 FUOC • P01/71039/00748 74 Investigación descriptiva: análisis de información

Etapa 6: interpretación de la matriz factorial rotada y representación de

los resultados

El objetivo de la interpretación de la matriz factorial rotada consiste en iden-

tificar cada una de las dimensiones latentes extraídas. Se efectúa eligiendo
para cada factor las variables iniciales que tengan unas correlaciones con el
factor que sean las más elevadas (próximas a +1 ó a –1).

Ejemplo

En nuestro caso, para cada factor las variables más correlacionadas son:

Factor 1
V15 Respuestas ingeniosas y completas 0.99312
V11 Parece seguro de sí mismo 0.98688
V14 Docto en la materia. Desarrolla la asignatura con sentido crítico 0.98011
V19 Buena dicción, plenamente audible 0.95817
V20 Sabe controlar la situación con facilidad, sin nerviosismo 0.95562

Factor 2
V18 Sabe apreciar los esfuerzos realizados por el estudiante 0.97943
V17 Es tolerante con los errores de los estudiantes 0.97748
V1 Trata a todos los estudiantes aproximadamente igual 0.93613
V4 Muestra interés por los problemas y las necesidades de los estudiantes 0.92972
V3 Próximo, cercano a los estudiantes 0.91928
V5 Posee un carácter agradable 0.91325

A la vista de las variables que constituyen cada uno de los factores, vemos que el factor 1
tiene relación con aspectos referentes a la calidad docente de los profesores, y el factor 2,
con aspectos referentes a la calidad humana de los profesores. De esta manera, podríamos
bautizar el factor 1 como “buen profesor” y el factor 2 como “buena persona”.

4.1.3. Aplicaciones del análisis factorial

Las principales aplicaciones del análisis factorial son las siguientes:

1) Utilización de los resultados del análisis factorial de componentes princi-

pales como “variables-relevo”. Los resultados de un análisis factorial pueden
utilizarse como fase previa de cálculo antes de aplicar otros métodos. Por ejemplo,
dado que los factores obtenidos son independientes, podemos utilizarlos como
variables nuevas, y evitar dificultades en el caso de que haya una correlación es-
trecha entre las variables iniciales, que es uno de los problemas más comunes en
análisis como regresión múltiple, análisis tipológico o análisis discriminante.

2) Selección de variables. Este tipo de análisis permite seleccionar, de entre

un conjunto importante de variables, cuáles son las que más intervienen en la
descripción del fenómeno estudiado, y posibilita que conservemos para análi-
sis posteriores únicamente aquellas variables iniciales que estén estrechamen-
te correlacionadas con los factores que hemos considerado más importantes.
 FUOC • P01/71039/00748 75 Investigación descriptiva: análisis de información

3) Detección de conglomerados. Si efectuamos un análisis factorial de tipo

Q, que recordamos que consiste en buscar los factores en el espacio de los in-
dividuos, podemos agrupar a los individuos en función de comportamientos
análogos en relación con las variables sobre las cuales se lleva a término el aná- Podéis consultar el subapartado 4.3
de este módulo para el estudio del
análisis tipológico no jerárquico.
lisis, utilizando por ejemplo un algoritmo de clasificación no jerárquico.

4.2. Análisis de correspondencias

4.2.1. Cuándo tenemos que utilizar el análisis de correspondencias

Hay varias maneras de presentar el análisis de correspondencias (ACOR). Quizá

la más correcta y comprensible sea decir que este tipo de análisis es un caso par-
ticular del análisis factorial de componentes principales (ACP), y se diferencia
básicamente en el aspecto siguiente: mientras que un ACP trata de resumir el
número de variables que intervienen en un análisis por medio de la construc-
ción de nuevas variables compuestas (o factores) más sintéticas, en un ACOR se
trata de analizar las formas que adoptan las relaciones entre las categorías de las
variables.

Ejemplo de análisis factorial de correspondencias

Supongamos que la información de la que disponemos es la que se expone a continua-

ción:

En un estudio sobre el mercado de material eléctrico se entrevistó a una muestra de 1.318

clientes de nueve empresas de distribución, con el fin de determinar el posicionamiento
de estas empresas respecto de siete atributos que habían sido definidos previamente
como de una gran importancia dentro de su sector de actividad. Cada cliente tuvo que
asociar a cada empresa uno de los siete atributos siguientes:

• Ofrece los mejores precios o descuentos.

