ON INNOVATION

RESUMEN

Cambios, cambios, cambios …

Lo único seguro parecen los cambios.

De entre todos los cambios, hay algunos más significativos que otros.

En un ejercicio de interpretación del “sino” de los tiempos para definir el synodos, «camino conjunto» que queremos emprender con nuestros clientes, nos parece que algunos de estos cambios son especialmente relevantes.

Uno de estos cambios es el crecimiento de la renta que ha hecho que de acuerdo con la jerarquía de necesidades de Maslow cada vez más recursos se destinen a productos o servicios que ocupan un lugar superior en la escala de necesidades.

Estos últimos productos por su propia naturaleza son susceptibles de estar investidos de más,  más elaborados, o con un mayor espectro de campos semánticos, y al mismo tiempo y por las mismas razones están sometidos a desgaste muy rápido.

Por otra parte las marcas de lujo encuentran cada vez más dificultades para encontrar encaje en este proceso acelerado de substitución de significaciones, dado que si bien una canción substituye a otra rápidamente, el mismo ritmo de innovación es imposible de mantener en productos soportados por elementos físicos.

Algo similar sucede con los servicios soportados por intangibles muy costosos como son los sistemas informáticos o el establecimiento de entrenamiento y rutinas de trabajo.

Por su parte, marcas que operan en sectores más básicos en la jerarquía –como la alimentación- encuentren cada vez más difícil mantener su equity, sus diferencias de precio y su share: los productos son suficientemente iguales y la gente piensa en el producto, acaba eligiendo el de la marca de distribución, ni el de mayor precio ni el de menor precio. En investigación en laboratorio se ha podido demostrar algo que muchas veces se había observado en situaciones competitivas: la introducción de una marca de menor precio, aumenta el share de la inmediatamente por encima y la introducción de una marca de mayor precio, aumenta el share de la inmediatamente por debajo. Por eso procesos de innovación acelerada introduciendo productos cada vez más deprisa a un precio premium es una estrategia que resulta difícil sostener y con frecuencia no es exitosa porque los productos no son suficientemente diferentes como ser notorios, es decir, pasan desapercibidos, son inmediatamente copiados y tienen el efecto paradójico de aumentar las ventas de la copia. El mismo fenómeno se ha podido apreciar en mercados tan “marquistas” como la ropa y el calzado deportivo o la ropa en general –el éxito de propuestas como Zara resulta de una combinación de ambos fenómenos –introducción acelerada de modelos y precios por debajo del premium, pero no precios bajos-.

En este contexto, el constante renovar de las historias contadas sobre las marcas –el equivalente de la nueva canción que substituye la anterior- es un mecanismo esencial para mantener la atención de los consumidores fuera del producto mismo y mantenerla centrada en algo que no saben que es… pero que les hace llevar la mano al producto de la marca que cuenta las mejores historias. Si pensaran únicamente en el producto elegirían no el de la marca premium sino el segundo o el tercero. La elección del primero es un proceso automático que resulta del cerebro social, que opera en su mayor parte a nivel subconsciente: ese cerebro hace presentes en el momento de la compra a los otros consumidores de un modo difuso –historias que la marca cuenta que por su alto nivel de sociabilidad las hace deseables- o más preciso (no quiero que mis amigos, mi familia, la vecina del quinto vea que nunca llevo ropa de marca….).

Investigar cómo actúa este cerebro social ante las historias que la marca haya construido para envolver el producto y distraer al potencial consumidor del producto mismo para centrarlo en los contextos sociales de uso, es una de las herramientas esenciales que la investigación debe poner a disposición del marketing en esta hora que vivimos.

