El anlisis de escalamiento

multidimensional
Natalia Vila Lpez
Universitat de Valncia
Dpto. de Direccin de Empresas Juan Jos Renau Piqueras
El anlisis de escalamiento multidimensional
1. Qu es el anlisis de escalamiento multidimensional?
(Hair, Anderson, Tatham y Black, 1995)
El anlisis de escalas multidimensionales es una tcnica de representacin espacial
que permite visualizar sobre un mapa un conjunto de estmulos cuyo
posicionamiento relativo se desea analizar. En otras palabras, se trata de un
procedimiento rpido y sencillo para dibujar mapas sobre los que representan
geomtricamente, en forma de puntos, un conjunto de objetos (marcas, empresas,
destinos tursticos, candidatos polticos, establecimientos comerciales ), de
forma que la mayor proximidad entre dos objetos en el mapa significa que ambos
son percibidos de forma bastante semejante, al tiempo que su alejamiento indica
que uno y otro tienen poco que ver entre s. Por este motivo, el anlisis de escalas
multidimensionales se conoce tambin como "mapa perceptual", aunque no
debemos de olvidar que existen tambin otras tcnicas de representacin espacial
que permiten la obtencin de mapas perceptuales, como por ejemplo el anlisis
factorial de correspondencias, abordado en otro tema.
En lneas generales, el objetivo del anlisis de escalas multidimensionales es trans-
formar juicios de similitudes (o de preferencias) entre objetos, en distancias entre
puntos en un mapa. De tal forma, si A y B son percibidos (o preferidos) de forma
equivalente, los puntos a los que representan se aproximarn en el mapa percep-
tual, mientras que en el supuesto contrario su distancia en el espacio perceptual
aumentar.
2. Aplicacin del anlisis de escalamiento multidimensional
Paso 1. Establecimiento de objetivos
La finalidad de la tcnica estriba en su aptitud para medir la ubicacin en el
espacio de un conjunto de objetos cuya posicin relativa se analiza. Para tal fin,
el punto de partida son las comparaciones que han efectuado los individuos entre
tales objetos. Ahora bien, estas comparaciones se pueden realizar atendiendo a los
criterios particulares que cada individuo encuestado tenga en mente, o bien, sobre
la base de un conjunto de variables sugeridas por el investigador. En el primer
caso, el sujeto es totalmente libre, puesto que sus similitudes (o preferencias) se
definen atendiendo a sus propios criterios, es decir, de forma idiosincrsica. Es lo
que se conoce como anlisis de escalas multidimensionales directo (incluido entre
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 2
los mtodos de descomposicin). En el segundo caso, el anlisis depender, en
buena medida, de las variables seleccionadas para comparar a los objetos. Se
habla entonces de anlisis de escalas multidimensionales derivado (incluido entre
los mtodos de composicin). Se diferencia del anterior en que la percepcin
global hacia un objeto se compone a partir de las percepciones individuales hacia
cada uno de los atributos que lo define, que han sido explicitados por el investiga-
dor. Su ventaja radica en poder representar sobre un mismo mapa perceptual
tanto los objetos cuya posicin en el espacio se analiza, como las variables utiliza-
das para determinarla.
Por ltimo aadir que, con frecuencia, se trata a toda la muestra de forma
homognea, sin distinguir segmentos de individuos con caractersticas afines. En
este se caso se habla de anlisis de escalas multidimensionales clsicos, basados en
la obtencin de un slo mapa perceptual para toda la muestra. Por el contrario,
resulta posible realizar anlisis segmentados de forma que, adems del mapa
general, se obtengan mapas particulares para cada individuo (o segmento de
individuos) identificados en la muestra. En este segundo caso se habla de anlisis
de escalas multidimensionales replicados. Su gran ventaja radica en generar
distintos mapas perceptuales en funcin de los individuos (o segmentos) consid-
erados.
Los distintos tipos de anlisis de escalas multidimensionales se recogen en el
cuadro 1.
Cuadro 1. Distintos tipos de anlisis de escalamiento multidimensional
ESPECIFICACIN DE LOS OBJETOS A COMPARAR
Comparacin directa entre objetos
(objetos x objetos)
MDS DIRECTO
Comparacin indirecta entre objetos
(objetos x atributos)
MDS DERIVADO
Se trata toda la muestra a la vez
MDS CLSICO
Se trata toda la muestra de forma segmentada
MDS REPLICADO
Como se recoge tambin en el cuadro 1, una de las decisiones ms importantes en
relacin con la aplicacin de esta tcnica es la seleccin de los objetos que se van
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 3
a comparar. No en vano, la adicin de nuevos objetos, o eliminacin de algunos
de los ya considerados, supone la reubicacin en el mapa de los objetos restantes.
Dicha eleccin debe basarse en los objetivos de la investigacin. As, si el objetivo
fuera el anlisis del conjunto de productos para el cuidado de la piel, la cantidad
y variedad de marcas o productos ser bien diferente en comparacin con otro
hipottico estudio centrado nicamente en los productos ecolgicos o no testados
en animales. En cualquier caso el criterio aconsejable es incluir aquellos objetos
que realmente compiten desde la perspectiva del consumidor.
Una precisin adicional hace referencia a la necesidad de que los encuestados
conozcan lo suficiente a los distintos objetos seleccionados, para asegurar que las
comparaciones que se efectan responden a una base slida de conocimientos.
