Pregunta a los clientes si quieren más almacenamiento, mejor soporte y un precio más bajo, y todos estarán de acuerdo. La decisión interesante empieza cuando no pueden tener las tres cosas. El análisis conjunto (conjoint analysis) plantea estas compensaciones de forma sistemática, ayudando a los investigadores a estimar cómo influye cada elemento de una oferta en las preferencias.
Se trata de un conjunto de métodos en los que las personas evalúan perfiles de producto compuestos por atributos y niveles. En un plan de software, los atributos pueden ser el almacenamiento, el soporte y el precio; los niveles son las opciones específicas de cada atributo. En el análisis conjunto basado en elecciones (CBC), los participantes eligen repetidamente entre distintos perfiles. Otras variantes utilizan valoraciones o clasificaciones, diferencias que se detallan en la comparativa de métodos conjuntos de Sawtooth Software.
Crea opciones que realmente puedan existir
El diseño del estudio determina lo que el modelo puede aprender. Los atributos deben cubrir la decisión de forma adecuada sin que cada tarea resulte abrumadora, y sus niveles deben ser claros y creíbles. Un diseño estadístico impecable sirve de poco si los encuestados no se imaginan usando ninguna de las ofertas.
Pensemos en un ejemplo práctico: un estudio para un servicio de paquetería donde varían los plazos de entrega, las opciones de recogida y el precio. Si el precio más bajo siempre va unido a la entrega más lenta, el análisis tendrá dificultades para separar el impacto de cada factor. Un buen diseño experimental varía las combinaciones para poder estimar los efectos relevantes, descartando aquellas que realmente no tienen sentido. El software especializado en diseño y análisis ayuda, pero no elige los atributos adecuados por el investigador.
Las entrevistas y un estudio piloto son una preparación muy útil. Permiten detectar aspectos que se hayan pasado por alto, redacciones confusas o tareas que exigen más atención de la que el público puede dedicar de forma razonable.
Interpreta el modelo como lo que es: un modelo
El análisis estima utilidades (a veces llamadas utilidades parciales o «part-worths») para los distintos niveles de cada atributo. Estas reflejan la preferencia relativa dentro del modelo ajustado. La importancia de un atributo también depende del rango de niveles analizado: un estudio que compare precios muy dispares puede hacer que el precio parezca más determinante que uno con un rango más ajustado.
Las simulaciones permiten explorar cómo cambiarían las decisiones frente a diferentes propuestas, incluyendo competidores si se contemplan. Sus resultados están condicionados por las alternativas evaluadas, la muestra y las hipótesis de partida. Una cuota de preferencia simulada no se traduce directamente en una predicción de cuota de mercado; la notoriedad de marca, la distribución, la disponibilidad o lo difícil que sea cambiar de proveedor influyen en las compras reales.
Al analizar la disposición a pagar, hay que tener especial cuidado al convertir las utilidades en cifras monetarias. El resultado depende del modelo de precios y del contexto competitivo. El análisis conjunto es muy valioso porque hace explícitas las renuncias y prioridades, pero sigue pidiendo a la gente que responda ante un escenario simulado. Los datos reales de compra posteriores siempre serán la mejor prueba para contrastar lo que sugiere el modelo.