Análisis Conjunto

Análisis Conjunto
Contenido
1. Introducción al Análisis Conjunto
2. ¿Qué es el Análisis Conjunto?
3. Usos Gerenciales del AC
4. AC y otros métodos multivariantes
1. Introducción al Análisis Conjunto

El Análisis Conjunto (AC, desde ahora) es una técnica de dependencia que ha traído una nueva sofisticación a la evaluación de objetos. La aplicación más directa está en el desarrollo de un nuevo producto, idea o servicio Se puede valorar la importancia de los atributos y los niveles de cada atributo, mientras los consumidores evalúan sólo unos pocos perfiles de producto, combinaciones de los niveles de producto.
 
 
Por ejemplo, supongamos un producto que tiene tres atributos (precio, calidad y color) con tres posibles niveles cada uno. En lugar de tener que evaluar todas las 27 posibles combinaciones (3x3x3) puede evaluarse un subconjunto (9 o más) por su atractivo para los consumidores, así el investigador no sólo conoce cuán importante es cada atributo, sino también la importancia de cada nivel. Además, cuando se contemplan las evaluaciones del consumidor, los resultados del AC pueden también utilizarse en simuladores de diseño de producto que muestran la aceptación del cliente para cualquier número de formulaciones del producto y ayudan en el diseño del producto óptimo.
En términos del modelo de dependencia básica tratado en el capitulo 1, el AC puede expresarse como:
Y1 = X1+X2+X3+.........+XN (No métrica, métrica) (no métricas)
El AC permite comprender las reacciones de los clientes y las evaluaciones de combinaciones de atributos predeterminados que representan potenciales productos o servicios. A la vez que mantiene un alto grado de realismo, proporciona una mejor comprensión de la composición de las preferencias del cliente.

La flexibilidad del AC provienen principalmente de:
1. Capacidad para acomodarse tanto a VD métricas como no métricas.
2. Uso de VI categóricas.
3. Muchas asunciones sobre las relaciones de las VI con la VD.
2. ¿Qué es el Análisis Conjunto?

El AC es una técnica multivariante utilizada específicamente para entender cómo los encuestados desarrollan preferencias para productos o servicios. Se basa en la sencilla premisa de que los encuestados evalúan el valor o utilidad de un producto/servicio/idea (real o hipotética) procedente de la combinación de las cantidades separadas de utilidad suministradas por cada atributo.
El AC es el único de entre todos los métodos multivariantes en el que el investigador construye primero un conjunto de productos o servicios reales o hipotéticos por combinación de los niveles seleccionados de cada atributo. Estos productos se presentan más tarde a los encuestados que suministran únicamente sus evaluaciones globales. Así, el investigador pide al encuestado que haga una tarea muy realista - la opción entre un conjunto de productos -. Los encuestados no necesitan decir nada más que el grado de importancia de un producto para ellos o de representatividad de un producto por parte de ciertos atributos. Como los hipotéticos productos/servicios se construyeron de modo específico, la importancia de cada atributo y del valor de cada atributo puede determinarse por los prorrateos globales de los encuestados.
Para tener éxito, el analista debe ser capaz de describir el producto o servicio tanto en términos de sus atributos como de todos los valores importantes de cada atributo. Utilizaremos el término factor para describir un atributo específico u otra característica del producto o servicio. Los valores posibles de cada factor se llaman niveles. En términos conjuntos, describimos un producto o servicio en base a su nivel sobre el conjunto de factores que lo caracterizan. Cuando se seleccionan los factores y los niveles para describir un producto/servicio conforme a un plan específico, la combinación se llama tratamiento o estímulo.
 
3. Usos Gerenciales del AC

La flexibilidad del AC da origen a su aplicación en casi cualquier área en la que se estudien decisiones. El AC supone que cualquier conjunto de objetos (p. ej., posicionamiento, beneficios, imágenes) se evalúe como un compendio de atributos. Una vez determinada la contribución de cada atributo a la evaluación global del consumidor, el investigador de mercados podría después:
• Definir el objeto o concepto con la combinación óptima de características.
• Mostrar las contribuciones relativas de cada atributo y de cada nivel a la evaluación global del objeto.
• Utilizar estimaciones del comprador o juicios del cliente para predecir cuotas de mercado entre objetos con diferentes conjuntos de características (manteniendo constantes las demás).
• Aislar grupos de clientes potenciales que concedan diferente importancia a las características para definir segmentos potenciales altos y bajos.
• Identificar oportunidades de mercado mediante la investigación del mercado potencial para combinaciones de características no disponibles actualmente.
4. AC y otros métodos multivariantes
El AC se diferencia de otras técnicas en tres aspectos:
1. por su naturaleza de descomposición,
2. porque se puede estimar el hecho propuesto a estudio a nivel individual
3. y por su flexibilidad, dadas las relaciones entre la VD y las VI. 
 