Paso 2: Diseo del plan de anlisis
En relacin con el planteamiento de la investigacin se debe sealar que el anlisis
de escalas multidimensionales trata de representar un conjunto de objetos en
forma de puntos sobre un mapa. Para lo cual, una vez se han comparado los
distintos objetos se construye una matriz cuyas celdas miden el grado de
similitud/disimilitud entre cada par de objetos (ij). Es lo que se conoce como
matriz de proximidades, o similitudes/disimilitudes. Los coeficientes de
similitud/disimilitud de la matriz entre cada objeto "i" y cada objeto "j" se trans-
forman en distancias en el mapa, de forma que dos objetos cuyo coeficiente de
similitud (ij) sea elevado, estarn poco distantes (dij) en el mapa que los repre-
senta.
Al plantear la investigacin se deben contemplar dos puntos esenciales. Primero,
la seleccin del mtodo de recogida de informacin (basado en los objetos
basado tanto en los objetos como en los atributos), as como del nivel de agrega-
cin de la muestra (anlisis agregados desagregados). Segundo, la especificacin
del tipo de mtrica a aplicar (anlisis mtricos no mtricos) y de los objetos a
estudiar.
En relacin con la seleccin del mtodo de recogida de informacin se debe
atender a los objetivos de la investigacin. Si se desea conocer slo la ubicacin en
el mapa de los distintos objetos analizados, se debe aplicar el anlisis de escalas
multidimensionales directo. Si se desea conocer tambin "cmo" se relacionan
estos entre s, se debe optar por el anlisis de escalas derivado. Es decir, en el
primer caso, la matriz de partida ser una matriz cuadrada (objetos x objetos),
mientras que en el segundo caso ser rectangular (objetos x atributos). En
general, los mtodos que no consideran atributos son conocidos como mtodos de
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 4
categorizacin/clasificacin y los que si los consideran como mtodos de evalua-
cin.
En relacin con los mtodos de categorizacin cabe distinguir los siguientes
procedimientos de recogida de informacin:
a) categorizacin, o clasificacin, propiamente dicha
Los distintos objetos son repartidos en conjuntos atendiendo a los similares
que se perciben. Es decir, con este mtodo, los objetos se clasifican utili-
zando grupos alternativos, de forma que si los objetos son incluidos dentro
de un mismo grupo son percibidos de forma equivalente y si son incluidos
en distintos grupos son percibidos de forma diferente. Dos objetos que han
sido frecuentemente incluidos en el mismo grupo se situarn prximos en el
mapa puesto que su coeficiente de similitud es elevado.
En los casos en que la clasificacin de objetos se haga por parejas, todos
los pares deben ser repartidos en grupos o especies excluyentes. Una pareja
de objetos similar a otra debe ser incluida dentro del mismo montn que
aquella. La utilizacin de dos objetos en lugar de uno como base de
comparacin se recomienda para situaciones en que intervienen pocos
objetos. Ello obedece a que el nmero de parejas posibles es bastante ms
elevado que el de objetos.
A veces la clasificacin no se realiza por pares si no por tros (Weirs, 1986).
En el caso del mtodo de las triadas de Combs los objetos se presentan en
subgrupos de tres y el sujeto selecciona el par ms similar y el menos
similar. En el caso del mtodo de las triadas completo cada subgrupo se
muestra tres veces sirviendo en cada caso uno de los objetos como referen-
cia para ordenar los otros dos. A partir de estos juicios se derivan los coefi-
cientes de similitud entre pares de objetos.
b) citacin directa
Los individuos citan aquellos objetos que le vienen a la mente. Dos objetos
que han sido frecuentemente citados juntos tienen un coeficiente de simili-
tud (porcentaje relativo de asociacin) elevado, por lo que se situarn
prximos en el mapa que los represente.
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 5
d) comparaciones pareadas
Los distintos objetos se comparan dos a dos, indicando el encuestado sobre
una escala el grado en que los percibe similares. Dos objetos que, en
promedio, tienen un coeficiente de similitud elevado, se situarn prximos
en el mapa. Schiffman, Reynolds y Young (1981) utilizan tres tipos de
escalas bipolares dependiendo de los estmulos a comparar.
Diferentes _________________
__
Iguales
Ms diferentes _________________
__
Exactamente iguales
Completamente diferentes _________________
__
Exactamente iguales
La primera escala es la ms utilizada (Davison, 1983; Dillon y Goldstein,
1984) y suele emplearse dividida en seis o nueve puntos.
A veces la medicin de distancias no es tan directa. Tal es el caso de
comparaciones pareadas en las que no se juzga la similitud percibida entre
dos objetos, si no la preferencia de un objeto sobre otro. As pues, para
cada sujeto se obtiene una matriz cuadrada cuyas celdas ij indican la
preferencia de i sobre j, o a la inversa. Aunque existe una extendida creen-
cia de marketing que asume que productos similarmente percibidos sern
similarmente preferidos por el consumidor, tendencias ms recientes
constatan lo contrario. Es decir, lo que es importante cuando los consumi-
dores juzgan la similitud entre productos no se ajusta necesariamente a lo
que es importante para ellos cuando los evalan para la compra (Lefkoff-
Hagius y Mason, 1993). No en vano, los juicios directos de similitud entre
pares de objetos descansan mayormente sobre atributos fsicos o carac-
tersticas del producto (cilindradas, velocidad, n de caballos etc.) y los
juicios de preferencias lo hacen mayormente sobre atributos subjetivos o
beneficios del producto (prestigio, status, seguridad etc.) (Ratneshwar y
Shocker, 1991; Lefkoff-Hagius y Mason, 1993).
e) Ordenamiento condicionado:
Steffler (1972) deriva los coeficientes de similitud entre pares de marcas
utilizando un ordenamiento condicional simplificado. Con tal propsito,
por fases, cada marca se utiliza como clave o modelo , y el resto de marcas
se ordenan en relacin a la marca standard de ms a menos parecido.
