiene más agrado por el producto. Para no perder el hilo hagamos el ejercicio con nuestro ejemplo del jugo y la cantidad de dulce (véase fig. de abajo).

Penalty analysis

Si eres observador, te darás cuenta que los que mencionan que el dulce del jugo es tal como les gusta también tienden a calificar más alto su agrado por el producto. En la tabla de arriba, calificaron al producto en promedio con  8.05 mientras que el grupo que dice que le falta dulce lo califica con 4.05 y el que piensa que sobra lo hace con 5.06. Por esa razón se dice que se castiga o penaliza al producto cuando no cumple con las “expectativas” o también que hay una caida en la media. Para calcular la caida sólo se substrae el promedio del grupo que dijo tal como me gusta del promedio de cada uno de los otros dos grupos (8.05 – 4.55 = 3.51 y 8.05 – 5.06 = 2.99). La caida de ambas medias te dice que se está castigando más la falta de dulce que el exceso. Sin embargo, considera que en estadística la relevancia de un promedio está relacionado con el tamaño de la muestra o número de sujetos por lo cual es menester ponderar este factor; lo que se hace en la columna que dice Penalty es multiplicar el porcentaje de cada grupo por el promedio de la caída de la media “Mean Drop”. Así, para la característica de “Mucho y menos dulce” hay una penalización de 0.70 (20% x 3.51 = 0.70) mientras que para “Mucho y más dulce” es de 0.48 (16% x 2.99 = 0.48); en términos prácticos esto significa que si corriges la falta de dulzor tu promedio de agrado general subiría en .70.

¿No te lo dije? es fácil ¿verdad? Nuestro ejemplo se basó en una sola característica del producto pero en la práctica pueden llegar hasta casi diez características las que evalúes y probar más de un producto por lo cual es necesario sacar un indicador ponderado o lo que es lo mismo uno global para poder ordenar las características según su grado de penalización; lo que los investigadores hacen es crear 2 grupos, juntan el 1, 2, 4 y 5 de la escala de TCG y dejan solo, de nueva cuenta, el 3 y emplean la misma técnica de penalización para su análisis; en otras palabras, no importa si te pasaste o te sobró dulce se desea saber en global que tanto cae la media.

Allí te van algunas reglas prácticas más o menos aceptadas en la ejecución de estos análisis y su interpretación:

  1. Se calcula el Penalty Analysis sólo para los grupos (debajo o encima del punto ideal) que tienen un tamaño del 20% o más ¿Por qué este número? bueno como dijimos la muestra o tamaño del grupo es importante, grupos pequeños pueden llevarte a conclusiones erróneas.
  2. Se deben obtener dif. sig. utilizando una análisis de varianza o de medias conocido como t-test. ¿Por qué? La razón es que mejorar una característica no necesariamente significa que el producto vaya a gustar más, hay que ver si efectivamente existe una relación.
  3. La regresión lineal, es otro método de análisis pues indica si hay relación y más importante aún nos da un coeficiente de cambio de la proporción de la concentración de una característica, en nuestro caso dulzor, y el agrado en general. Esto se hace bajo la premisa de que hay una relación logarítmica entre la característica y la escala TCG. En otras palabras, el coeficiente de regresión que obtienes puede ser usado para ajustar la concentración del ingrediente en cuestión a fin de que se acerque a lo que el cliente quiere.

Por favor, danos tu opinión o comentarios en la misma sección de este blog a fin de que podamos enriquecerlo o mándalos a info@marketvariance.com

Hasta la próxima.

* Para una descripción más exacta de estos problemas puedes consultar el artículo de Richard Popper: “Just-About-Right Scales in Consumer Research” en la revista Chemo Sense o el capítulo, del mismo autor, titulado de la misma forma en el libro: “Novel Techniques in Sensory Characterization and Consumer Profiling”.

MaxDiff (ESCALAMIENTO DE DIFERENCIAS MAXIMAS) II de II

Me contó un amigo que un día estaba en la iglesia y que a unos cuántos metros de él había un hombre que pedía fervientemente a Dios 100 mil pesos; cuando vio llegar a otro hombre, el cual se hincó justo al lado del primero e inmediatamente comenzó a rezarle a Dios para pedirle mil pesos, no había hecho su plegaria ni dos veces cuando el que pedía 100 mil pesos sacó de su cartera los mil pesos, se los dio al otro devoto creyente y le dijo: ¡Toma y lárgate de aquí que me lo distraes! Dicen que Dios no hace diferencias entre sus hijos pero los humanos sí y eso es lo que intentamos medir con la técnica MaxDiff.