La investigación debe cubrir tres dimensiones:

• Como procesa el cerebro social el mensaje en el contexto de sus relaciones sociales, es decir, como de probable evalúa el cerebro social que otros han adquirido los mismos significantes: el modo como hará eso será en base a una evaluación no consciente de cómo le ha impactado a el mismo. Dicho en otros términos: oh, seguramente que a mi novia le encantará que yo me compre esta ropa; seguro que voy a estar muy atractiva con este vestido –para mi novio y sobre todo para los demás-.
• Como de fácil resulta contar la historia sin contarla, es decir, la publicidad pone el contexto en el cual el significado pretendido circula; en el caso anterior mi novio no puede no darse cuenta de lo guapa que estoy si uso esta crema que dice que voy a estar guapísima, con un rostro que ilumina el mundo (esto es bien paradójico pues son la belleza se realza con no demasiada luz…). Este mismo fenómeno se puede apreciar respecto de uno mismo; por ejemplo gran parte o casi toda la publicidad de cerveza contribuye a la marca no atrayendo nuevos consumidores sino reelaborando la experiencia de consumo –que pudo ser más o menos trivial o incluso un poco desagradable- como una experiencia excitante de modo que la próxima vez… ¿qué tomo? Ah si ponme una cerveza XXX. Lo que hace aquí la publicidad es reelaborar la memoria de una experiencia de consumo, separándola del producto mismo para vincularla a la marca, porque sino podría pedir cualquier otra cerveza –una cerveza es una cerveza-. Lo mismo vale para otros muchos tipos de productos que con frecuencia no son distinguibles en pruebas ciegas.
• Cuando las dos dimensiones anteriores funcionan en el sentido esperado, es también más probable que el potencial consumidor se vea envuelto en conversaciones donde justifica sus decisiones de consumo, promueve el consumo activo de la marca entre sus próximos –como un medio de aumentar su propio estatus- y realiza cotilleos sobre aquéllas que no siguen lo que debe seguirse.

Indudablemente implícita está la paradoja de ser diferente pero no demasiado, ser igual pero no demasiado. La mayor parte de la gente es muy similar a otra, consume las mismas cosas y sigue conductas similares a los demás, pero sin embargo la mayor parte de la gente piensa que es diferente de los demás y una gran parte –cerca

del 75%- piensa que es superior a los demás. Aparte de la imposibilidad estadística de este hecho, sin duda están en juego mecanismos psicológicos de autoestima –sistema inmunitario psicológico- para contrarrestar el grooming y la presión que los que están en su entorno ejercen para rebajar su percepción de estatus.

Uno de los cambios más relevantes es la aparición de internet, que lleva la conectividad social a una nueva dimensión.

Internet tiene muchas caras y mucho potencial todavía no realizado.

Algunas de estas caras se han analizado, otras están pendientes de identificar y comprender.

Por ejemplo se han señalado:

• El acceso a fuentes de información cada vez más numerosas y con herramientas cada vez más potentes han producido unos consumidores potencialmente más informados. Que lo estén o no depende de sus habilidades en buscar y procesar información –que normalmente tendrá que ver con su educación y de la motivación y los recursos que dediquen a la actividad.
• Estos consumidores potencialmente más informados tienen un potencial de comunicar con un número mayor de personas. Esto es solamente potencial pues de hecho los medios de comunicación en Internet como en cualquier otro medio siguen una ley de potencia: muy pocos medios atraen atención masiva, muy pocos ocupan atención media y muchos atraen pequeños grupos. Este mismo fenómeno se aprecia en las descargas per to per: lo único que se puede descargar son los títulos populares; el resto nadie se toma la molestia de hackearlos.
• Estos consumidores potencialmente más informados tienen mecanismos rápidos acceder a productos que antes de la red eran prácticamente inaccesibles; esto está bien descrito[1] en The Long Tail que aporta datos de que en la industria cultural muy pocas unidades de elementos “raros” acaban sumando hasta 1/3 o más de las ventas de grandes centros de distribución cultural mundial. El fenómeno es paradójico: las pequeñas librerías o pequeñas tiendas de barrio desaparecen, pero los títulos reaparecen en grandes superficies virtuales. Si pueden acceder a esos productos en unos cuantos lugares, también tienen el potencial de compartir sus experiencias y valoraciones que cualquiera con los mismos intereses puede ver.
• Algo que siempre ha existido como el boca-oído (Word of  Mouth[2]) y el chismorreo (grooming) ahora cobra una nueva dimensión porque se hace más visible y en la medida que deja rastro, investigable y potencialmente influenciable –infiltrándose en los grupos, disfrazado como uno más, detrás del relativo anonimato que ofrece no estar expuesto a la interacción personal directa-. El punto clave en esto último no es tanto el anonimato como el hecho de que la ausencia de interacción social física libera a las personas que interactúan de controles inconscientes que impone el cerebro social, tal y como muestran los últimos avances en neurociencia social (social neuroscience).
• La gran conectividad de la red hace que el potencial de difusión de las noticias –particularmente de las malas, sea muy grande-. por los medios de prisa, sino por el boca oído de Internet y el mensaje de texto.
• El impacto de los sistemas de opinión de clientes en la compra de otros posibles clientes, parece conspirar a favor de la reducción de oportunidades, concentrando las compras en un número de referencias menor. Este fenómeno ya se conocía en el mundo físico: la popularidad de una marca, su base aparente de consumidores es un indicador para otros consumidores que lleva a que más consumidores compren la marca. Lo realmente nuevo ahora es que estos consumidores no necesitan entrar en contacto o ser mediados por publicaciones “de estilo”, sino que directamente entran en relación unos con otros, reduciendo el potencial de influir en el proceso de decisión con publicidad en esos medios “de estilo”. El poder de influir pasa del fabricante al cliente.
• Por supuesto los agentes “activos” en cualquier red –quienes escriben recomendaciones o generan contenido o movimiento en redes sociales son relativamente pocos. Esto también se sabía del mundo real, donde los innovadores eran una pequeña fracción del total. La cuestión importante ahora es que estos sujetos tienen un potencial de afectar a un número mucho mayor en el mundo virtual que en el mundo físico. Su identificación[3] y “relación” con ellos puede convertirse en un importante factor de éxito o fracaso de una innovación.

Innovation

Innovar es fundamental para la supervivencia, pero es un camino lleno de trampas. No vale la pena repetir aquí que la mayor parte (como el 80% ) de las innovaciones fracasan en términos de mercado. Lo que vale es disponer de los mejores instrumentos para aumentar en algo la probabilidad de éxito de nuestra innovación. Porque las innovaciones no fracasan ni solo, ni necesaria ni principalmente porque sean inferiores a las que triunfan o por ausencia de soporte y recursos. Con frecuencia fracasan por deficiente gestión de detalles aparentemente marginales, pero que a posteriori se revelan como esenciales.

La investigación es una herramienta básica para forzar la atención a los detalles. Y como en ningún otro ámbito, la calidad de la investigación en innovación es decisiva.  Y dentro de esta investigación se incluye también la investigación en comunicación de la innovación, si bien esta, si algo ha sido hecho mal en fases anteriores, poco podrá hacer por remediarlo.

Los detalles son sutiles. Y van desde tener en cuenta que ciertos ratios de envase (largo x ancho)  generan más preferencia[4]que otros (todo lo demás igual), o que el atractivo del package tiene su correspondencia en el cerebro[5] y por tanto se puede investigar con mucha mayor precisión por métodos indirectos –como eye tracking- que preguntando por liking en un grupo de discusión– o que en marketing como en salud existen los efectos placebo[6] y estos pueden ser fundamentales a la hora de fijar aspectos tan relevantes como el precio.

Uno de los aspectos peor entendidos es como las personas deciden incorporar productos a su set de consideración.

Los estudios de innovación prestan mucha atención a evaluar en qué medida la innovación es diferente, relevante y percibida como superior al líder del mercado (conjuntamente buenos predictores del éxito de una innovación y superiores a la intención de compra[7]) y prácticamente ninguna atención a las reglas de decisión que sigue el consumidor[8]. Como consecuencia de ello se usa acríticamente tecnologías de recogida de datos que no pueden reproducir y pesar adecuadamente la probabilidad de incorporación de la innovación en el set de compra.  Y esto es fundamental en cualquier simulación que mueva alguna de las características que definen los productos en el mercado, con el objetivo de estimar posibles shares, dado que afecta a hit rate de la predicción (predicción del modelo sobre la probabilidad por azar).