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 6
Existen dos tipos de ordenamientos: el ordenamiento condicional completo
y el simplificado. La diferencia radica en que el ordenamiento simplificado
solo considera aquellos objetos ms parecidos y menos parecidos al
standard, dejando sin ordenar objetos intermedios.
Este mtodo tambin puede utilizar como pivote de comparacin una
pareja de objetos. En este caso, las restantes parejas se ordenan respecto al
par elegido como standard en cada ocasin.
f) Probabilidades condicionadas
Con este mtodo, cada coeficiente ij de similitud de la matriz de proximi-
dades recoge la probabilidad de que presentado el objeto i, se responda
con el objeto j. Este mtodo se utiliza, bsicamente, para derivar matrices
de reconocimiento, que miden la probabilidad de que un objeto sea recono-
cido. Los elementos de la diagonal principal indican la probabilidad de que
mostrado un objeto el encuestado lo reconozca y responda correctamente
su nombre.
Tambin permite generar matrices de transicin, referidas a dos momentos
de tiempo, que recogen la probabilidad de que un estado inicial se
mantenga transcurrido un cierto plazo. Los elementos de la diagonal
principal indican la probabilidad de un estado inicial se repita al final.
g) Probabilidades conjuntas
Con este mtodo cada coeficiente ij de la matriz de proximidades recoge
la probabilidad conjunta de que dos objetos se presenten simultneamente.
Se utiliza para derivar matrices de interaccin y de co-ocurrencia. Esta
matriz puede obtenerse, por ejemplo, clasificando los objetos en distintas
categoras. Si un par de objetos es percibido similar, ambos formarn parte
del mismo grupo y en la matriz de proximidades aparecer un 1, si dos
objetos se perciben diferentes formarn parte de clases distintas y en la
matriz aparecer un 0
En relacin con los mtodos de evaluacin cabe distinguir:
a) Asociacin
Los distintos objetos son asociados con las distintas variables. Dos objetos
asociados con las mismas variables tienen un coeficiente de similitud
elevado, por lo que se situarn prximos en el mapa.
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 7
b) Puntuacin de atributos
Los distintos objetos son puntuados sobre las distintas variables sobre una
escala, en funcin del grado en que posee cada una de estas variables. Dos
objetos que obtienen, en promedio, puntuaciones elevadas sobre las distin-
tas variables se situarn prximas en el mapa.
Henry y Stumpf (1975) investigaron empricamente el impacto que ejercan la
cantidad de objetos a comparar y la metodologa seguida, tanto sobre la precisin
de la respuesta como sobre el tiempo requerido en cada caso. En relacin con la
variable precisin los resultados rechazaron la hiptesis de que niveles superiores
correspondieran a comparaciones entre pocos objetos. En relacin con la variable
tiempo todo pareci favorecer el mtodo de "ordenamiento condicionado" debido
a su mayor rapidez sin perdida de precisin. Varela (1982) tambin obtiene que el
"ordenamiento condicionado" "punto de anclaje" resulta prcticamente tan
preciso como los mtodos de clasificacin por tros y o por pares, requiriendo
menor tiempo para su cumplimentacin. Sin embargo, el mtodo de las escalas de
puntuacin parece mejor que este ltimo pues es significativamente ms rpido,
no proporciona resultados menos adecuados y adems resulta ms grato.
Atendiendo al ni vel de desagregacin de la muestra, se puede optar por
considerarla de forma global segmentada, aplicando, respectivamente, anlisis
clsicos o replicados. Es decir, en el primer caso, se cuenta con una sola matriz de
partida, mientras que en el segundo caso, deber generarse una matriz distinta
para cada segmento o individuo que se desea estudiar.
En relacin con la mtri ca a aplicar se tiende, hoy en da, a la obtencin de
outputs mtricos, tanto si el input es mtrico como si no lo es (ordenaciones). La
razn estriba en que los outputs mtricos facilitan la interpretacin de los resulta-
dos en la medida que permiten rotaciones.
En relacin con los objetos que se analizan se debe destacar como requisito indis-
pensable el contar con un nmero mnimo de cinco objetos, ya que con cuatro,
tres o dos objetos el programa no funciona. A la hora de seleccionar un nmero
mximo de objetos, se suele aconsejar que este supere el nmero de dimensiones
que se desean retener en la solucin final multiplicado por cuatro. Por ejemplo,
para generar un mapa de dos dimensiones, se deberan considerar al menos 9
objetos. A menudo, considerar un nmero menor mejora, ficticiamente, los ndices
de ajuste obtenidos. Ahora bien, los objetos deben de poder compararse
realmente entre s. Es decir, deben poseer ciertas caractersticas fsicas o perci-
bidas afines.
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 8
Paso 3: Condiciones de aplicabilidad
El anlisis de escalas multidimensionales no tiene restricciones ni del tipo input, ni
del tipo de relaciones entre las variables, pero requiere no descuidar algunos
aspectos:
1. No todos los individuos estructuran mentalmente los objetos empleando
el mismo nmero de dimensiones. Existen sujetos que desarrollan esque-
mas mentales complejos, con gran cantidad y variedad y de variables
evaluativas, mientras que otros simplifican su entendimiento del entorno
con un nmero ms reducido.
2. No todos los individuos asignan la misma importancia a todas las
variables que consideran mentalmente cuando comparan los objetos.
Algunos pueden asignar ms peso, por ejemplo, al factor coste, mientras
otros pueden decantarse hacia aspectos relativos a la calidad.
3. Los juicios de similitud o de preferencia, tanto en trminos de variables
utilizadas como de importancia asignada a las mismas, no tienen porque
permanecer estables a lo largo del tiempo.