• Tiene más variedad de marcas.
• Ofrece más rapidez de entrega.
• Proporciona una mejor información técnica o consejos.
• Ofrece un mejor trato del personal.
• Ofrece unas mejores condiciones de pago.
• Es más fácil de acceder a ésta.

Los resultados del estudio se presentan en forma de una tabla de contingencia o corres-
pondencias:

Totales
Emp. 1 Emp. 2 Emp. 3 Emp. 4 Emp. 5 Emp. 6 Emp. 7 Emp. 8 Emp. 9
fila

Precios o descuentos 16 (*) 17 18 19 16 45 15 19 18 183

Variedad de marcas 8 15 18 17 27 20 2 14 53 174
Rapidez de entrega 20 20 23 21 29 20 18 19 25 195
Información técnica 11 13 12 17 20 16 15 10 44 158
Trato del personal 8 25 25 22 30 26 24 22 26 228
Condiciones de pago 21 21 20 24 27 22 18 21 24 198
Facilidad de acceso 21 21 21 23 26 15 16 18 21 182

Totales columna 125 132 137 143 175 164 108 123 211 1.318
(*) 16 clientes han asociado el atributo “mejores precios o descuentos” a la empresa 1.
 FUOC • P01/71039/00748 76 Investigación descriptiva: análisis de información

Una tabla como la del ejemplo anterior es difícil de interpretar (sobre todo en
el caso de que contenga un gran número de filas y columnas); la lectura puede
llevarse a cabo en función de las filas (en nuestro ejemplo, atributos) o de las
columnas (empresas).

1) Si encontramos un valor muy alto en relación con el resto de los valores de

la misma columna (por ejemplo, en nuestra tabla el valor 53 en la intersección
“empresa 9 / variedad de marcas”, podemos pensar que esta empresa se carac-
teriza por una buena asociación con este atributo en relación con el resto de
los atributos. Sin embargo, eso sólo es verdad si el total de la fila no es al mis-
mo tiempo muy alto en relación con el resto de los valores totales de cada fila
(totales fila); en caso contrario, no podemos sacar ninguna conclusión sobre
la empresa, ya que es el atributo el que, de una manera general, se beneficia de
las estrechas asociaciones.

En nuestro caso, el total de asociaciones del atributo “variedad de marcas” con

las diferentes empresas es de 174, que es el segundo atributo con un total de aso-
ciaciones a empresas más bajo. El análisis de los “totales fila” permite afirmar
que la empresa 9 se asocia estrechamente al atributo “variedad de marcas”.

2) Analizando el mismo valor 53, esta vez respecto del resto de los valores
de la misma fila, observamos que es la asociación más alta. Podemos pensar
que la empresa 9 se diferencia del resto por una mejor asociación en el atri-
buto “variedad de marcas”. Sin embargo, al igual que en el caso anterior,
eso sólo es así si el total 211 (“total columna”) no es muy elevado en rela-
ción con los otros totales de las otras columnas; ya que, en caso contrario,
es la empresa la que tiene en general fuertes asociaciones en el conjunto de
los atributos. En este caso, es la empresa 9 la que obtiene, en general, aso-
ciaciones elevadas en el conjunto de los atributos. Así, la afirmación ante-
rior sobre la estrecha relación entre el atributo “variedad de marcas” y la
empresa 9 debe relativizarse.

Además, si por auténtica mala suerte hemos elegido de entre los atributos
utilizados algunos que desde el punto de vista de los entrevistados tienen
significados próximos o bien efectos de causalidad entre sí, encontramos
fuertes correlaciones. Si no somos conscientes de estas correlaciones, pode-
mos pensar que una empresa determinada se ha asociado a numerosos atri-
butos sin darnos cuenta de que este resultado se debe únicamente a la
semejanza entre atributos.

Para evitar todos estos posibles errores de interpretación que hemos señalado,
hay que llevar a cabo un tratamiento del conjunto de datos de la tabla. Un tra-
tamiento de este tipo es el que nos permite efectuar el análisis de correspon-
dencias.
 FUOC • P01/71039/00748 77 Investigación descriptiva: análisis de información

En investigación comercial, el objetivo básico del análisis de correspondencias

consiste en analizar las relaciones que hay entre dos conjuntos de variables:

• Uno de estos conjuntos suele ser productos/empresas/marcas.

• El otro conjunto suele ser atributos/características.