Cuantas alternativas

Innovar es fundamental para la supervivencia; pero innovar no significa acumular referencias, sino, por muy difícil que resulte esta decisión –eliminar referencias actuales para dejar entrar otras nuevas-.

Elegir entre muchas alternativas no necesariamente genera más compra ni más satisfacción que elegir entre menos; esto que parece ir en contra de la intuición de muchos brand managers y de muchos gestores de hiper, sin embargo está cada día más asentado[9].

Como obtener la información

A la hora de obtener la información necesaria para evaluar el potencial de una innovación hay quien sigue basándose en cuestionarios convencionales, hay quién acríticamente se ha pasado a internet y hay quien, como es nuestro caso, hemos hecho una apuesta equilibrada entre cada uno de los mundos para tratar de obtener la información más fiable posible para tratar cada problema en concreto.

Para obtener la información usamos un diseño mixto basado en Eye Tracking y Qnr con diseños muy potentes que permiten simular lineales y testar simultáneamente diversas hipótesis con una precisión que solamente una técnica como Eye Tracking permite. La combinación con qnr permite disponer de información para ajustar modelos de predicción de share (de los que hablamos más abajo).

De internet hacemos un uso controlado centrado en, por una parte, la oportunidad de reducción de costes en diseños con qnr asistido por ordenador –por ejemplo en adaptative choice based conjoint- y por otra en explotar todo su potencial para la realización de experimentos.

Sin duda es cierto que Internet ofrece una gran cantidad de información y unas oportunidades inexploradas de generar información útil –conocimiento- en la toma de decisiones, pero no es menos cierto que resulta realmente muy fácil perder la perspectiva y asumir que explorando logs se va a comprender y predecir el comportamiento del consumidor respecto a mi producto.

Hoy por hoy –empezando el 2010- ni siquiera disponemos de métodos fiables de evaluación de campañas virales. Queda mucho por hacer.

Sin embargo internet ofrece una oportunidad única de realizar experimentos controlados sobre mi producto a un coste realmente competitivo y en tiempos de ejecución razonables.   En la explotación de esta oportunidad se sitúa Social_Lab®.

Si queremos obtener insights sobre el potencial de nuestro producto de generar WoM positivo –bajo diferentes escenarios de comunicación- esta es la herramienta; o si queremos simplemente ver como circulan los argumentos sobre el producto una vez usado, esta es la herramienta.

Share Prediction

Tradicionalmente los modelos de predicción de share se han basado en dos estrategias:

• Experimentos de choice, usados sobre todo con productos de consumo frecuente, donde un modelo logit se usa para estimar los shares y  estos se proyectan con un segundo modelo de cadenas de markov, calculando el impacto que el shift de preferencias inducido por la innovación –try & repeat- tiene sobre los share de las marcas actuales y cuál será el share de la innovación una vez estabilizados los shares.
• Difusión como una función de la base de usuarios –modelos tipos Bass-.

En ambos casos las estimaciones crudas se corrigen con bases de datos de innovaciones “similares”; si en lugar de experimentos de choice se usa Purchase Intent esta se corrige por la llamada sobredeclaración, igualmente en base a “similitudes” con otros productos.

Choice Modeling

Una de las formas más potentes de estimar el potencial de una innovación es a través de un choice model.

De estos hay varios tipos –multinomial [10], nested[11], mixed[12] y unas recientes e interesantes clases de modelos llamados “Attribute Consideration Model[13]” en el cual sí que realmente se tiene en cuenta la posibilidad de una elección secuencial y “Generalized Logit Model[14]” (G-Logit) que permitiría discriminar la heterogeneidad debida a diferencias entre gustos y a diferencias de escala[15] así como a la combinación entre ambas formas de heterogeneidad[16].  No obstante estos modelos son por el momento prácticamente experimentales, sin uso industrial en investigación de mercado.