Todas estas consideraciones apuntan hacia la identificacin de segmentos
homogneos en trminos de variables consideradas e importancia otorgada a las
mismas a fin de conseguir que los mapas estimados representen, con el mayor
ajuste posible, las percepciones de los individuos analizados. La razn estriba en
que a medida que las opiniones/preferencias diverjan, su representacin a travs
de mapas perceptuales ser poco representativa de lo que realmente ocurre en sus
mentes.
Paso 4: Estimacin del modelo y medida de ajuste global
En primer lugar, se debe seleccionar el nmero de dimensiones que, en principio,
se considera adecuado en funcin del nmero de objetos comparados. General-
mente se suelen retener dos dimensiones, ya que ello permite obtener mapas
bidimensionales fcilmente interpretables. Cuando se retienen ms de tres dimen-
siones, resulta complejo representar en el espacio Eucldeo la posicin de los
objetos comparados, salvo que se vayan tomando, dos a dos, las coordenadas de
cada objeto. Es decir, salvo que se dibujen distintos mapas bidimensionales para
cada posible par de factores identificados.
En segundo lugar, una vez decidido el nmero de dimensiones, se representan los
objetos en forma de puntos a fin de analizar las relaciones que guardan entre s.
La idea es comparar las similitudes/disimilitudes entre objetos recogidas en la
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 9
matriz de partida (ij) con las distancias que guardan los puntos que los represen-
tan (dij). Para tal fin se emplean tres ndices de ajuste: el Stress, el S-Stress y
RSQ:
1. El S-Stress indica el ajuste existente entre las distancias eucldeas al
cuadrado de los puntos del mapa D
2
y las disimilitudes de la matriz de
partida S. El S-Stress ser 0 cuando este ajuste sea perfecto, lo que signi-
fica que el mapa reproduce con absoluta fidelidad la matriz original I{S}=
D
2
. Generalmente, se suele incurrir en un trmino de error (E0), de forma
que I{S}= D
2
+E. El S-Stress intenta minimizar precisamente este trmino
de error.
{ }
E
Sstress
I S
=
donde E es al suma de todos los elementos al cuadrado de la matriz de
error e I{S} la suma de todos los elementos al cuadrado de la matriz origi-
nal (como se indica la matriz original S se puede transformar linealmente
{S} o monotnicamente m{S}.
2. El Stress se define igual que el S-stress salvo que usa distancias y no
distancias cuadradas. Kruskal (1964) establece la siguiente clasificacin:
Perfecto 0
Excelente 25
Bueno 50
Regular 100
Malo 200
Clasificacin Stress
3. El RSQ (coeficiente de correlacin al cuadrado) mide la correlacin
entre distancias eucldeas entre puntos del mapa D y disimilitudes de la
matriz original S. Es decir, el porcentaje de variabilidad de los datos de
partida que es explicado por el modelo. Conforme se aproxima a la unidad
(100%) el ajuste mejora, mientras su acercamiento a cero denota un creci-
miento del trmino de error en la estimacin.
Una recomendacin para seleccionar el nmero de dimensiones es representar "el
nmero de dimensiones" en el eje de abcisas de un grfico y "el valor del Stress"
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 10
en el de ordenadas. Aquel punto en el que se produce un salto brusco puede
tomarse como un buen indicador del nmero de dimensiones que deben retenerse.
Otro aspecto interesante es el concerniente a las soluciones degeneradas, que
corresponden a mapas que no representan de forma ajustada las percepciones de
los sujetos encuestados. Generalmente se detectan porque los objetos analizados
se representan siguiendo un patrn circular, o lo que es lo mismo, en forma de
corona en torno a los ejes de coordenadas.
Paso 5: I nterpretacin de los resultados
Si en el mapa se representan slo objetos (mtodos de descomposicin), se anali-
zan sus distancias y consultando fuentes secundarias, o incorporando a posteriori
la evaluacin de cada objeto sobre una lista de variables, se interpretan los resul-
tados. En ambos casos la idea es conseguir informacin que permita, en funcin
de cmo estn posicionados relativamente los competidores, explicar de que forma
se relacionan entre s.
Si en el mapa se representan tanto objetos como propiedades (mtodos de compo-
sicin) se facilita la interpretacin de los resultados, ya que en este caso las
variables estn incluidas a priori en el espacio perceptual.
Paso 6: Validacin de los resultados
Para validar los resultados a fin de permitir su generalizacin se puede llevar a
cabo una divisin de la muestra y realizar dos anlisis similares simultneamente.
Es decir, obtener dos mapas y compararlos. Su convergencia sirve para garantizar
la bondad de los anlisis realizados. Esta convergencia puede contrastarse anali-
zando, visualmente, la colocacin de los objetos, o bien, de forma ms precisa,
calculando las correlaciones entre las distancias ecldeas de los dos mapas obteni-
dos. En ambos casos los ndices de ajuste (Stress, S-Stress y RSQ) deben ser
igualmente buenos.
Otra forma de validar los resultados obtenidos partiendo de mtodos de descom-
posicin consiste en aplicar, a posteriori, un mtodo de composicin (y a la
inversa). Es decir, contar con matrices cuadradas (objetos x objetos) y matrices
rectangulares (objetos x atributos) y comprobar si los resultados convergen.
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 11
3. Ejemplo de aplicacin del anlisis de escalamiento multidimen-
sional
(Vila, 1999)
Seleccin de los competidores objeto de estudio
En este ejemplo se relacionan 18 empresas de coches, concretamente aquellas que
cuentan con los volmenes de facturacin de turismos mas elevados Espaa. Esta
decisin se ha tomado a partir de los resultados obtenidos en una fase previa
cualitativa.