4.2.2. Metodología del análisis de correspondencias

Es posible esquematizar la metodología del análisis de correspondencias del si-

guiente modo:

El proceso de cálculo comprende tres etapas principales (etapas 2, 3 y 4) en las

cuales se encuentran las diferencias fundamentales con el análisis factorial.

Etapa 1: diseño del análisis de correspondencias

La característica principal que diferencia el ACOR de las otras técnicas de in-

terdependencia es la capacidad para trabajar con datos cualitativos, como pue-
den ser variables de tipo nominal.

Habitualmente trabaja a partir de tablas de contingencia. De todos modos,

permite analizar cualquier matriz de números no negativos, es decir, positivos
 FUOC • P01/71039/00748 78 Investigación descriptiva: análisis de información

o nulos (tablas disyuntivas, tablas de datos ordinales, etc.), independiente-

mente de su escala de medida.

La metodología del ACOR es análoga a la del ACP, pero con unas particulari-
dades determinadas que están relacionadas con la especificidad del problema:

1) En este caso, los datos de base son una tabla de contingencias o correspon-
dencias entre dos variables I (atributos) y J (empresas), en las cuales el conjun-
to de las filas es de I modalidades, y el de las columnas, de J modalidades; es
decir, los datos de partida se presentan en forma de una matriz I × J:

2) El análisis es simétrico, ya que las dos variables I y J ejercen unas funciones

que son intercambiables. El ACOR pretende estudiar la relación entre los dos
conjuntos y encontrar grupos de filas (atributos) similares entre sí por el hecho
de estar asociadas o no a las mismas columnas (empresas) y, de forma análoga,
desde el punto de vista de las columnas (empresas), busca grupos que se parez-
can por el hecho de estar asociados o no a unas filas determinadas (atributos).

Etapa 2: transformación de la matriz de datos iniciales en tablas de fre-

cuencias condicionadas

Esto da lugar a dos tablas:

1) La que representa la variable I condicionada por J.

2) La que representa J condicionada por I.

Las frecuencias condicionadas de la variable I por la variable J (Xi) se obtienen

dividiendo cada uno de los valores nij por el total fila.
 FUOC • P01/71039/00748 79 Investigación descriptiva: análisis de información

Ejemplo

En la tabla siguiente se presentan las frecuencias condicionadas Xi obtenidas en nuestro

ejemplo.

Tabla de frecuencias condicionadas atributos por empresas

Emp. 1 Emp. 2 Emp. 3 Emp. 4 Emp. 5 Emp. 6 Emp. 7 Emp. 8 Emp. 9 Marginales

Precios o descuentos .087(*) .093 .098 .104 .087 .246 .082 .104 .098 1.000
Variedad de marcas .046 .086 .103 .098 .155 .115 .011 .080 .305 1.000
Rapidez de entrega .103 .103 .118 .108 .149 .103 .092 .097 .128 1.000
Información técnica .070 .082 .076 .108 .127 .101 .095 .063 .278 1.000
Trato del personal .123 .110 .110 .096 .132 .114 .105 .096 .114 1.000
Condiciones de pago .106 .106 .101 .121 .136 .111 .091 .106 .121 1.000
Facilidad de acceso .115 .115 .115 .126 .143 .082 .088 .099 .115 1.000

Marginales .095 .100 .104 .108 .133 .124 .082 .093 .160 1.000
(*) Del total de individuos que han asociado el atributo “mejores precios o descuentos” a alguna empresa, el 8,7% lo ha asociado a la empresa 1.

Las frecuencias condicionadas de la variable J por la variable I (Yj) se obtienen

dividiendo cada uno de los valores nij por el total columna.

Ejemplo

En nuestro ejemplo obtenemos:

Tabla de frecuencias condicionadas empresas por atributos

Emp. 1 Emp. 2 Emp. 3 Emp. 4 Emp. 5 Emp. 6 Emp. 7 Emp. 8 Emp. 9 Marginales

Precios o descuentos .128(*) .129 .131 .133 .091 .274 .139 .154 .085 .139
Variedad de marcas .064 .114 .131 .119 .154 .122 .019 .114 .251 .132
Rapidez de entrega .160 .152 .168 .147 .166 .122 .167 .154 .118 .148
Información técnica .088 .098 .088 .119 .114 .098 .139 .081 .209 .120
Tratamiento del
personal .224 .189 .182 .154 .171 .159 .222 .179 .123 .173
Condiciones de pago .168 .159 .146 .168 .154 .134 .167 .171 .114 .150
Facilidad de acceso .168 .159 .153 .161 .149 .091 .148 .146 .100 .138

Marginales 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
(*) Del total de individuos que han asociado algún atributo a la empresa 1, el 12,8% le ha asociado el atributo “mejores precios o descuentos”.