Diffusion Modeling  

El modelo más usado dentro de esta familia es el Bass, por su facilidad de estimación. Su principal debilidad –requiere una estimación tentativa de los coeficientes- lo cual se hace por similitud –con innovaciones pasadas- o feeling.

Una aproximación más fina es deducir esos posibles coeficientes en función de la información que proporciona la investigación de mercado.

Esta –una estimación de coeficientes basada en el potencial de difusión de la innovación-   es una de las salidas interesantes que proporciona Social_Lab®.

Innovation & network

Hay que distinguir dos clases de productos: los que están afectados por economías de red y los que no están afectados por economías de red, porque las estrategias de predicción de una clase de producto y otra son completamente diferentes.

Simplificando, entre los primeros se encuentran productos cuyo valor crece a medida que aumenta su base de consumidores; ejemplos de esta clase de productos son software que permite el intercambio de documentos –Office, Open Office- o las plataformas de juegos de ordenador –cuanto mayor sea la base de consumidores mayor será la oferta de juegos y eventualmente las posibilidades de intercambio-. Cada vez son más los productos que están en mayor o menor medida afectados por esta lógica y en consecuencia su impacto debe tenerse en cuenta en las predicciones de share de un determinado producto.

Hay otra dimensión de red, menos evidente, pero no menos poderosa, que tiene que ver con la creación de signos de distinción social.

Esta dimensión es claramente paradójica, sometida a dos fuerzas opuestas: búsqueda de diferenciación e identificación de pertenencia. Según cuál de ellas sea dominante, tendremos marcas que señalan lo primero –reloj Patek Philippe o auto Bugatti-, lo segundo –Harley Davidson- o una zona intermedia –Apple iPhone-.

En ninguno de los dos enfoques de predicción de share –descritos más arriba- se tiene en cuenta explícitamente la dimensión red.

De hecho, subyacente en aquellos modelos está la idea de la expansión de infecciones[17], donde las variables de interés son:

• Probabilidad de contaminación que es una función de la fuerza del virus; en el caso del producto, su capacidad de generar preferencia. La pregunta aquí es ¿Cuándo un potencial consumidor ha sido expuesto al producto cual es la probabilidad de que lo adopte?.
• Base de potenciales infectables; base total de consumidores en los cuales el producto es capaz de generar preferencia. Al igual que existen personas naturalmente inmunes a un determinado tipo de virus, hay personas en las cuales la innovación no generará preferencia ni compra.

Teniendo en cuenta estas dos variables, la velocidad de la expansión del producto –infección- deviene una función de la base actual de potenciales infectados, que es resultado del esfuerzo de comunicación y promoción del producto-.

Ambas clases de modelos se caracterizan por su ausencia de precisión. Una de las razones de ello se debe a la interacción entre las redes sociales y la difusión de la innovación. Aquí conviene ser cuidadoso, para no crear una nueva “fad” y poner bajo el epígrafe red, lo que antes estaba bajo la forma cultura.

Hay sociedades que aceptan o no una innovación simplemente por hábitos o cultura, sin  que tenga nada que ver con la red. Hay sociedades más permeables a las innovaciones que otras simplemente por la estructura de sus creencias (beliefs), pero contra lo que piensan algunos, no hay sociedades más permeables que otras a todas las innovaciones –i.e. USA puede ser más permeable a la introducción del último artilugio electrónico, pero no necesariamente al jamón serrano-.

Por ejemplo si toallitas húmedas para limpiar los bordes del inodoro tienen éxito en Francia pero no en España, seguramente esta diferencia tiene poco que ver con diferentes estructuras de red y más que ver con creencias sobre que significa limpieza y la necesaria (o no) presencia de agua para que algo se considere limpio (esa misma diferencia se puede apreciar en las prácticas de ducha). 