Intentamos medir las diferencias en la percepción de los consumidores sobre marcas y/o atributos; esto usualmente se hace mediante escalas y MaxDiff es una escala; más elaborada estadísticamente que la gran mayoría pero con ventajas psicométricas que la hacen la preferida de muchos investigadores y la inútil para otros tantos. Es algo parecido a la “Gran Ola de la Corriente Tortuga” o sea el Kame Hame Ha de Gokú que es bueno pero no infalible ¿Quieres convertirte en Super Sayayin? Sigue leyendo.

Esquemáticamente, un análisis maxdiff se hace así: primero, debes decidir qué medir, en cuyo caso, comúnmente, hay de dos sopas, a). evaluar marcas o conceptos y b). evaluar características o atributos de la marca o el concepto. Por ejemplo, en una pequeña encuesta que acabamos de hacer les preguntamos a los entrevistados “¿Para usted, cuál de estos bancos es el mejor y cuál es el peor?” (véase la figura de abajo), lo que pretendíamos medir en dicho caso son las marcas de bancos.

mejor banco maxdiff

Si hubiéramos preguntado “¿Cuál de estos atributos es el más importante en una tarjeta de crédito y cuál es el menos importante?” (véase la figura de abajo), entonces hubiésemos estado más interesados en medir la importancia de los atributos de las tarjetas de crédito en lugar de las marcas de tarjetas de crédito.

atributos maxdiff

El segundo paso es crear los estímulos o tarjetas donde vienen los marcas o atributos que deseas evaluar; eso es lo que se llama diseño experimental y aunque parece complicado no lo es ya que sólo se trata de que combines bien las marcas o atributos de forma tal que sea pareja la cosa, como decía mi amá: “o todos coludos o todos rabones”. Para hacerlo guíate de este post (clic aquí).

El tercer paso es analizar los datos de la encuesta, hay dos formas de hacerlo:

a). Contando las veces que cada atributo o marca fue mencionada como “el mejor”, restarle las veces que fue mencionado como “el peor” y dividir el resultado entre el número de veces que fue evaluado el atributo o marca; en otras palabras, sacar un promedio. Por ejemplo, si el atributo A fue seleccionado como “el mejor” 2 veces y 1 vez como “el peor” en 6 ocasiones que fue evaluado, entonces su puntaje es (2-1)/6 = .16. El principal problema con este enfoque es que no pela para nada tu diseño experimental; es decir, si la marca A se junto con la marca D, marca E y G no importa, lo que importa es que haya una marca ganadora y una perdedora así que las interacciones entre esas marcas no cuentan; Sawtooth dice que este tipo de análisis resulta útil es ciertos casos dándote una buena idea de por donde anda el resultado o sea te puede resolver la vida si es que no eres muy exigente. Si quieres más detalles sobre como hacer el análisis consulta este paper de Sawtooth o esta página .

b). Utilizando software estadístico para modelos de selección discreta. En la siguiente tabla están las principales opciones de software; he puesto los costos, capacidad y el grado de facilidad para aprender cada programa.

comparacion softaware maxdiff

Bien, Sawtooth es el jefe, casi todo mundo lo usa, tiene toneladas de información y es fácil de aprender; Latent Gold Choice es lo que llaman los gringos “state of the art” o sea el último grito de la moda debido a los modelos refinados que utiliza, su interface es muy similar a la de SPSS con la cual mucha gente está familiarizada y es más o menos sencillo de aprender aunque no te ayuda a crear los estímulos de tu estudio lo cual puede ser un problema pues también se requieren cuando deseas hacer un estudio de conjoint; SAS es el peso pesado de todos ellos pero al parecer es caro, el servicio es malo (si no me crees intenta que te den un demo) aunque te resuelve la vida al 100% en todo lo que alguna vez hayas deseado hacer en investigación de mercados; Q es muy parecido a Latent Gold, se acopla muy bien al formato de SPSS y es bastante amigable, desafortunadamente falta información y tampoco crea los estímulos; puedes solicitar un demo sin los problemas a los que te enfrentarías con SAS; R es difícil para mucha gente pero tiene todo lo que se puede pedir para hacer análisis y en muchos casos es más sencillo que SAS; por ejemplo, para analizar maxdiff en R utilizando un simple modelo logit standard la cosa es sencilla.

¿Mi recomendación? Empieza a aprender R pero si tienes las posibilidad de comprar un software que te resuelva la vida al 100% pues tienes mi bendición.