De este modo, se obtienen dos nubes de puntos. Sin embargo, mientras que
en la matriz inicial de datos cada categoría estaba afectada por el mismo
peso, en el ACOR cada categoría está afectada por un peso determinado: Xi
está afectado por el peso del total fila e Yj está afectado por el peso del total
columna.

Etapa 3: cálculo de las matrices de distancias

A partir de las dos tablas de frecuencias condicionadas, el ACOR calcula dos

matrices de distancias: una de distancias entre categorías de la variable I (atri-
butos) y una de distancias entre categorías de la variable J (empresas).
 FUOC • P01/71039/00748 80 Investigación descriptiva: análisis de información

El objetivo consiste en determinar las similitudes entre categorías de una mis-

ma variable en función de su perfil sobre las categorías de la otra variable. En
nuestro ejemplo, la matriz de distancias entre empresas indica el grado de si-
militud entre sí según su perfil sobre la serie de atributos en la que han sido
valoradas.

Del mismo modo, la matriz de distancias entre atributos valora la semejanza

entre sí en función de las empresas a las cuales han sido asociados. Las dos ma-
trices de distancias corresponden a la matriz de correlaciones entre variables
iniciales en un ACP, con la particularidad de que en el ACOR la distancia uti-
lizada es la de la khi-cuadrado.

Etapa 4: obtención de los ejes factoriales

El proceso de extracción de los ejes factoriales sólo es un caso particular del

proceso utilizado en el ACP.

1) Obtenemos dos conjuntos de ejes factoriales: los que se extraen de la ma-

triz de distancias asociada a la variable I (atributos) y los que se extraen de la
matriz de distancias asociada a la variable J (empresas).

2) Cada eje factorial restituye una cantidad determinada de información

contenida en la matriz de datos inicial. La medida de la cantidad de infor-
mación restituida por cada factor es la varianza. Por este motivo, los fac-
tores se obtienen según la varianza restituida por cada uno. Así, el factor
que restituye una mayor cantidad de información se obtiene en primer lu-
gar, el segundo que aporte una mayor cantidad de información en segundo
lugar y el que aporte una menor información, en último lugar. Además, los
factores extraídos son una combinación lineal de las variables iniciales y
no están correlacionados.

3) La propiedad fundamental es la relación de simetría que hay entre los ejes

factoriales obtenidos de estas dos extracciones efectuadas sobre las nubes N (I)
y N (J), respectivamente. Esta simetría permite situar en un mismo plano los
elementos de I y J, es decir, permite la representación conjunta, en un mismo
gráfico, de atributos y empresas.

Etapa 5: determinación del número de ejes factoriales que hay que conservar
En nuestro ejemplo,...

... el número máximo de facto-

La relación simétrica entre los ejes factoriales extraídos de las dos nubes de pun- res que hay que extraer es de 6
(6 = min(7, 9) – 1).
tos hace que no pueda haber más de K ejes factoriales, donde K = min (I, J) – 1.
 FUOC • P01/71039/00748 81 Investigación descriptiva: análisis de información

Hay una gran cantidad de reglas y criterios para determinar cuál es el número
de ejes factoriales que tenemos que conservar para el análisis final de la infor-
mación obtenida. Los más habituales coinciden con los utilizados en la selec- Podéis consultar el subapartado 4.1,
relativo al análisis factorial de
componentes principales.
ción de factores que se deben retener en el ACP.

Ejemplo

En nuestro ejemplo, una vez extraídos los factores, la varianza explicada por cada uno es
la siguiente:

Valor propio Varianza Varianza

Factor
λk explicada acumulada
1 5.202843 63.11 63.11
2 2.308360 28.00 91.11
3 0.586502 7.11 98.22
4 0.100033 1.21 99.44
5 0.031011 0.38 99.81
6 0.015428 0.19 100.00

Factores extraídos.

En nuestro caso, si nos fijamos el criterio de una restitución mínima del 90% de la in-
formación, nos quedaríamos con los dos primeros factores.

Etapa 6: interpretación de resultados

A diferencia de otros análisis multivariables como el ACP, en el ACOR no es

necesario interpretar y dar nombre a los ejes factoriales. Esto se debe al hecho
de que el objetivo de este análisis es describir relaciones entre objetos y no tan-
to encontrar dimensiones o ejes que resuman la información, como sería el
objetivo del ACP.