¿Qué añade entonces y cuando tener en cuenta la dimensión red?. Por supuesto hay que tener en cuenta la dimensión red cuando existe una economía de red, en los dos sentidos que hemos señalado más arriba –productos cuyo valor crece a medida que aumenta su base de consumidores y productos que crean distinción social- y hay que tener en cuenta la dimensión red cuando la estructura de esta puede aumentar o ralentizar la difusión de una innovación.

Y esta dimensión tiene que ver con la capacidad del producto de generar WoM, espontánea o inducidamente y cuando se puede generar un efecto multiplicador .

Qué un determinado individuo acepte una determinada innovación puede tener que ver o no tener que ver en absoluto con la red.

Si adopta una innovación porque ocupa una posición similar a otro individuo en la estructura social y esta posición “determina” que sus gustos son similares a los de otro individuo que ocupa una posición estructuralmente idéntica, los modelos de choice predicen aceptablemente bien. Si además se “enriquecen” con la inclusión de ciertas variables latentes[18], la predicción puede ser aceptablemente buena. Que se hable de contagio o no es relativamente irrelevante en este caso. Las variables latentes pueden y deben medir ciertas características con disposición a la innovación o al seguimiento de las innovaciones adoptadas por sus pares o “exemplars” –líderes de alguna clase-. Aquí es fácil reconocer un modelo de choice con variables latentes que clasifican la población en función de su propensión a la innovación. Hablar de red aquí no añade demasiado.

Ahora bien, si adoptar una innovación puede estar vinculado a la topología de la red –es sabido que individuos más conectados suelen ser innovadores precoces- y a la información que circula en ella, entonces si puede ser relevante medir el posible efecto multiplicador.

El efecto multiplicador[19] existe cuando la una conversación sobre un producto aumenta la probabilidad de adopción de ambos participantes de la diada –no solamente de uno, porque en este caso hablaríamos de simple contagio o difusión-.

La única manera precisa de medir este efecto es con un diseño experimental[20].

Exactamente esto es lo que mide Social_Lab®.

Este efecto multiplicador será el resultado de ciertas características del producto, de ciertas características de la comunicación o de ambos dos interaccionando con una determinada estructura de red.

Social_Lab® es una herramienta especialmente diseñada para capturar todos estas dimensiones.

En la literatura se han reportado algunos de estos experimentos[21]. De particular interés resultan los que miden el impacto de permitir o no compartir información sobre un producto cultural[22],  el impacto de los mecanismos de recomendación[23] , las claves de éxito de WoM inducido desde la compañía[24] y el impacto en la lealtad[25].

Case Study: el potencial de Social Lab en investigación electoral

Las campañas políticas tienen un impacto nada desdeñable en el voto. Si bien hay un proceso progresivo de cambio de actitudes y de voto que se fragua en los períodos de mandato –que pueden y deben seguirse con un método de tracking- un determinado slogan o claim y ciertas líneas clave de campaña tienen un impacto decisivo en las últimas semanas justo antes del momento del voto.

Este impacto decisivo puede investigarse con un método experimental dentro de Social Lab creando varias celdas donde se puede determinar qué impacto tendrá cada argumento sobre tres públicos relevantes:

1. Votantes declarados del propio partido.
2. Sin voto decidido.
3. Votantes declarados de otros partidos.

Esto es justamente lo que se ha hecho en una reciente investigación. 3 slogans y 7 líneas fuerza de comunicación diferente fueron sometidas a investigación.

Se analizó no solamente la aceptación y valoración de cada uno de esos slogans, como se elaboraban dentro de cada uno de los subgrupos y como se elaboraban cuando se enfrentaban en un grupo mixto.

Especial seguimiento se realizó sobre el grupo de indecisos (B), observando, por una parte el impacto aislado –sin interaccionar con los otros grupos- y el impacto cuando este grupo B, interaccionaba con grupos dominados por A o por C.

