Ciencia de datos e investigación aplicada

Analítica de datos e investigación de usos y hábitos del consumidor

Escrito por Gabriel Contreras | 12/04/2023 10:01:44 PM

Un caso de uso frecuente en investigación de mercados implica comprender y cuantificar los usos y hábitos que el consumidor hace de las categorías. En este sentido, cobra particular relevancia reconocer algunas aportaciones de la analítica de datos.

MODELOS DE LEVANTAMIENTO DE INFORMACIÓN

Por lo general, los estudios de usos y hábitos exigen al investigador cuantificar volúmenes de consumo. En este sentido existe un debate sobre cómo levantar confiablemente esta información habiendo tres enfoques principales:

  Encuesta Conjoint Diario
Ventajas
  • Rápida
  • Económica
  • Alta concentración en procesos de decisión y elección más que en escenarios reales de consumo en el pasado
  • Volumen probabilístico facilitando simulación.
  • Permite levantar fluctuaciones de consumo en diferentes momentos del día, días de la semana, dentro o fuera de quincena
Desventajas
  • No permite capturar fluctuaciones de consumo (semana vs entre semana, quincena vs fuera de quincena, mañana vs noche)
  • No permite capturar fluctuaciones de consumo.
  • Alto nivel de tecnicismo y delicadeza para lograr confiabilidad
  • Demorado, se recomienda mínimo 15 días de observación.
  • Costoso.
  • Difícil lograr engagement del participante.

En cualquier escenario de levantamiento de información, los modelos PITA y PFI facilitan a las marcas y a los investigadores entender cada uno de los componentes que participan en la conformación de volumen.

MODELO PITA

Es un acrónimo que traduce Población, Intensidad, Transacción, Cantidad. P * I * T * C = Valor  marginal del hábito.

  ¿Qué indica? ¿Qué variables lo influyen?
Población
  • Masa crítica sensible a la oferta de valor
  • Proporción de gente sensible o con alguna necesidad puntual que la categoría logra resolver.
  • Tamaño de mercado
  • Grado de masificación o intensificación de la necesidad.

Incidencia
  • Frecuencia de veces con las que se efectúa el uso o la compra.
  • Distribución numérica de la categoría o de las marcas que en ella compiten.
  • Factores de disponibilidad
Transacción
  • Cantidad comprada o usada por ocasión.
  • Medida de intensidad de la necesidad que estamos analizando.
Cantidad
  • Costo pagado en tiempo o dinero por ejecutar esta conducta de compra o uso
  • Trade off y sacrificios que el usuario está dispuesto a hacer para comprar o usar.

En el caso de un producto agrícola como el frijol:

P I T A Valor

El 30% de la población consume

En un país de 40 millones de habitantes, se arranca con:

13.200.000

 

Consumen una vez cada 15 días, lo que llevado a año implica:

24 momentos de consumo

Lo hacen dos veces al día cuando consumen

48 ocasiones específicas de consumo

En cada ocasión de consumo, llenan el plato un 20% con el frijol.

Esto llevado a gramos implica unos 58 gramos de frijol por ocasión de consumo

El costo de esos 58 gramos de frijol sin implicar los demás ingredientes de la receta suponen

$3.500

Esto supone que el hábito llevado a valor pesa

$2.217.600 * 100

PITA es una buena forma de llegar al consumo per cápita de un bien como se ilustra a continuación:

Intuitivamente, altos o bajos niveles de P, I, T A diagnostican accionables diferentes a lo largo de la cadena de generación de necesidades y de valor.

PITA, puede ser calculado por ocasión de consumo. Como se ha discutido en otros blog, una ocasión de consumo está determinada por participantes, escenarios, intenciones y modelos como las 7W ayudan a construir dichos escenarios (¿Cuándo?, ¿Cómo?, ¿Quién?, ¿Cuánto?, ¿Para qué?, ¿Por qué?) y estadísticamente los árboles de decisión ayudan a encontrar interacciones significativas entre las 7W, encontrando volúmenes de consumo significativos en interacciones como por ejemplo: En casa de amigos, después del trabajo, viendo un partido de futbol, con cerveza.

MODELO PFI

Este acrónimo es parecido, traduce Penetración, Frecuencia e Intensidad. A diferencia del modelo PITA, expresa el consumo en volumen no en valor monetario. La lógica es similar en su cálculo y estimación.

Uno de los aportes significativos de la analítica de datos a estos paradigmas de cuantificación de hábitos, es que es viable estimar el peso de diferentes variables sobre cada componente de la ecuación: P I T A o P F I.

En la gráfica a continuación, puede observarse ejemplos de uso de modelos de regresión logística para analizar cómo diferentes variables del marketing mix impactan P, F I en un modelo que busca mejorar la penetración de consumo de la carne de cerdo

Se construyen tres modelos autónomos, cada uno buscando explicar P, F e I por separado. El modelo explicativo de P tiene una capacidad predictiva del 86% y nos enseña que la facilidad de preparar, la percepción de sabor y la idea que cae bien para el organismo elevan la probabilidad de que las personas consuman carne de cerdo, por otro lado la dificultad para almacenar por largos periodos de tiempo reducen esa probabilidad un 17%.

CONCLUSIONES

Son muchos los aportes de la analítica de datos a la comprensión y cuantificación volumétrica de comportamientos deseables en el consumidor. En este blog se exploró el uso de árboles de decisión para encontrar ocasiones de consumo a partir de las 7W y como pueden implementarse modelos PITA y PFI para cuantificar cada ocasión de consumo de forma volumétrica. De igual forma se presentan técnicas asociadas a regresión logística para estimar el impacto del marketing mix sobre cada dimensión PFI.

Nos encantaría encontrar formas de trabajo contigo, algunos retos de investigación de mercados y analítica de datos. ¿Entramos en contacto?