4.1. Técnicas de Composición y de Descomposición

El AC se denomina modelo descomposicional porque sólo se necesita conocer la preferencia global del encuestado para un objeto y las características de éste. De este modo, se puede descomponer la preferencia para determinar el valor de cada atributo.
El AC se diferencia de los modelos en que en éstos el analista recoge los prorrateos hechos por el encuestado para muchas características del producto, y luego los relaciona con una preferencia global para desarrollar un modelo predictivo. En la regresión y el discriminante, se “compone” la preferencia global a partir de evaluaciones hechas por el sujeto para cada atributo del producto.

4.2. Especificación de la Variación Conjunta
El AC emplea una variación similar a la utilizada en otras técnicas multivariantes. La variación conjunta es una combinación lineal de los efectos que sobre la VD tienen las VI (factores). La diferencia fundamental es que en la variación conjunta, se especifican tanto las variables como sus valores. El único valor que proporciona el encuestado es la medida dependiente. Los valores de las variables especificadas por el investigador se utilizan luego en el AC para descomponer la respuesta del encuestado en efectos para cada variable, como se hace en gran medida en el análisis de regresión.

4.3. Modelos Separados para Cada Individuo
El AC se diferencia de casi todos los métodos multivariantes en que se puede llevar a cabo a nivel individual. La mayoría de los otros métodos multivariantes toman una sola medida de preferencia (observación) para cada sujeto y luego ejecuta el análisis utilizando simultáneamente todos los sujetos.
Sin embargo, en el AC se pueden hacer las estimaciones tanto para un individuo (nivel desagregado) como para grupos de individuos (nivel agregado). A nivel desagregado, cada encuestado prorratea las suficientes combinaciones de atributos como para que se ejecute el análisis de forma separada para cada persona. Se calcula la precisión predictiva para cada persona en lugar de calcularla únicamente para la muestra total. Los resultados individuales pueden agregarse luego para representar un modelo global óptimo. El análisis agregado puede proporcionar medios para la reducción de datos a través de diseños más complejos (tratados en secciones posteriores) o para conseguir una mayor eficacia estadística utilizando más observaciones en la estimación.
 
 
Para elegir uno de los dos enfoques, el investigador debe sopesar los beneficios obtenidos con los métodos agregados con respecto a los obtenidos con modelos separados y obtenidos a través de métodos desagregados conjuntos.

4.4. Tipos de Relaciones
El AC no se limita de ningún modo a los tipos de relaciones exigidos entre la VD y VI. La mayoría de los métodos de dependencia suponen que existe una relación lineal. Esto quiere decir que la aumenta (o decrece) de igual forma en que lo hace la VI. El AC en cambio puede hacer predicciones separadas para los efectos de cada nivel de la VI y no supone que estén relacionados. Así, el AC puede manejar fácilmente relaciones no lineales, incluso la compleja relación curvilínea en la que un valor es positivo, el siguiente negativo, y el tercero positivo de nuevo.

Esta es la segunda parte del artículo, índice y contenido :
Contenido
• Fase 1 : Objetivos
• Fase 2 : Diseño
• Fase 3 : Asunciones
• Fase 4 : Estimación y Evaluación del Ajuste
• Fase 5 : Interpretación de Resultados
• Fase 6 : Validación de Resultados
• Fase 7 : Aplicación de Resultados

Aunque el AC fija el menor número de exigencias al encuestado tanto en términos de número como en el de los tipos de respuestas que se necesitan, el analista debe tomar un número de decisiones clave para el diseño del experimento y el análisis de los resultados.
A continuación, se explican los pasos generales que se siguen en el diseño y ejecución de un experimento de AC.
1. El proceso de decisión se inicia con la especificación de los objetivos del AC.
2. Dado que el AC es muy similar a un experimento, la conceptualización de la investigación se hace paulatinamente hasta su éxito.
3. Una vez definidos los objetivos, se aplican los asuntos relacionados con el verdadero diseño de investigación y se evalúan las asunciones.
4. Luego, se considera la auténtica estimación de los resultados conjuntos, la interpretación de resultados y los métodos utilizados para validar los resultados. 5. La explicación finaliza con un examen del uso de los resultados en análisis posteriores como la segmentación de mercados y los simuladores de opciones.