Seleccin del mtodo de recogida de informacin
Se ha optado por recoger la informacin sobre la forma en que se relacionan las
18 empresas siguiendo el mtodo de categorizacin, o clasificacin, propiamente
dicha. Este mtodo, consiste, segn se ha detallado, en solicitar a cada uno de los
211 profesionales del sector encuestados que reparta las 18 empresas en tantos
grupos como l considere oportuno, basndose en la competencia que percibe
entre ellas. juntos. Para tal fin se ha recurrido al empleo de tarjetas, cada una
con el nombre de un competidor diferente. El porcentaje de veces que dos empre-
sas han sido agrupadas juntas es lo que se conoce como "coeficiente similitud" o
"coeficiente de proximidad". As por ejemplo, el "coeficiente de similitud" o "proxi-
midad" entre Audi (1 en la matriz) y BMW (2 en la matriz) es de 89,6%, lo que
equivale a afirmar que de los 211 profesionales encuestados, 188 han colocado
Audi y BMW en la misma categora competitiva (188/211= 89,6%).
Agregando los resultados de toda la muestra de encuestados se obtiene la cuadro
2, matriz cuadrada simtrica, en cuyas celdas se recoge la frecuencia con que dos
competidores han sido agrupados juntos.
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 12
Cuadro 2. Matriz cuadrada derivada a partir de datos de categorizacin
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
1 100 89.6 3.3 2.8 2.8 3.3 8.5 3.8 85.8 4.7 3.8 2.8 3.3 17.5 3.3 9.5 20.9 57.3
2 100 1.9 3.3 3.3 1.9 9.5 4.7 90.5 3.8 2.4 1.9 1.4 18 1.9 11.4 14.2 55.0
3 100 35.1 63.5 76.3 28.9 34.1 3.8 45 69.2 74.4 78.7 33.2 78.2 26.5 42.2 10.4
4 100 50.7 27.5 38.4 83.4 4.3 39.8 24.6 28 26.5 30.8 33.6 35.1 16.1 11.8
5 100 59.2 34.6 48.8 5.2 43.6 51.7 51.7 57.3 35.5 61.6 26.5 34.1 10.4
6 100 28.4 26.5 3.8 49.3 80.6 76.3 83.9 32.2 75.4 29.4 47.4 11.4
7 100 44.1 9 54 33.6 35.5 28.9 42.7 29.4 67.3 36 23.2
8 100 4.3 39.3 24.2 25.1 25.1 28 33.2 36 15.6 10.9
9 100 3.3 3.8 3.3 3.3 15.2 3.8 9.5 12.8 56.4
10 100 53.6 47.9 47.4 40.3 48.8 49.8 41.2 14.2
11 100 78.7 76.3 35.1 71.1 32.2 54 12.8
12 100 78.2 37.4 72.5 30.3 49.3 11.4
13 100 31.8 79.1 25.6 47.9 9.5
14 100 31.8 44.5 40.8 33.6
15 100 29.9 42.2 9
16 100 37.4 24.6
17 100 32.7
18 100
Uni dad: proximidades
Nota: si dos competiodores tienen el mismo color, es porque un elevado porcentaje de profesionales los han
includo en el mismo conjunto, lo que determina su pertenencia al mismo grupo competitivo.
Leyenda:
Audi: 1 Citroen: 3 Fiat: 5 Honda: 7 Mercedes: 9 Opel: 11 Renault: 13 Seat 15 Volkswagen: 17
BMW: 2 Daewoo: 4 Ford: 6 Huyndai: 8 Nissan: 10 Peugeot: 12 Rover: 14 Toyota: 16 Volvo: 18
Seleccin del nmero de segmentos objeto de estudio y del lgoritmo de anlisis
Los profesionales han sido agrupados en dos grandes bloques atendiendo a su
antigedad en el puesto de trabajo. En efecto, se ha observado que el nmero de
grupos que forman los encuestados depende de su experiencia (c2=33.816,
p=0.038). As es, mientras los profesionales ms antiguos, con mayor experiencia,
tienden a simplificar en tres grupos su entendimiento de la competencia, los profe-
sionales menos experimentados emplean, en promedio, cuatro grupos. Por este
motivo, resulta adecuado dividir la muestra considerando, por una parte, un
primer grupo de profesionales con una antigedad superior a los diez aos
(x>10aos=127) y por otra, un segundo grupo con una antigedad inferior a los
diez aos (x<1ao=14 encuestados - 1ao<x<3aos=20 encuestados
-3aos<x<10aos=50 encuestados).
Se han formado dos segmentos y no ms porque, primero, los anlisis aplicados
pierden robustez conforme aumenta el nmero de segmentos considerados
(Young y Harris, 1993) y segundo, para trabajar con segmentos de dimensin
similar.
No se han aplicado otros criterios de segmentacin ya que la identificacin de
grupos es independiente de otros aspectos como la formacin recibida (
2
=9.092,
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 13
p=0.825), el grado de control ejercido por la sede central de la marca (
2
=22.489,
p=0.372), la asistencia a ferias y exposiciones (
2
=16.005, p=0.363), la lectura de
revistas sobre el sector (
2
=13.762, p=0.468), la pertenencia a asociaciones
(
2
=11.398, p=0.655) y el cargo/categora profesional detentada (
2
=33.965,
p=0.5).
Dado que, segn se ha sealado, la muestra total de oferentes resulta divisible en
dos segmentos, la tabla general calculada para toda la muestra (tabla 1) se ha
desdoblado en dos: una para el segmento de profesionales experimentados, con
ms de 10 aos de antigedad, y otra para profesionales no tan experimentados,
con menos diez aos en el sector.
