ON MODELING
 

RESUMEN

Introducción

Modelización la utilizaremos tanto para referirnos a formas de investigar la conducta individual en tanto se basa en modelos de cómo funciona la mente como a formas de analizar los datos agregados que igualmente tratan de deducir cómo se comportan las personas. En ambos casos hay que tener en cuenta que una parte de la conducta es inexplicable o bien es puramente aleatoria. La investigación de la conducta es de hecho una batalla constante tratando de reducir la parte inexplicable –con mejores modelos- y o bien imponer orden causal sobre lo que parece una conducta puramente aleatoria o bien imponer la distribución que mejor se ajusta al comportamiento irreductiblemente aleatorio.

Grandes cambios en técnicas estadísticas

En los últimos años grandes innovaciones han tenido lugar las técnicas de modelización de datos, los cuales no puede ser ajena la industria de investigación de mercado, no por el simple hecho de “seguir la moda” sino porque representan innovaciones con un importante potencial de mejora en la precisión, el potencial predictivo y la clase de problemas que se pueden abordar.

De todas laS innovaciones que han ido apareciendo, seleccionaremos aquéllas cuyo potencial nos parece más notorio dado que hemos encontrado aplicaciones inmediatas en los servicios de The Bayes Clover Company:

• Modelización bayesiana[1]: permite incorporar la información de que disponemos y realizar análisis más precisos que con la estadística clásica, cuando, como suele ser el caso en la mayoría de los estudios de mercado, no está clara cuál es la distribución que se aplica.
• Diseño experimental óptimo[2]: cuando conocemos la clase de modelo que queremos ajustar a los datos, en función del problema que tenemos delante, permite trabajar con muestras que optimizan la potencia del modelo.
• General Linear Mixed Modeling[3]: permite llevar el clásico análisis de la varianza, a un nivel muy superior de precisión. Cuando tenemos medidas repetidas sobre los mismos sujetos podemos tener en cuenta la correlación en las medidas debida por ejemplo al aprendizaje o al efecto disonancia cognoscitiva. Si tenemos individuos que comparten determinada clase de atributo –por ejemplo, son usuarios de una marca- podemos tener en cuenta el impacto de este factor en la media de otra medida –por ejemplo la intención de compra-. En este segundo caso, el modelo es conocido como multilevel modeling.
• Generalized Mixed Modeling[4]: las mismas virtualidades que el linear, pero lidiando con variables en niveles de medición nominal u ordinal y distribuciones adecuadas para esta clase de variables, muy frecuentes en marketing.  
• Choice Modeling: en la predicción de elecciones de marca, cuando se tiene en cuenta la heterogeneidad que resulta de características idiosincráticas de los individuos –no solamente las diferencias de atributos entre las alternativas, también se habla de mixed choice modeling[5]. Este desarrollo, junto con el llamado Adaptive Choice Based Conjoint[6] –la posibilidad de que cada individuo configure su set específico de marcas entre las cuales realizar las tareas de choice- añade un plus de validez ecológica muy significativo a esta técnica.
• Latent Modeling: las innovaciones en la modelización de variables latentes son muchas. Las más relevantes son:
  • Clases latentes[7]: la idea esencial es que la muestra con la que trabajamos resulta de varias distribuciones, que pueden ser separadas con una variable latente en grupos diferentes, de modo que las relaciones entre las variables desaparecen. Este enfoque se puede combinar con regresión para realizar un análisis de drivers, o igualmente se puede combinar con choice, para utilizar la variabilidad debida a como los individuos evalúan las opciones, en segmentación por utilidad. Es la técnica más robusta de análisis de drivers en presencia de segmentos.
  • Path PLS (Project of Latent Structure)[8]: específicamente recomendada en análisis de drivers.
  • Latent Grow Curve[9]: en estudios sobre los mismos individuos, se puede modelizar la trayectoria de cada individuo en función de covariables.

• Item Response Theory[10]: aunque puede ser clásificada como una técnica de análisis de variables latentes, merece una consideración separada, dado que lo que podría llamarse psicometría moderna –en oposición a la psicometría clásica basada en la teoría clásica de los test- se asienta en la teoría de respuesta al ítem y los diferentes modelos que se van proponiendo. Es de hecho una de las herramientas más calientes de la investigación psicológica. Rompe por completo con la psicometría clásica y está llamada a tener un impacto creciente en el modo como diseñamos las escalas de investigación de mercado, al igual que ha afectado al modo como se diseñan los test para medir habilidades o rasgos psicológicos. La idea esencial es la función de información del ítem y que tanto el ítem como el individuo se miden en la misma escala. Dado que sabemos la capacidad que tiene un ítem de medir un cierto rasgo y podemos determinar si el individuo supera o no el ítem –si estamos midiendo una habilidad- o si estamos con escalas tipo likert, la medida en la cual el sujeto endorsa en ítem en una escala, podemos determinar en qué medida en individuo posee el rasgo que el ítem mide. Esto permite trabajar con escalas mucho más pequeñas, donde la clave está en trabajar con ítems con funciones de información sobre el rasgo convenientemente balanceadas para que discriminen adecuadamente a los individuos. Los modelos más probados son unidimensionales –la escala mide un solo rasgo- pero existen modelos para escalas multidimensionales y como hemos dicho para variables dicotómicas o con 3 o más opciones basados en diferentes asunciones sobre como el individuo usará la escala.