Fase 1: Objetivos
El punto de partida es la pregunta de la investigación . En el AC , el diseño experimental para el análisis de las decisiones del consumidor tiene dos objetivos:
• Determinar las contribuciones de las VI y de sus respectivos valores para determinar las preferencias del consumidor. Por ejemplo, ¿Cómo contribuye la fragancia al deseo de compra de un jabón?. ¿Qué nivel de fragancia es el mejor?. ¿Qué porcentaje del cambio de deseo de comprar jabón puede representarse por las diferencias entre los niveles de la fragancia?.
• Establecer un modelo válido de juicios del consumidor que sea útil para predecir la aceptación del consumidor ante cualquier combinación de atributos, incluso aquéllas que los consumidores no evaluaron inicialmente.
• El encuestado reacciona únicamente a lo que el analista le proporciona en términos de combinaciones de atributos. ¿Son éstos atributos los que se utilizan verdaderamente en la toma de una decisión?. Estas y otras cuestiones requieren que la pregunta de la investigación se atenga a dos consecuencias principales:
• ¿Se pueden describir todos los atributos que conceden un valor o utilidad al producto o servicio que se está estudiando?,
• ¿Cuáles son los criterios de decisión principales implicados en el proceso de elección para este tipo de producto o servicio?.
• Estas preguntas necesitan resolverse antes de proceder con la etapa de diseño del AC ya que proporcionarán consejos críticos para las decisiones clave de cada fase.

Fase 2: Diseño
Una vez resueltos los asuntos derivados de los objetivos de la investigación, se centra su atención en los temas concretos implicados en el diseño y ejecución del experimento del AC . Por ejemplo, ¿cómo se decide qué combinaciones específicas de niveles de los atributos se presentan al encuestado para su evaluación?. Además de especificar las combinaciones (tratamientos), el analista debe decidir también qué atributos incluir, cuántos niveles se eligen para cada uno de ellos, cómo medir la preferencia, cómo recoger los datos y qué procedimiento se utilizará en la estimación. Estos y otros asuntos necesarios en el diseño de un estudio conjunto, se examinan en las siguientes secciones.

2.1. Diseño de los estímulos
Los fundamentos experimentales del AC conceden gran importancia al diseño de los estímulos evaluados por los encuestados. El diseño lleva consigo especificar la variación conjunta mediante la selección de los factores y niveles que se incluirán en la construcción de los estímulos. El analista debe precisar luego el modelo supuesto de preferencia para tener en cuenta la composición de los estímulos. Estos aspectos del diseño son importantes porque influyen tanto en la precisión de los resultados como en su importancia gerencial.

2.2. Determinación de los factores a utilizar y selección de niveles de cada factor
Las primeras decisiones que un analista debe tomar conciernen a los atributos a utilizar para describir el producto o servicio y a los valores posibles de cada atributo. Una vez determinados los tipos generales de atributos de la naturaleza del problema de investigación, se deben crear factores específicos y niveles apropiados para utilizarlos en un experimento de AC .
El analista debe considerar un número de asuntos relativos al tipo y carácter de las variables y niveles seleccionados, incluyendo:
Medidas activables. Los factores y niveles deben poder llevarse a la práctica. Esto quiere decir que los atributos tienen que ser distintos entre sí y representar a un sólo concepto. No deben ser atributos confusos como la “calidad global” o la “conveniencia”. Estos conceptos son imprecisos porque las diferencias perceptuales entre los individuos significan diferencias reales (en contraste con las diferencias reales relativas a cómo ellos las sienten).
Medidas comunicables. Los factores y niveles se deben comunicar fácilmente con una evaluación realista. Por ejemplo, es difícil describir la verdadera fragancia de un perfume o la "sensación" que produce utilizar una loción de manos.
Número de atributos. El número de atributos incluidos en el análisis influye directamente en la eficiencia estadística y en la fiabilidad de los resultados. Según se vayan añadiendo factores y niveles, el número de parámetros a estimarse requiere o un número mayor de estímulos o una reducción de la fiabilidad de los parámetros. Esto es especialmente importante, puesto que cada encuestado genera el número requerido de observaciones y por lo tanto no puede resolverse el problema añadiendo más encuestados.
Número equilibrado de niveles. Los analistas intentarán equilibrar el número de niveles a través de todos los factores de la mejor forma posible. La importancia relativa estimada o valor de una variable (definida como el rango de los parámetros estimados) aumenta según lo hace el número de niveles, incluso si la categoría mayor permanece estable. Se cree que la categorización refinada llama la atención del atributo y lleva a los consumidores a valorar ese factor más que a los otros.
 