Ambos segmentos han constituido el input del anlisis de escalas multidimension-
ales, aplicado en su modalidad INDSCAL (INdividual Differences SCALing
1
)
para contemplar diferencias entre uno y otro. Dicho algoritmo permite derivar,
partiendo de ambas matrices, las disimilitudes (PHI de Pearson
2
) entre pares de
empresas. Estas disimilitudes se transforman en distancias entre pares de puntos
(empresas) en una representacin bidimensional, o mapa 1, que se obtiene como
resultado si se retienen dos ejes. La razn de esta transformacin obedece a que el
anlisis de escalas multidimensionales trata de minimizar la suma de los residuos
al cuadrado en la estimacin de distancias entre parejas de puntos.
Seleccin del nmero de dimensiones a retener en la solucin final
La decisin de retener dos ejes, a fin de obtener el mapa 1 obedece a dos motivos.
En primer lugar, a que el 79.8% de los profesionales encuestados ha declarado
utilizar uno o dos criterios para explicar la forma en que compiten entre s las
empresas estudiadas. Estos criterios fueron citados espontneamente cuando se
les solicit que indicaran qu variables haban tenido en cuenta para formar los
grupos competitivos, es decir, para repartir las empresas en conjuntos. Entre los
criterios citados sobresale, en primer lugar, el carcter "generalista/especialista" de
la empresa categorizada, citado por el 38,28% de los profesionales (significado
otorgado al eje horizontal del mapa 1) y en segundo lugar, los factores "calidad
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 14
2
La disimilitud entre dos competidores se puede obtener con el ndice PHI de Pearson (basado en el test c
2
) que se
aplica a parejas de variables escaladas nominalmente (recuento de frecuencias) para medir la asociacin, o inten-
sidad de relacin, entre esas dos variables (Knoblich, 1994). Es decir, a partir de cada celda de la matriz de
frecuencias se deriva la disimilitud entre el competidor que aparece en la columna y el que aparece en la fila
(distancia PHI de Pearson). Esta disimilitud se normaliza para que su valor mximo sea 1 (competencia total) y
el mnimo -1 (ninguna competencia).
1
Los detalles de este algoritmo pueden verse, por ejemplo, en Bign (1986), Arabie, Carroll y DeSarbo (1987),
Green, Carmone y Smith, (1989), Vila (1996), Bign y Vila (1999).
asociada a la empresa y su oferta" y "coste", citados respectivamente por el 35% y
el 33,6% de los profesionales (significado otorgado al eje vertical del mapa 1).
La segunda razn aducida para seleccionar dos dimensiones y obtener el mapa 1
es que los ndices de ajuste de esta solucin, recogidos en el cuadro 3, denotan que
dicho mapa representa fielmente, de forma visual, los datos de categorizacin
facilitados, de forma verbal, por los profesionales, siendo mnimo el error cometido
en esta estimacin. Es decir, que la disimilitud entre dos objetos se corresponde
con su distancia en el mapa.
Cuadro 3. Bondad del anlisis multidimensional
realizado con datos de categorizacin
994 45 1
RSQ Stress S-Stress
Figura 2. Mapa perceptual conjunto derivado
a partir de datos de categorizacin
Dimensin 1
2.
5
2.
0
1.
5
1.
0
.
5
0.
0
-
.5
-
1.0
Di
me
nsi
n
2
2.
0
1.
5
1.
0
.
5
0.
0
-
.5
-
1.0
-
1.5
Volvo
Volkswagen
Toyota
Seat
Rover
Renault
Peugeot
Opel
Nissan
Mercedes
Hyundai
Honda
Ford
Fiat
Daewoo
Citroen
BMW
Audi
Figura 3. Ponderacin de cada sujeto a cada eje. Datos de categorizacin
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 15
SS
Di mens i n 1
1. 6 1. 4 1. 2 1. 0 .8 .6 .4
D i
m e
n s i
n
2
. 15
. 14
. 13
. 12
. 11
. 10
. 09
. 08
S 2
S 1
= 4 5
Interpretacin de los resultados
Sobre el mapa de la figura 2, obtenido de forma global, se pueden derivar dos
submapas, uno para cada uno de los dos segmentos en que se ha dividido la
muestra total. Para ello, slo hay que ponderar las coordenadas de cada empresa
en este mapa, por los pesos que otorga cada segmento a cada dimensin, segn
las indicaciones contenidas en el cuadro 4.
Como se recoge en la el cuadro 4 y se visualiza en la figura 3, a medida que el
ngulo (q) tiene ms grados, significa que el sujeto concede ms importancia al
eje vertical, sera el caso de los profesionales con menos antigedad (S
2
), cuya
menor veterana se traduce en una estructura competitiva ms compleja. Por el
contrario, valores inferiores a los 45% denotan un fuerte protagonismo del eje
horizontal, sera el caso de los profesionales ms antiguos (S
1
), cuya larga experi-
encia se traduce en una estructura competitiva ms simple, definida esencial-
mente con un slo eje.
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 16
Cuadro 4. Derivacin de los submapas del mapa obtenido
mediante categorizacin
1.279 998 26 1.410 9.891 Segmento 2
1.594 991 59 896 9.915 Segmento 1
ndice de
Weirdness
4
RSQ Stress
Ponderacin
parael ejeY
Ponderacin
parael ejeX
3
En conclusin, siguiendo la tabla 3, el mapa 1se puede interpretar de la siguiente
manera. El segmento de profesionales ms experimentados (S1) simplifica su
percepcin del panorama competitivo concediendo gran importancia al eje
horizontal, por lo que opone "empresas especialistas" (tramo positivo del eje
horizontal), frente a "empresas generalistas" que dirigen su oferta a un pblico
ms amplio (tramo negativo del eje horizontal). Situacin no tan evidente para
los profesionales con menos antigedad (S2), que ponderan tambin una segunda
dimensin, la vertical. En este sentido quedan en un extremo marcas de Japn y
Corea relacionadas con el factor "coste" (tramo positivo del eje vertical) y en el
opuesto marcas de otras nacionalidades ms relacionadas con el factor "calidad"
(tramo central y negativo del eje vertical).