Por favor animate a comentar que con eso ayudas a que este blog crezca.

MaxDiff (ESCALAMIENTO DE DIFERENCIAS MÁXIMAS) I de II

Yo tenía siete perros, yo tenía siete perros, de los siete que tenía uno le regalé a Ian, ya no más me quedan seis, seis, seis…Ian es ex alumno de mi esposa de la primaria. La decisión de Ian sobre cual perrito escoger no fue fácil. Primero porque quería llevarse todos, luego porque no le pareció tan descabellada la idea de llevarse sólo dos pero como el trato había sido que nada más le regalábamos uno se tuvo que aplicar; su otro dilema fue: ¿perra o perro? Tal vez, su decisión fue Máx Diffícil porque le mostramos los siete perritos de un sopetón ¿pero qué no es así como en la vida real te dan a escoger? ¿Hubiese sido más fácil si le mostramos los perros por parejas (de dos en dos); mediante un round-robin (todos contra todos), o usando un Diseño Balanceado por Bloques Incompletos (DBBI)? Claro, que con esta última modalidad no le íbamos a decir que se trataba de un DBBI porque entonces seguramente hubiera pensado que eso de escoger un perro definitivamente no es nada fácil.

perritos de maya

Hace buen rato que los modelos de selección han estado con nosotros. El supuesto más importante que justifica su uso es que los humanos no andamos por allí con un metro, báscula, reloj o cualquier otro instrumento de medición para seleccionar los productos o servicios que compramos; nuestras decisiones las hacemos a discreción, apoyándonos únicamente en variables psicológicas o procesos cognoscitivos. Por ejemplo, si compramos un champú, no nos ponemos a pensar en los costos de producción, distribución, mercadotecnia, etc. y sacamos nuestra calculadora para ver si está acorde con el precio que nos están cobrando por él (aunque se dan casos ¿verdad?) simplemente evaluamos si el producto es caro o barato dependiendo de la imagen que tenemos de él. El CBC (Conjoint-Based Choice) y MaxDiff (Escalamiento de Diferencias Máximas) pertenecen a dichos modelos y aunque ambos emplean herramientas estadísticas semejantes su uso depende del propósito de la investigación.

Supón que eres nuevo en el negocio de los helados y deseas saber cuáles sabores son los que más se venden para construir tu oferta con base a ese conocimiento; tienes 3 sabores distintos que deseas evaluar, haces una prueba de sabor dándole a probar a cada sujeto cada uno de los tres sabores en diferente orden para no sesgar tu estudio y luego les preguntas cuál les gusto más y cuál les gusto menos. Teóricamente, lo que estás haciendo es encontrar la diferencia máxima entre esos tres sabores según el gusto de los consumidores ¿Cuál es el fundamento de esta teoría? Se cree que el consumidor evalúa el sabor 1 contra el 2 y el 3; luego hace otra evaluación del 2 contra el 3 y de esta manera selecciona de entre el conjunto de opciones que se le presentan. En otras palabras, tus sujetos de estudio evalúan cada par de opciones y eligen las que presentan las diferencias máximas, señalando cuál es la mejor y cuál la peor. Simple ¿verdad? pero ¿qué pasa si tienes más de 3 sabores, digamos, 12 o como en el caso del autoservicio, todo un pasillo con decenas y decenas de productos? Seguro que jamás has visto un(a) consumidor(a) que se la pase horas y horas evaluando, en un round-robin, todos los productos para decidir cual se lleva.

combinaciones de helados turf

Nuestra mente siempre busca atajos cuando se enfrenta a tareas demasiado demandantes, es demasiado sesgada ¿Es la técnica MaxDiff, tan aplaudida y aclamada por muchos investigadores, el método ideal para estudiar este tipo de problemas? No lo sé y no creo que haya un guapo que diga que si lo sabe pero supongo que esta es la clase de problemas que desea manejar Sawtooth con su nuevo software de Menu-Based Choice. Lamentablemente, como comentamos en el post anterior, el apetito se nos va tan sólo de ver que cuesta 10 mil dólares. Estos comentarios no deben desmotivarte a aprender la técnica, pues es un hecho que nunca ha existido la escala perfecta y por supuesto que MaxDiff tampoco lo iba a ser pero es “cool” y te puede ayudar a tomar mejores decisiones; así que para continuar te vamos a mostrar como hacerle cuando deseas regalar perritos.