Rango de los niveles del atributo. Configurar el rango (de bajo a alto) de los niveles de un modo por fuera de los valores existentes pero no de un modo increíble. Configurar los niveles fuera de los niveles existentes tiene una tendencia a reducir la correlación entre atributos, pero puede también reducir la credibilidad.
Multicolinealidad de los atributos. La multicolinealidad entre los factores es un problema que debe remediarse. La correlación entre factores (conocida como correlación entre atributos o ambiental) denota una carencia de ortogonalidad entre los atributos. En estos casos, las estimaciones de los parámetros se ven alteradas, como en la regresión. Además, la multicolinealidad de los atributos resulta de combinaciones no creíbles de 2 o más factores.El problema no está en los niveles propiamente dichos, sino en que no pueden cruzarse en todas las combinaciones, que es una capacidad exigida en la estimación de los parámetros.

2.3. Especificación de la forma básica del modelo
Para explicar una estructura de preferencia del encuestado a partir de las evaluaciones globales de un grupo de estímulos, se deben tomar dos decisiones según el modelo conjunto subyacente. Estas decisiones influyen tanto en el diseño de los estímulos como en el análisis de las evaluaciones del encuestado.
La regla de composición: La selección de un modelo aditivo frente a un modelo interactivo. Es la decisión de mayor alcance para el analista. La regla de composición describe la forma en la que el encuestado combina los valores parciales de los factores para obtener el valor global.
La regla de composición básica más común es el modelo aditivo, en el que el encuestado simplemente "suma" los valores de cada atributo (los valores parciales) para conseguir el valor total de una combinación de atributos (productos o servicios).
La regla de composición que utiliza efectos de interacción se parece a la forma aditiva en que supone que el consumidor suma los valores parciales para conseguir un total global a través del conjunto de atributos.
Selección de la relación de los valores parciales: Lineal, cuadrática o valores parciales separados. La flexibilidad del AC de manejar diferentes tipos de variables proviene de las asunciones que hace el analista atendiendo a las relaciones de los valores parciales dentro de cada factor. En la decisión de la regla de composición, el analista decide cómo se relacionan mutuamente los factores en el proceso de decisión del encuestado. En la definición del tipo de relación, el analista se centra en la relación de los niveles factoriales.
El AC proporciona tres alternativas al analista, que van de la más restrictiva (lineal) a la menos restrictiva (valores parciales separados) pasando por el modelo cuadrático o punto ideal. El modelo lineal es el más sencillo pero también el más restrictivo, ya que sólo se estima un único valor parcial (similar a un coeficiente de regresión). En el modelo cuadrático, también conocido como modelo ideal, se relaja la asunción de linealidad, de modo que se tiene una relación simple curvilínea. La curva puede ser creciente o decreciente. Por último, se tiene el modelo del valor parcial, que es el más general y en el que se toma en consideración cada nivel para que tengan su propia estimación del valor parcial. Cuando se utiliza el modelo de los valores parciales separados, hay que tener en cuenta que el número de valores estimados aumenta a medida que añadimos factores y niveles, pues que cada nivel tiene una estimación de valor parcial separado.
Puede especificarse por separado el tipo de relación de cada factor, permitiendo de esta manera, en caso de que se necesite, una combinación de factores. Esta elección no influye en el modo de creación de los tratamientos o estímulos, pero sí en cómo estima el AC los valores parciales y sus tipos. Los cálculos serán más eficaces y fiables siempre y cuando se pueda reducir el número de valores parciales estimados para cualquier conjunto dado de estímulos. Pero, para generar un análisis completo de las utilidades de los productos nuevos, se deben considerar los descartes entre las ganancias[1] conseguidas con la introducción del nuevo producto y la representación exacta de cómo el consumidor forma realmente la preferencia global.
El analista tiene varios enfoques para decidir el tipo de relación de cada factor. El modelo conjunto puede estimarse primero como un modelo de valores parciales y se pueden examinar visualmente las diferentes estimaciones de los valores parciales para decidir si es más apropiado un modelo lineal o uno cuadrático. En muchos casos, la forma general del modelo suele verse a simple vista; no obstante, con el ánimo de conseguir que el modelo sea más interpretable, se puede volver a estimar el modelo mediante el estudio de aquellas relaciones justificadas que en cada momento se especifiquen con el análisis de cada variable.
De modo alternativo, el analista puede valorar los cambios en la capacidad predictiva bajo diferentes combinaciones de relaciones para una o más variables. Este enfoque no se recomienda si no se tiene al menos una base teórica o empírica del tipo posible de relación considerado (por ejemplo, las estimaciones previas de los valores parciales). Sin tal base, los resultados podrían tener alta capacidad predictiva pero serían de poca utilidad en la toma de decisiones.
En cualquier caso, se debe buscar un equilibrio entre las ventajas de realizar una estimación de la capacidad predictiva del estudio y las resultantes de atender a los objetivos generales del mismo, evaluando el rendimiento de la operación.