Validacin de los resultados
A fin de validar los resultados obtenidos, se ha recabado informacin utilizando
un mtodo de recogida de informacin basado en la evaluacin, la asociacin de
atributos. Este mtodo consiste, segn se ha expuesto, en solicitar a cada profe-
sional del sector que asocie un conjunto de propiedades clave de la competencia
entre empresas, generadas en una fase cualitativa, con aquellos competidores que,
a su juicio, destacan sobre el resto.
Agregando los resultados de toda la muestra de profesionales encuestados se
obtiene cuadro 5, matriz rectangular asimtrica, en cuyas celdas se recoge el
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 17
4
El ndice de Weirdness mide el protagonismo otorgado por cada segmento a cada dimensin. El hecho de que se
aleje de cero, significa que alguna de las dimensiones recibe ms importancia en detrimento de otras. Si llega a
la unidad, significa que el segmento slo concede importancia a una de las dimensiones. Si toma el valor de cero,
significa que las dimensiones extradas tienen importancia equivalente.
3
Las coordenadas cartesianas de cada segmento (valor de la abscisa y de la ordenada) se pueden convertir en
coordenadas polares (ngulos y vectores) sin perder informacin. As pues, las coordenadas polares del vector S1
(segmento primero) son la longitud de este vector y su ngulo (
1
) respecto a la dimensin horizontal. Las
coordenadas polares de S2 (segmento segundo) son la longitud de este vector y su ngulo (
2
) sobre el eje
horizontal.
porcentaje de veces que cada empresa (columna) ha sido asociada con cada
propiedad (fila).
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
a 9.8 7 28.5 22 18.2 43.5 8.9 19.2 7 9.3 17.8 15 27.6 7.5 23.4 10.7 11.7 6.5
b 39.7 40.7 15.9 15 15 28 20.1 15.9 45.3 17.3 19.6 15.4 16.8 14.5 16.4 23.8 25.2 20.1
c 7.9 7.9 52.8 25.2 22.4 24.3 9.3 22.9 6.5 12.6 13.6 15.9 16.8 7.5 18.7 8.4 8.9 5.1
d 49.1 50 18.2 15 15.9 22.9 19.6 16.4 52.3 18.7 22 19.2 22 19.2 17.3 22 36.4 29
e 48.1 50.5 15.4 13.6 13.1 17.3 15.9 d14 52.3 13.6 16.8 13.6 14 15 15.4 20.6 29.9 22
f 5.7 19.2 23.4 16.4 18.2 26.6 20.6 16.4 18.7 16.4 28 21 22.9 14.5 21 16.4 29.4 16.8
g 22 23.8 26.6 16.8 22.9 33.6 16.4 17.3 24.8 17.8 26.2 22 32.2 15 28 17.8 22 16.4
h 12.6 15.4 28.5 16.8 28 41.1 13.1 16.8 11.7 15.4 33.6 28 32.2 12.6 36.9 12.6 24.3 9.8
i 55.1 64 2.3 1.9 1.9 4.7 6.5 1.9 72.4 2.3 3.7 2.8 2.3 7 2.3 9.8 11.7 23.8
j 23.8 21 22.4 21.5 22 38.8 20.6 23.8 20.6 18.2 21.5 21 29.4 16.4 21.5 23.8 21.5 15.9
k 14.5 17.3 25.7 18.7 19.2 32.7 15 16.8 15.4 16.8 18.2 16.4 22 14.5 25.2 16.4 14 15
l 23.4 24.3 36.9 16.4 23.4 43.5 16.4 16.4 20.1 19.6 32.2 27.6 46.3 18.2 45.3 15.4 28 16.8
ll 22.4 23.4 38.3 15 23.4 50.5 15.4 15 22 17.8 33.6 29 41.6 19.2 47.2 16.4 25.7 18.7
m 27.6 24.8 37.9 16.4 26.6 48.6 17.8 15.9 24.3 22.4 36.9 32.2 46.3 20.6 44.9 17.3 30.4 21.5
n 28 23.4 33.2 19.6 22.4 43.5 19.2 21 22 21 29 26.6 28.5 20.1 28 20.1 24.8 20.1
Unidad: proximidades (frecuencias relativas)
Audi: 1 Citroen: 3 Fiat: 5 Honda: 7 Mercedes: 9 Opel: 11 Renault: 13 Seat 15 Volkswagen: 17
BMW: 2 Daewoo: 4 Ford: 6 Huyndai: 8 Nissan: 10 Peugeot: 12 Rover: 14 Toyota: 16 Volvo: 18
a Producir muchos coches a la vez para abaratar el coste de fabricacin de cada automvil
b Invertir mucho en tecnologa, por ejemplo en robots, para acortar los tiempos de fabricacin
c Vender sus coches a precios ms baratos, haciendo, por ejemplo, ofertas en el concesionario
d Interesarse por aspectos relacionados con la calidad ofreciendo coches que den buen resultado.
e Utilizar los mejores componentes: motores potentes, tecnologa avanzada.