En el caso de que lo que se pretenda sea interpretar los ejes factoriales, se puede Un poco más adelante se profundiza
en la contribución absoluta y se
muestran en una tabla las contribuciones
utilizar la misma metodología que en el ACP, pero observando cómo contri- absolutas de nuestro ejemplo a la
formación de los dos primeros ejes.
buye cada atributo en la formación del eje, es decir, lo que se denomina con-
tribución absoluta. Los atributos con más contribución serían los utilizados
para dar nombre a los ejes.

La simetría entre los ejes factoriales extraídos de las nubes de puntos (atri-
butos y empresas) permite utilizar para la interpretación las proximidades
que se observen entre elementos de I y de J, ya que el problema de escalas
diferentes (individuos/variables, en nuestro ejemplo atributos/empresas)
ha desaparecido. La proximidad entre un punto i de I y un punto j de J nos
permite llegar a la conclusión de que hay una fuerte relación entre estos
dos puntos, teniendo en cuenta, como veremos más adelante, la calidad de
su representación.
 FUOC • P01/71039/00748 82 Investigación descriptiva: análisis de información

Ejemplo

En nuestro ejemplo, la representación gráfica que se obtiene de los siete atributos y

de las nueve empresas en los dos primeros ejes factoriales se presenta en el gráfico si-
guiente:

I.E.: 91,1% (eje horizontal: 63,1%; eje vertical: 28.0%).

Las reglas de interpretación de las posiciones de atributos y empresas en el

mapa son las siguientes:

1) Proximidad entre dos atributos: cuando dos atributos están próximos, por
ejemplo “mejor trato del personal” y “mejor rapidez de entrega”, podemos con-
cluir que tienen perfiles parecidos, es decir, que las asociaciones de empresas a
estos dos atributos son similares y, por lo tanto, están fuertemente intercorrela-
cionados. Al contrario, “más facilidad de acceso” y “más variedad de marcas”
tienen perfiles muy diferentes.

2) Proximidad entre dos empresas: cuando dos empresas están próximas,

podemos decir que tienen los mismos puntos fuertes y los mismos puntos dé-
biles; les han sido asociados los mismos atributos. Por el contrario, si se en-
cuentran muy distanciadas, podemos concluir que son muy diferentes.

Ejemplo

En nuestro ejemplo, la empresa 1 y la empresa 7 tienen los mismos atributos. En cambio,

la empresa 5 y la empresa 6 son muy diferentes.

3) Proximidad de atributos o de empresas en el origen: cuando una empre-

sa se encuentra proyectada cerca del origen, significa que tiene una distribu-
ción de valores sobre su columna que, en porcentaje, tiene el mismo perfil que
la distribución de valores de la columna total, y se comporta, por tanto, como
la media de las empresas; no se diferencia del resto de las empresas en ningún
atributo.
 FUOC • P01/71039/00748 83 Investigación descriptiva: análisis de información

Ejemplo

En nuestro ejemplo, la empresa 4 se encuentra proyectada cerca del origen y, por lo tan-
to, podríamos decir que se comporta como la media de las empresas.

Aunque en menor grado, lo mismo puede decirse para el atributo “mejores

condiciones de pago”, el cual se comporta como la media de los atributos y,
por lo tanto, tiene un poder descriptivo escaso.

Podemos concluir, por lo tanto, que cuanto más se aleja un elemento del ori-
gen, más aumenta su poder descriptivo.

4) Proximidad entre atributos y empresas: como ya hemos señalado, en el

ACOR los elementos están afectados por pesos diferentes y, por lo tanto, pue-
den ejercer más o menos influencia en las relaciones (correspondencias). Por
consiguiente, dentro de una misma representación gráfica con una calidad de-
terminada de representación de la información total, puede haber elementos
(en nuestro ejemplo, atributos y empresas) que estén representados con nive-
les muy desiguales de calidad.

Ejemplo

La situación en que figura en el gráfico el atributo “más variedad de marcas” y la empresa

9, o el atributo “mejores precios o descuentos” y la empresa 6, nos permite llegar a la con-
clusión de que hay una fuerte asociación entre cada atributo y la empresa correspondiente.

Para medir la calidad de la representación de los diferentes elementos en los ejes

factoriales seleccionados, suele utilizarse un índice denominado de contribu-
ción. Puede distinguirse entre contribución absoluta y contribución relativa:

• Se denomina contribución absoluta de un objeto o atributo a la varianza

explicada por un eje factorial al grado en que este objeto o atributo ha in-
fluido en la formación del eje factorial en cuestión.