2.4. Recogida de datos
Una vez especificados los factores y niveles, además del modelo básico, el analista decide sobre el tipo de presentación de los estímulos (descartes frente a perfil completo), el tipo de variable respuesta y el método de recogida de datos. El objetivo es presentar al encuestado las combinaciones de atributos (estímulos) de la forma más realista y eficiente posible. La mayoría de los estímulos se presentan a menudo de forma escrita, aunque los modelos físicos o pictóricos pueden ser bastante útiles para representar atributos estéticos o sensoriales.

2.5. La elección de un método de presentación
Los tres métodos de presentación de estímulos más asociados al AC son el método de los descartes, el del perfil completo y el de comparaciones emparejadas. El método de los descartes compara dos atributos a la vez para ordenar todas las posibles combinaciones de los niveles. Tiene las ventajas de ser simple para el encuestado y fácil de administrar así como de permitir información sobrecargada mediante la presentación de sólo dos atributos a la vez.
En cambio, el uso de este método ha decaído dramáticamente en los últimos años debido a varias limitaciones:
1. una pérdida de realismo por usar sólo dos factores a la vez,
2. el gran número de juicios que se necesitan incluso para un número pequeño de niveles,
3. una tendencia de los encuestados a ser confusos en sus contestaciones o de seguir un patrón rutinario de respuesta por causa del cansancio,
4. la incapacidad para emplear estímulos pictóricos u otros no escritos,
5. el uso aislado de respuestas no métricas,
6. y su incapacidad para utilizar diseños factoriales fraccionales de estímulos para reducir el número de comparaciones hechas.
El método más popular de presentación de estímulos es el del perfil completo, por su capacidad para reducir el número de comparaciones utilizando para ello diseños factoriales fraccionales. Cada estímulo se presenta por separado, la mayoría en una tarjeta de perfil. Este enfoque evita que haya tantos juicios, pero exige a la vez que cada uno de ellos se haga de modo más complejo, permitiendo de este modo que los juicios puedan ordenarse y prorratearse.
Las ventajas del perfil completo son que consigue:
1. una descripción más realista mediante la definición de los niveles de cada factor en forma de estímulo,
2. una representación más explícita de los descartes entre todos los factores
3. y, por último, la posibilidad de utilizar más tipos de juicios de preferencia, como las intenciones de compra, la verosimilitud del juicio y las oportunidades de cambio, difícil de analizar con el método de descartes.
El tercer método, la comparación emparejada, es una combinación de los otros dos métodos de presentación de estímulos. Se basa en la comparación de dos perfiles que son evaluados por el encuestado utilizando para ello una escala de prorrateo que indica la fuerza de preferencia de un perfil frente al otro. La característica distintiva de la comparación emparejada es que el perfil no contiene todos los atributos, como en el método del perfil completo, sino que se seleccionan de una vez sólo unos pocos atributos para construir los perfiles.