Si tu perra tuvo varios cachorros, quizá más de seis, y deseas obtener una escala de diferencias máximas que te los ordene del más preferido al menos preferido, es necesario que los presentes en subconjuntos pequeños llamados bloques ¿Por qué? No querrás que tus sujetos se hagan bolas como Ian con tantos perros ¿o sí? Ahora, lo bueno viene cuando tienes que decidir cómo agrupar las opciones; piensa en el caso de los perritos ¿Debería mostrarle a Ian al Mango junto con la Yeta y la Albina o estos últimos dos junto con Creepy; ¿Y por qué no mostrarle 4 primero y luego 3? ¿Qué tal de 5 en 5? La cosa ya se puso peliaguda ¿Verdad? ¡No te preocupes! Afortunadamente, los matemáticos tienen soluciones a este tipo de problemas, en nuestro caso inventaron algo que se llama…¡correcto! adivinaste. Diseño Balanceado por Bloques Incompleto. Te lo deletreo, se llama balanceado porque hace que todos los perritos sean evaluados el mismo número de veces (en este caso 15 veces cada uno); por bloques porque, como te lo dije antes, el sujeto analiza subconjuntos de perritos en lugar de todo el conjunto de ellos (en este caso 21 bloques); incompletos porque primero ves las manchas, luego la cola y…jajaja (no es cierto), lo que sucede es que en cada bloque sólo es posible presentar una determinada cantidad de perritos (5 en cada bloque).
diseño maxdiff¿Por qué diseñar con tanto esmero y cuidado estos estímulos, tareas o bloques? Pues para evitar sesgos y estimar de forma más precisa los valores. Si logras un buen diseño todos tus perros quedarán conectados como en la ilustración de abajo, en ella puedes ver que el perro que Ian escogió, en algún momento (bloque), tendría que haber sido comparado con cada uno de los otros perros. Para obtener esa imagen conectamos con una línea cada par de números, dentro de cada bloque de la tabla de arriba. La imagen es simétrica y bonita ¿no es así? Pues bien, esa estética obedece a que nuestro DBBI es perfecto.
MaxDiff diseñoYa sé que a estas alturas te estás preguntando “¿Pero cómo carajos le hago para obtener un diseño con estas características?” ¡Elemental, mi querido Watson! Cómprate un software de 4 mil dólares, jajaja (No ¡no te esponjes! es broma). Baja el software R y un complemento o paquete de él que se llama “crossdes” (no debes tener problemas para bajarlos e instalarlos), ábrelo y escribe en la ventana (consola de R) este comando:

find.BIB(7, 21, 5)

Luego presiona la tecla enter y listo aparecerá en tu pantalla un diseño balanceado de bloques incompletos. A ver ¡espérame! algo no anda bien…Mmm…¡Ah, ya sé! Tienes que cambiar los números del paréntesis, en lugar de 7 pon el número de perritos que tienes, no perdón, el número de tratamientos (así se dice, pues); en vez del 21 el número de bloques que deseas generar y cambia el 5 por el número de perritos, digo de tratamientos por bloque…Siento que algo se me olvida…¡Ah! Si, no todos los problemas combinatorios (así se dice también, no lo digo nada más para apantallar) pueden ser balanceados*; tienes que corroborar que tu diseño es bueno o perfecto. Hay dos formas de saberlo, una elegante como la del grafo o red donde aparecen todos los perritos y la otra es tecleando este comando en el mismo programa de R:

isGYD(find.BIB(7, 21, 5))

Presiona enter y en la pantalla va a parecer algo así como:

[1] The design is a balanced incomplete block design w.r.t. rows.

Lo cual quiere decir que tu diseño pasó la prueba. Si la leyenda dice:

[1] The design is neither balanced w.r.t. rows nor w.r.t. columns.

Entonces, es “Houston we have a problem”. Pero no te preocupes demasiado porque afortunadamente también la estadística nos ayuda a estimar con bastante buena precisión diseños que no son completamente balanceados aunque no está por demás que saques frecuencias de cada bloque checando estos cuatro aspectos:

1. Balance. En nuestro caso el perrito de Ian aparece las mismas veces que cualquier otro perrito dentro del diseño completo, 15 veces ni más ni menos.*
2. Independencia (ortogonalidad). El perrito de Ian aparece con cada otro perrito el mismo número de veces, 10 en total con cualquiera de ellos.*
3. Conectividad. En este caso el perrito de Ian está conectado a cualquier otro perrito directamente debido a la cantidad de bloques que hicimos pero no necesita estar conectado directamente, es suficiente con que puedas conectarlo a los a otros indirectamente; es decir, si el perro de Ian estuvo en un bloque con Mango pero no con Maya, es suficiente con que Mango si halla estado con Maya.
4. Rotación (balance por posición). Cuida que los perritos estén rotados dentro de cada bloque, esto es por si el estudio lo haces en papel; si el estudio es mediante dispositivos electrónicos seguramente el programa los rotará de forma automática.