• Se denomina contribución relativa de un objeto o atributo a la varianza

explicada por un eje a la relación entre su contribución absoluta y la va-
rianza explicada por el eje.

Ejemplo

En nuestro ejemplo, las contribuciones absolutas de los diferentes elementos, tanto atri-
butos como empresas, a la formación de los dos primeros factores fueron las siguientes:

F1 F2 F1 F2
Empresa 1 9.5 5.9 Mejores precios o descuentos 10.8 72.1
Empresa 2 1.3 1.7 Más variedad de marcas 52.9 2.7
Empresa 3 .6 .9 Más rapidez de entrega 1.7 5.0
Empresa 4 .2 .7 Mejor información técnica 20.7 .1
Empresa 5 1.2 8.2 Mejor trato del personal 7.6 3.7
Empresa 6 3.5 78.5 Mejores condiciones de pago 3.2 2.3
Empresa 7 10.1 3.8 Mayor facilidad de acceso 3.2 13.9
Empresa 8 2.6 .0
Empresa 9 71.0 .2

Contribuciones absolutas.
 FUOC • P01/71039/00748 84 Investigación descriptiva: análisis de información

Observamos que la empresa 9 y los atributos “más variedad de marcas” y “mejor infor-
mación técnica” son los elementos que contribuyen más a la formación del factor F1.
Efectivamente, si observamos la representación gráfica anterior, estos tres elementos se
diferencian mucho del resto de los atributos y empresas en este factor. En cuanto al factor
F2, son la empresa 6 y el atributo “mejores precios o descuentos” los que obtienen unos
índices de contribución absoluta más elevados, y se diferencian claramente del resto de
los elementos en este factor.

Para el resto de las empresas y atributos, los índices de contribución absoluta son bajos, tanto
en el factor F1 como en el factor F2, lo cual implica que contribuyen poco a su formación y,
en consecuencia, no están tan bien representados en estos ejes. En el mapa se concentran de
forma indiferenciada en el cuadrante superior izquierdo. Para encontrar diferencias entre es-
tos elementos, la etapa siguiente consiste en analizar sus contribuciones absolutas con el res-
to de los factores extraídos. En nuestro ejemplo, eso no tiene mucho sentido, ya que los
cuatro factores restantes sólo contienen el 8,89% de la información.

4.2.3. Aplicaciones del análisis de correspondencias

Basándonos en el hecho de que para la aplicación del ACOR sólo hace falta
disponer de una tabla de números no negativos, es evidente que sus posibili-
dades de aplicación en investigación de mercados son muy numerosas.

De todos modos, su campo de aplicación principal se centra en analizar la percep-

ción del consumidor sobre diferentes marcas o productos que compiten en un
mercado determinado, y valorar así la imagen y el posicionamiento de cada mar-
ca o producto mediante conceptos cualitativos como atributos, cualidades, etc.

Las aplicaciones principales del análisis de correspondencias se centran en dos

campos:

1) Estudios de imagen de marca.

2) Visualización de los fenómenos de competencia en un mercado.

Ejemplo

Supongamos que un fabricante de ordenadores personales se plantea la necesidad de co-

nocer los puntos fuertes y débiles de las diferentes marcas que concurren en este merca-
do. Sólo hay que preparar una lista de características (servicio posventa, precio, etc.) y
someterla a una serie de usuarios –mediante una encuesta– a fin de que nos indiquen las
características que más se asocian a cada marca. El análisis de la tabla de contingencia
resultante, marca de ordenador por características, nos permitirá visualizar, y determinar
por lo tanto, los principales fenómenos de competencia en este mercado, lo que nos per-
mite tomar decisiones sobre el posicionamiento o reposicionamiento de la marca según
las distintas alternativas que se desprenden del mismo análisis: mantener o reforzar el po-
sicionamiento; reposicionarla cerca de algún competidor, ya sea el líder u otro con un
posicionamiento atractivo; buscar un agujero en el mercado y reposicionar la marca en
una zona atractiva en la cual no estén actuando los competidores, etc.

4.3. Análisis tipológico

4.3.1. Cuándo tenemos que utilizar el análisis tipológico

Desde siempre una de las preocupaciones fundamentales en la mayor parte de

los campos científicos, incluyendo la investigación comercial, ha consistido en