2.6. Creación de los estímulos
Una vez seleccionados los factores y niveles y elegido el método de presentación, empieza la tarea de creación de los tratamientos o estímulos para que los encuestados los evalúen. En el caso del método de los descartes, se utilizan todas las combinaciones posibles de atributos. Si se tienen 5 atributos en el estudio, 10 matrices de descartes representarán todas las posibles combinaciones emparejadas de atributos que evaluarán los encuestados. Esto puede implicar que el encuestado se encuentre con cargas pesadas a medida que aumenta el número de atributos.
Los otros dos métodos, el del perfil completo y el de comparaciones emparejadas, llevan consigo la evaluación de un estímulo (perfil completo) o de pares de estímulos a la vez (comparaciones emparejadas). En experimentos sencillos con un número pequeño de factores y niveles, el encuestado puede evaluar cada estímulo con el método del perfil completo o evaluar todos los pares posibles. Este enfoque se conoce como diseño factorial, cuando se utilizan todas las combinaciones.
 
Al decidir el subconjunto de estímulos a utilizar en el método del perfil completo para evaluar el método de comparación emparejada, el investigador puede utilizar un diseño factorial fraccional. En el método del perfil completo, el diseño factorial fraccional selecciona una muestra de posibles estímulos, dependiendo el número de estímulos del tipo de regla de composición supuesta para ser utilizada por los encuestados. La regla de composición más simple y más popular es el modelo aditivo, que supone sólo efectos principales para cada factor sin interacciones.
En el caso de 4 factores y 4 niveles, si se utiliza el método del perfil completo, se necesitarían 16 estímulos para estimar los efectos principales de los cuatro factores. Deben construirse con cuidado los 16 estímulos para asegurar que se consigue la ortogonalidad y permitir una estimación correcta de los efectos principales.
Se necesitan sólo los restantes 240 estímulos posibles del ejemplo si tienen que estimarse los 11 términos de interacción posibles. El investigador podría decidir que las interacciones seleccionadas son importantes y deberían incluirse en la estimación del modelo. En este caso, el diseño factorial fraccional, debe incluir estímulos adicionales para acomodar las interacciones.
Si un estímulo es inaceptable, quizás increíble, y no pudiese encontrarse una mejor alternativa de diseño, puede borrarse tal estímulo. En tal caso, aunque el diseño no será totalmente ortogonal (es decir, tendrá alguna correlación), no violará ninguna asunción del AC . Sin embargo, añadirá a los problemas de multicolinealidad los propios del análisis de regresión.

2.7. Selección de la medida de las preferencias del consumidor
Se debe seleccionar también la medida de la preferencia del cliente: ordenación de rangos versus prorrateo (es decir, una escala de 1 a 10). Aunque el método de los descartes emplea sólo los datos de la clasificación, el método de comparación emparejada puede evaluar la preferencia a partir de la obtención de un prorrateo de las preferencias de un estímulo sobre los demás o tan sólo una medida binaria de cuál es el estímulo preferido.
El método del perfil completo puede acomodarse tanto a los métodos de clasificación como a los de prorrateo, y cada medida de la preferencia tiene ciertas ventajas y limitaciones. La obtención de una medida de la preferencia basada en la clasificación tiene dos ventajas: aumenta la fiabilidad, ya que clasificar es más fácil que prorratear con un número razonablemente pequeño (£20) de estímulos, y proporciona más flexibilidad al estimar diferentes tipos de reglas de composición.
Sin embargo, tiene una gran desventaja: es muy difícil de administrar, porque el proceso de clasificación se realiza a través de la ordenación de tarjetas de estímulo dentro del orden de las preferencias, y esta ordenación sólo se puede hacer mediante una entrevista personal.
 

Fase 3: Asunciones
El AC es el método menos restrictivo de las técnicas de regresión, en cuanto a las asunciones que implican a la estimación del modelo conjunto. El diseño experimental estructurado y la naturaleza generalizada del modelo hacen innecesaria la aplicación de la gran mayoría de los tests realizados en otros métodos de dependencia (normalidad multivariada, homocedasticidad, etc.). Aunque las asunciones estadísticas puedan ser menores, las conceptuales podrían ser mayores que con los demás métodos. se debe especificar la forma general del modelo (efectos principales versus modelo interactivo) antes de diseñar la investigación. Esto fortalece esta decisión y hace imposible buscar modelos alternativos una vez diseñada la investigación y recogidos los datos.
A pesar de sus similitudes con la regresión, el AC permite además analizar y evaluar los efectos adicionales del modelo. El analista debe tomar esta decisión que concierne a la forma del modelo y debe diseñar la investigación de acuerdo con la misma. Por tanto, el AC, en tanto que supone menos asunciones estadísticas, basa la teoría en las fases de diseño, estimación e interpretación de la investigación.
 