Los resultados han sido realmente espectaculares. Se ha podido determinar:

1. Argumentos que impactan (movilizando o desmovilizando) los votantes declarados del propio partido y de otros partidos.
2. Efecto de los argumentos en el grupo B, controlando por niveles de exposición a la influencia de los grupos A y C –lo cual arroja un proxy del esfuerzo necesario de comunicación-, el orden de introducción y la forma de introducción.

Una vez iniciada la campaña, cada uno de los indicadores relevantes, fue seguido con un método de tracking.

Los instrumentos generados han sido valorados como extremadamente útiles por el responsable de campaña, con un valor como instrumento de gestión táctica, muy superior al clásico focus group o la encuesta convencional.

Notas

[1]Anderson (2006) “The Long Tail” Random House

 [2] Rosen (2002) “The Anatomy of Buzz” Currency

 [3] Trusov, Bodapati, Bucklin (2009) «Determining influential users in interner social networks.» Journal of Marketing Research,  Forthcoming .

[4]  Raghubir, Greenleaf (2006) “ Ratios in Proportion: What should the shape of the package be?” Journal of Marketing, 70 (April) 95-107

 [5] Baecke,  Kenning (2008) “What they see is what they get? An fMRI-study on neural correlates of attractive packaging”, Journal of Consumer Behaviour, 7, (4-5), 342-359

[6] Shiv, Carmon, Ariely (2005) “Placebo Effects of Marketing Actions: Consumers may get what they pay for”Journal of Marketing Research, 42 (November) 383-393 [  #]

 [7]  Fitzsimons, Morwitz (1996) “The effect of measuring intento n brand-level purchase behavior” Journal of Consumer Reseach, 23 (June) 1-11.

 [8]  Hauser, Toubia, Evgeniou, Befurt, Silinskaia (2009) “Disjunctions of conjunctions, cognitive simplicity and consideration sets” Journal of Marketing Research, Forthcoming

[9] Schwartz (2004) “ The paradox of choice” Harper Collins.Iyengar, S. S., & Lepper, M. (2000). When choice is demotivating: Can one desire too much of a good thing. Journal of Personaliiy and Social Psychology, 79, 995-1006.

[10] Con estos modelos hay que prestar especial atención a las propiedades IID (Independence of Irrelevant Alternatives) e IIP (Invariant Proportion of Substitution). Sobre esta última propiedad –menos conocida que la primera- ver Thomas J. Steenburgh (2008) “The Invariant Proportion of SubstitutionThe Invariant Proportion of Substitution Property (IPS) of Discrete-Choice Models» Marketing Science 27, (2), 300-307. Igualmente es importante definir con precisión el presupuesto disponible para el agente. En productos de consumo frecuente esto normalmente no es un problema, pero en compras de más valor es crítico.

[11] Frecuentemente interpretado erróneamente como un modelo de elección secuencial, lo cual no es cierto. Las personas examinan todas las opciones dentro de cada rama del árbol y examinan todas las ramas del árbol.

[12] Permite asociar error a cada individuo que elige, para tener en cuenta que probablemente cada individuo use reglas de decisión algo diferente o cualquier otra variación intrínseca al agente que elige, es decir diferente de la que se debe a los atributos y la configuración de alternativas. No permite discriminar entre esas posibles formas de heterogeneidad, salvo que se introduzcan como covariables latentes, lo cual 

dificulta enormemente la estimación, ya de por sí complicada, porque esta clase de modelo no tiene una integral definida y debe ser aproximado por simulación.

[13] Chin, Erden, Keane (2006) “The Price Consideration Model of Brand Choice” Available at SSRN: http://ssrn.com/abstract=895883  (Bajado en diciembre de 2009).

[14] Fiebig, Keane,Louviere, Wasi (2009) “The Generalized Multinomial Logit Model: Accounting for Scale and Coefficient Heterogeneity” Marketing Science, published online before print July 23, 2009, DOI: 10.1287/mksc.1090.0508.