f Fabricar coches de bajo consumo, para favorecer el ahorro y responder a las preocupaciones ecolgicas
g Fabricar coches a medida de cada consumidor, teniendo en cuenta sus gustos y poder adquisitivo: color,
precio, prestaciones
h Interesarse por la gente joven, ofreciendo coches para ciudad y econmicos acorde con sus necesidades
i Interesarse por la clase alta, ofreciendo coches caros pero excelentes que satisfagan sus exigencias
j Presentar modelos nuevos frecuentemente, ser innovadores en diseo, estilo, color
k Acortar los plazos de entrega del coche, para que el cliente no tenga que esperar
l Tener buenas redes de distribucin para vender sus coches en Espaa
ll Tener implantacin en Espaa, dando seguridad a los clientes de que la empresa esta cerca y responde
m Disponer de una amplia red de servicios post venta (reparaciones, talleres, repuestos)
n Desarrollar tcnicas de marketing novedosas que beneficien al cliente: promociones, formas de pago
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 18
Figura 4. Mapa perceptual conjunto derivado a partir de datos de evaluacin.
Representacin simultnea de competidores y propiedades.
,amd
Dimensin 1
3 2 1 0 -1 -2 -3 -4
Di
me
nsi
n
2
2.0
1.5
1.0
.5
0.0
-.5
-1.0
-1.5
-2.0
Seat
Rover
Renault
Peugeot
Opel
Nissan
Mercedes
Hyundai
Honda
Ford
Fiat
Daewoo Citroen
BMW
Audi
Clasealta
Juventud
Redesventas
Postventa
Mejores componentes
Calidad
Ofertas
Tecnologa
E.escala
Innovacin
Bajoconsumo
A medida
Implantacin
Plazos
NO IMPLANTACIN
Volvo
IMPLANTACIN
CALIDAD
COSTE
Volkswagen
Toyota
D
B
A
C
Para validar los resultados, se han calculado las correlaciones entre las distancias
ecldeas de todas las posibles parejas de puntos del mapa 1 con las distancias
ecldeas de todas las posibles parejas del mapa 3. Es decir, como hay 18 competi-
dores, y por tanto 18 puntos en el mapa, se han correlacionado un total de 162
distancias ecldeas (combinaciones de 18 elementos tomados dos a dos). Esta
correlacin se eleva a 0,811 (p<0,001), lo que significa que los dos mapas tienen
mucho que ver entre s, por lo que se validan los resultados.
Bibliografa de apoyo
Arabie, P.; Carroll, J.D.; DeSarbo, W. (1987): Three-way multidimensional
scaling and related techniques. Beverly Hills; Londres y Nueva Deli: Sage
Publications
Bign, E. (1986): El posicionamiento: una estrategia de marketing. Tesina,
Universitat de Valencia.
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 19
Bign, E. y Vila, N. (1998): "La eficacia de la tcnica MDS en la medicin del
posicionamiento. Una aplicacin en los servicios". Esic-Market, (mayo),
100, 71-90.
Bign, E. y Vila, N. (1999b): "Anlisis multidimensional". En Anlisis multivari-
ante de datos. 5 Ed. Hair, J.; Anderson, R.; Tatham, R. y Blakc, W.
Madrid: Prentice Hall.
Davison, M.L. (1983): Multidimensional scaling. Nueva York; Chichester;
Brisbane; Toronto y Singapure: John Wiley & Sons.
Dillon, W.R. y Goldstein, M. (1984): Multivariate analysis.. USA: John Wiley &
Sons, Inc., 107-156.
Green, P.; Carmone, F. y Smith, S. (1989): Multidimensional scaling: concepts
and applications. Massachusetts: Allyn and Bacon
Henry, W. y Stumpf, R. (1975): "Time and accuracy measures for alternative
multidimensional scaling data collection methods". Journal of Marketing
Research, vol. XII, mayo, 165-170.
Knoblich, H. (1994): "Representacin espacial de las relaciones de competencia
enre productos". Cuadernos Aragoneses de Economa, Vol. 4, 1, 27-38.
Kruskall, J.B. (1964): "Nonmetric multidimensional scaling: a numerical method".
Psychometrika, 29, 115-129.
Lefkoff-Hagius, R. y Mason, C.H. (1993): "Characteristic, beneficial, and image
attributes in consumer judgments of similarity and preference". Journal of
Consumer Research, vol 20, junio, 101-110.
Ratneshear, S. and Shocker, A. (1991): "Substitution in use and the role of usage
context in product category structures". Journal of Marketing Research,
28, agosto, 282-295.
Schiffman, S.; Reynolds, M.L. y Young, F.W. (1981): Introduction to multidimen-
sional scaling. Theory, methods and applications. Orlando, Florida:
Academic Press, INC.
Steffler, V.J. (1972): "Some applications of multidimensional scaling to social
science problems. IN A.K. Romney, R.N. Shepard y S. B. Nerlove eds,
New York: Seminar Press. Cit en Cooper, L.G. (1983).
Varela, J.A. (1982): "La recogida de datos de disimilitud directa en el anlisis
multidimensional no-mtrico". Revista Economa Empresa.
Vila, N. (1996): Eficacia de la tcnica MDS en la medicin del posicionamiento:
una aplicacin en los servicios. Trabajo de Investigacin presentado en el
Departamento de Direccin y Administracin de Empresas de la Universi-
dad de Valencia.
Vila, N. (1999): Eficacia de la tcnica MDS en la medicin del posicionamiento:
una aplicacin en los servicios. Tesis doctoral. Valencia: Universitat de
Valncia.
Weirs, R.M. (1986): Investigacin de mercados. Prentice Hall, 286-299.
Natalia Vila Lpez
Anlisis de escalamiento multidimensional 20