Fase 4: Estimación y Evaluación del Ajuste
Las opciones que tiene el investigador en cuanto a las técnicas de la estimación han aumentado mucho en los últimos años. Sin embargo, al obtener los resultados del AC , se debe pensar en temas como la selección del método de estimación y la evaluación de los resultados. A continuación, se van a tratar dichos temas.

4.1. Selección de la técnica de estimación
Las evaluaciones de ordenación de rangos requieren una forma modificada de ANOVA diseñada específicamente para datos ordinales. Entre los programas informáticos más populares y más conocidos están MONOANOVA y LINMAP. Estos ofrecen estimaciones de utilidades parciales de los atributos, por lo que el orden de los rangos de su suma (valor total) para cada tratamiento está correlacionado tan estrechamente como sea posible con el orden de rangos observados. Si se obtuviese una medida métrica de preferencia, muchas técnicas podrían estimar las utilidades parciales de cada nivel. La mayoría de los programas informáticos disponibles pueden acomodar cualquier tipo de evaluación así como una estimación de alguno de los tres tipos de relaciones (lineal, del punto ideal, y de utilidad parcial).
 
4.2. Evaluación de los resultados
Deben examinarse los resultados del AC para evaluar la precisión de los modelos estimados tanto de los niveles individuales como de los agregados. La capacidad del AC para predecir las preferencias del consumidor puede evaluarse tanto para respuestas métricas como no métricas. El objetivo es medir el grado de consistencia del modelo a la hora de predecir el conjunto de evaluaciones de las preferencias ofrecidas por cada persona.
En los experimentos en los que se emplea el AC, sin embargo, el número de estímulos no excede mucho del de parámetros, y hay siempre el potencial de "sobreajustar" los datos. Se aconseja medir la precisión no sólo sobre los estímulos originales, sino también con un conjunto de estímulos de validación o reserva.
 
Fase 5: Interpretación de Resultados

5.1. Análisis agregado frente a análisis desagregado
El enfoque que se suele utilizar para interpretar el AC es el desagregado; es decir, aquél en el que se elabora un modelo independiente para cada sujeto y se examina el ajuste del modelo para cada uno. Después, se valora el comportamiento de cada encuestado según las asunciones del modelo. Este enfoque también tiene en cuenta la exclusión de encuestados que muestren una estructura de preferencia tan pobre que les lleve a no realizar la tarea que de ellos se esperaba.
La interpretación de los resultados puede hacerse también a nivel agregado. Ya se haga el modelo de estimación a nivel individual y después a nivel agregado o se hagan las estimaciones sobre un conjunto de encuestados, el análisis ajusta un modelo al agregado de respuestas. Este proceso generalmente produce resultados pobres si se intenta estimar el comportamiento de un sujeto individual y también si se intentan interpretar los valores de cada atributo para cualquier sujeto individual. A menos que se estudie una población con comportamientos homogéneos con respecto a los factores, no se debería utilizar el análisis agregado. Sin embargo, muchas veces el análisis agregado predice con más precisión el comportamiento agregado, como la cuota de mercado. De este modo, se debe identificar el propósito principal del estudio y emplear el nivel apropiado de análisis.
 