Cómo decía mi Apá, “con calma y no la amanecemos”. La siguiente pregunta es ¿cuántos bloques y opciones (perritos) por bloque debes tener? Sawtooth dice que puede ser entre 4 y 5 opciones por bloque (parece que el estándar está entre 4 pero no hay una regla que te impida hacerlos de 3 o incluso de 6) ¿De acuerdo? Ahora, piensa que entre más bloques más se tardará el sujeto en evaluarlos, tendrá más cansancio y reducirá la calidad de sus respuestas; normalmente nosotros procuramos que no sean más de 20 bloques. Sawtooth tiene artículos muy prácticos que te ayudarán a decidir mejor sobre tus diseños.

¿Se necesita que el entrevistado también mencione la opción menos preferida o es suficiente con que diga cuál es el perrito que escogió? Puedes hacerlos de las dos formas. No hay nada que diga cuál método es superior.

Conclusión.

MaxDiff te sirve sólo para regalar perritos. No, miento tiene otros usos:

1. Es útil para determinar la importancia de los atributos o beneficios. En el caso de la imagen de casinos, que abre este artículo, lo que se buscó fue conocer cuáles eran los atributos más importantes de entre una lista de 39 que teníamos.
2. También sirve para segmentar con base a dichos atributos; para este propósito se utilizan las estructuras de clase latente o mejor conocidas como segmentación de clase latente. Latent Gold, es un excelente software para llevar a cabo este análisis y por supuesto, Sawtooth; ahora que si eres de los que les gustan los retos, R te va a gustar.
3. Otro uso que le puedes dar es evaluar productos o marcas.

* Nota 1. Hay 2 reglas básicas para lograr que tu diseño balanceado por bloques incompletos sea perfecto: cada tratamiento debe aparecer el mismo número de veces en el diseño y la segunda es que cada par de tratamientos aparezcan juntos en el mismo número de bloques. ¿Cómo que cómo? De acuerdo. el resultado en las dos fórmulas de abajo debe ser un entero.

1). r = bk / t
2). λ = r(k-1)/(t-1)

r = veces que aparece el tratamiento en el diseño completo (el perro de Ian aparece el mismo número de veces que los otros perros, 15 en total).
b = número de bloques (21)
k = número de tratamientos en cada bloque (5 perritos por bloque)
t = número total de tratamientos (7 perritos en total)
λ = par de tratamientos que aparecen juntos en el mismo número de bloques. Por ejemplo, el perro de Ian (7) apareció 10 veces con Creepy (perro 1) en 10 bloques.

Nota 2. En el complemento de este post te explicaremos como analizar la información y el software disponible que hay para ello.

Nota 3. Apuesto a que no cambiaste los números del paréntesis en el programa R cuando quisiste checar si tu diseño era bueno. Por supuesto, que debes hacerlo ¿Qué números pones allí? pos depende de los perritos que tengas.

Gracias por leernos.

 

ACTUALIZACIÓN

El paquete “crossdes” de R ya no está disponible por lo que puedes usar en su lugar “AlgDesign”. Los pasos que debes seguir para tu diseño son:
1. Instalar R en tu computadora.
2. Cargar el paquete “AlgDesign” en R. Usa el comando de abajo y presiona enter:
>install.packages(“AlgDesign”)
3. Cargar la librería. Usa el comando de abajo y presiona enter:
>library(“AlgDesign”)
4. Establecer un número aleatorio para tu procedimiento. Puedes usar cualquier número, utiliza el comando de abajo y presiona enter:
>set.seed(12345789)
5. Genera el diseño con el comando “optBlock”. Usa el comando de abajo pero cambia los parámetros de tu diseño. Por ejemplo, en este diseño hay 9 atributos en total, 3 atributos por bloque y 12 bloques en total, sustituye estos números por los de tu propio diseño y presiona enter:
>BIB<-optBlock(~., withinData=factor(1:9), blocksizes=rep(3,12), nRepeats=5000)
6. Despliega el diseño tecleando el nombre del objeto que creaste en este caso “BIB” y presiona enter.
>BIB
7. Ya está, copia el diseño a tu programa de estadísticas favorito para que puedas probarlo o a un procesador de texto para crear tus tarjetas.