The mixed or heterogeneous multinomial logit (MIXL) model has become popular in a number of fields, especially marketing, health economics, and industrial organization. In most applications of the model, the vector of consumer utility weights on product attributes is assumed to have a multivariate normal (MVN) distribution in the population. Thus, some consumers care more about some attributes than others, and the IIA property of multinomial logit (MNL) is avoided (i.e., segments of consumers will tend to switch among the subset of brands that possess their most valued attributes). The MIXL model is also appealing because it is relatively easy to estimate. Recently, however, some researchers have argued that the MVN is a poor choice for modelling taste heterogeneity. They argue that much of the heterogeneity in attribute weights is accounted for by a pure scale effect (i.e., across consumers, all attribute weights are scaled up or down in tandem). This implies that choice behaviour is simply more random for some consumers than others (i.e., holding attribute coefficients fixed, the scale of their error term is greater). This leads to a «scale heterogeneity» MNL model (S-MNL). Here, we develop a generalized multinomial logit model (G-MNL) that nests S-MNL and MIXL. By estimating the S-MNL, MIXL, and G-MNL models on 10 data sets, we provide evidence on their relative performance. We find that models that account for scale heterogeneity (i.e., G-MNL or S-MNL) are preferred to MIXL by the Bayes and consistent Akaike information criteria in all 10 data sets. Accounting for scale heterogeneity enables one to account for «extreme» consumers who exhibit nearly lexicographic preferences, as well as consumers who exhibit very «random» behavior.

Sobre los modelos S-MNL, Fosgerau, Bierlaire (2007) “Circumventing the problem of the scale:

discrete choice models with multiplicative error terms” Ecole Polytechnique Federale de Lausanne, Transport and Mobility Laboratory.

[15] Debidas a la heterocedasticidad en el error.

[16] Parece que las decisions más complejas llevan asociadas más heterogeneidad de escala.

[17] Daley, Gani (2005) “Epidemic Modeling” Cambridge University Press

[18] Ben-Akiva et alter. (1999) “Extended Framework for Modeling Choice Behavior”  Marketing Letters, 10 (3) 187-203

[19] Hartmann et alter. (2008) “Modeling social interactions: Identification, empirical methods and policy implications” Marketing Letters, 19, 287-304.

[20] Cualquier otro procedimiento de modelización de este efecto chocará con problemas de identificación, formación endógena de grupos, correlación de unobservables, simultaneidad de efectos … que hacen prácticamente imposible obtener conclusiones de interés práctico.

[21] Duflo, E., & Saez, E. (2003). The role of information and social interactions in retirement plan decisions:

evidence from a randomized experiment. Quarterly Journal of Economics, 118(3), 815-842.  Katz, L., Kling, A., & Liebman, J. (2001). Moving to opportunity in Boston: early results of a randomized mobility experiment. Quarterly Journal of Economics, CXVI, 607–454.

[22] Salganik, M. J., Dodds, P. S., & Watts, D. J. (2006). An experimental study of inequality and unpredictability in an artificial cultural market. Science, 311, 854-856.

[23] Fleder, Hosanagar, Buja (2009)  “Recommender Systems and their Effects on Consumers: The Fragmentation Debate” Net Institute Working Paper 08-44

Fleder, Hasanagar (2008) “Blockbuster Culture’s Next Rise or Fall: The Impact of Recommender Systems on Sales Diversity” Net Institute Working Paper #07-10

[24] Godes, Mayzlin (2004) “Firm-Created Word-of-Mouth Communication: A Field-Based Quasi-Experiment” Harvard Business School Marketing Research Papers  No. 04-03

  Kozinets,  de Valck, Wojnicki, Wilner (2009) “Networked Narratives: Understanding Word-of-Mouth Marketing in Online Communities” Journal of Marketing, Forthcoming

[25] Nam, Manchanda, Chintagunta (2007) “The Effects of Service Quality and Word of Mouth on Customer Acquisition, Retention and Usage” http://ssrn.com/abstract=969770 (descargado en diciembre 2009). Xu et al.(2009) “Online Social Network and Consumer Loyalty” Thirtieth International Conference on Information Systems, Phoenix, Arizona 2009.