5.2. Valoración de la importancia relativa de los atributos
Además, el AC puede valorar la importancia relativa de cada factor. Como las estimaciones de los valores parciales se representan sobre una escala común, la contribución mayor a la utilidad global de la preferencia, y por lo tanto al factor más importante, será el factor que tenga el rango más alto de valores parciales.
Para suministrar una base consistente de comparación tomando como base los encuestados, se estandarizan los valores de los rangos dividiendo cada uno por la suma total de los rangos. El resultado de este análisis es un valor de la importancia de cada factor. La suma de todas las importancias de cada factor para el producto sumaría el 100% para cada individuo.
Importancia relativa del Factori Importancia relativa de cada factor = Probabilidad de que el encuestado elija ese factor o atributo de entre todos los que conforman el producto/idea/servicio Importancia total del Producto Importancia total del producto = Importanciai + Importanciaj + ...+ Importanciam + Errorij

Fase 6: Validación de Resultados
La validación del AC se hace interna y externamente. La validación interna lleva consigo la confirmación de que la regla de composición seleccionada es apropiada (esto es, aditiva vs interactiva). Por regla general, y debido a las exigencias de la recogida de datos, el analista se limita a la valoración empírica de la validez de los dos modelos en un estudio completo. Así, se deberían comparar los dos modelos en un estudio pretest para confirmar cuál es el apropiado.
La validación externa se refiere a la valoración del grado de representatividad de la muestra. Si no se evaluase el error muestral de los modelos a nivel individual, el analista debería garantizar siempre la representatividad de la muestra respecto de la población de estudio. Esto se hace imprescindible si se pretenden utilizar los resultados del AC en la segmentación de mercados con el fin de evaluar la eficacia de las tarjetas de simulación del producto.

Fase 7: Aplicación de Resultados
Normalmente, los modelos del AC se estiman a nivel individual (uno por individuo) y se utilizan en una o más de las siguientes áreas de apoyo a la decisión. Su propósito es utilizar los resultados del AC para representar los procesos de decisión de los individuos. Con los resultados a nivel individual, el AC puede proporcionar un modelo de preferencia para cada individuo. Los resultados agregados pueden representar grupos de individuos y un modo de predecir sus decisiones para cualquier número de situaciones.

7.1. Segmentación
Uno de los usos más comunes de los resultados del AC a nivel individual es agrupar sujetos con utilidades parciales similares o con valores de la importancia parecidos para identificar segmentos. Las utilidades estimadas del valor parcial pueden utilizarse tanto aisladamente como en combinación con otras VI, para obtener agrupamientos de sujetos con preferencias muy similares.

7.2. Análisis de la rentabilidad
Un complemento para la decisión del diseño del producto es un análisis de la rentabilidad marginal del diseño propuesto. Si se conociese el coste de cada característica, podría combinarse el coste de cada "producto" con la cuota de mercado y el volumen de ventas esperadas, para predecir así su viabilidad. Este proceso conduciría a una combinación de atributos. En dicha combinación, una cuota menor sería considerada la más rentable, a causa de un aumento del margen de beneficio resultante del bajo coste de los componentes particulares.
 
7.3. Simuladores del AC
En este punto, el investigador entendería tan sólo la importancia relativa de los atributos y el impacto de los niveles específicos. Pero ¿cómo consigue el AC su otro objetivo principal: predecir la cuota de mercado que un estímulo (real o hipotético) acapararía con cierto nivel de probabilidad en diversos escenarios competitivos de interés?. Este es el papel que juegan los simuladores de opciones, que siguen un proceso de tres pasos:
1. Estimar y validar modelos de AC para cada encuestado (o grupo).
2. Seleccionar conjuntos de estímulos para examinar posibles escenarios.
3. Simular las elecciones de todos los encuestados (o grupos) para los conjuntos especificados de estímulos y predecir la cuota de mercado para cada uno de ellos añadiendo sus elecciones.
Una vez estimado el modelo del AC, se puede especificar cualquier número de grupos de estímulos para la simulación de las elecciones.
Entre los usos posibles de esta técnica están la evaluación de:
• el impacto de añadir un producto a un mercado existente,
• el potencial crecimiento de una estrategia multiproducto o multimarca, incluyendo estimaciones de canibalismo;
• el impacto de eliminar una marca/producto del mercado.
En cada caso, se proporciona un conjunto de estímulos que representan el mercado para después simular las elecciones de los encuestados.
Los simuladores de opciones utilizan normalmente dos tipos de reglas para predecir qué estímulo se selecciona.
1. El modelo de máxima utilidad, que supone que el encuestado elige el estímulo con la mayor puntuación de utilidad predicha. Es el más apropiado en mercados con individuos que manifiesten preferencias muy diferentes.
2. Modelos BTL y logit. La regla de elección alternativa es medir la probabilidad de compra, donde las predicciones de probabilidad de elección suman el 100% del conjunto de estímulos examinados.