• Propensity score[11]: con frecuencia en la investigación de mercado nos enfrentamos a situaciones que son puramente observacionales –cuál es el impacto de una acción sobre potenciales consumidores-. En la medida en que no hay asignación aleatoria al grupo de tratamiento y a un posible grupo de control, la evaluación del impacto resulta dificultosa toda vez que es complejo establecer causalidad. Propensity score es una manera de abordar esta situación.

• Set Theory[12]: La mayor parte de los análisis basados en regresión se asientan en la idea de simetría entre las variables independientes y las variables dependientes. Pero hay problemas que no se adecúan bien a este esquema –por ejemplo si queremos ver la relación entre touch points y equity de marca-. En problemas de este tipo, el análisis de condiciones necesarias y condiciones suficientes basadas en algebra booleana y teoría de conjuntos –midiendo consistencia y cobertura- es una métrica mucho más adecuada.

• Data Mining: los desarrollos en data mining son muchos y crecen por minutos. Nos interesa especialmente reseñar los modelos de clasificación, cuando no hay hipótesis específicas sobre las muestras o poblaciones con las que trabajamos y modelos para estabilizar el análisis de drivers cuando se trabaja con regresión –Random Forest- que permiten obtener soluciones estables en presencia de colinearidad.

Ninguna de estas técnicas supone eliminar las técnicas más convencionales de análisis multivariable[13] más o menos conocidas y utilizadas en la investigación de mercado. Los avances que hemos seleccionado o bien resuelven problemas crónicos de algunas de estas técnicas –como la regresión- o bien permiten modelizar con mayor precisión situaciones que eran abordadas tradicionalmente con técnicas menos precisas.

Innovaciones en paradigmas de recogida de información

La investigación de mercado se alimenta esencialmente de técnicas tomadas de la investigación psicológica, adaptadas para tratar problemas de marketing.

En los últimos años, se han acumulado una ingente cantidad de evidencias sobre la existencia del subconsciente –que para no confundirlo con el subconsciente freudiano- llamaremos nuevo subconsciente, y sobre la posibilidad de investigar la mente no únicamente con evidencias físicas sobre el cerebro, sino con aproximaciones indirectas de dos tipos:

1. Observando comportamientos que pueden ser relacionados con tareas de la mente sin mediación del lenguaje: eye tracking, paradigmas de tiempo.
2. Variables latentes.

En otros lugares, hablamos más extensamente de la relevancia de los procesos controlados por tarea –top dow process- y medidos con eye tracking, para analizar una extensa variedad de problemas de marketing.

Paradigma de tiempo: IAT

Nos vamos a detener aquí en el paradigma de tiempo, porque tiene una aplicación inmediata en la investigación de actitudes, específicamente en actitudes sobre las que pesan algún tipo de “maldiciones” sociales y que son muchas más de las que puede parecer a priori. Entre estas están algunas de las más relevantes –sexo, dinero, autoridad, placeres, …- . En el caso de estas actitudes habría una teoría en uso –que es la socialmente aceptable- y una práctica subconsciente que es la que controla todas las actividades que no son sometidas a escrutinio y control consciente. Yo puedo decir que detesto cierta clase de manifestaciones de riqueza mostrada en joyas, pero al mismo tiempo mostrar una preferencia subconsciente por las mujeres que llevan joyas –y que son iguales en todo lo demás (específicamente su atractivo físico)- En este caso tengo una actitud explicita y otra actitud implícita o subconsciente. Un modo ingenioso de hacer evidentes la presencia de esta clase de actitudes y explicar aparentes inconsistencias entre lo que elijo y lo que manifiesto que elegiré si se me pregunta por mis actitudes con técnicas convencionales, es mediante el paradigma de tiempo. El tiempo necesario para elaborar respuestas que son consistentes en el subconsciente es menor que el tiempo necesario para elaborar respuestas consistentes en el consciente, debido a las vías de conexión cerebral que debe recorrer una respuesta y otra antes de manifestarse. Apalancando sobre este dato es como se construye el Implicit Association Test. Algo similar aparece cuando las personas pierden el control sobre sus recursos cognitivos, al forzar su atención sobre otros temas. Así por ejemplo, si como sucede a la mayoría de los humanos, yo tengo serios prejuicios sobre los extranjeros –creo que no son de fiar, sucios, peligrosos y vienen a quitar el empleo a los nacionales- pero dado que esto no es políticamente correcto o incluso yo mismo creo que es una generalización injustificada –los hay buenos y malos como en todos los grupos- cuando pierdo el control cognitivo –por ejemplo acabo de sufrir un choque de tráfico contra uno de ellos- es muy probable que mis prejuicios profundos emerjan y comience una discusión de tono xenófobo –si no estuvieran aquí no habría chocado con ellos y mi coche estaría incólume-. Naturalmente para hacer investigación comercial no podemos ir por ahí provocando accidentes de tráfico, pero si podemos hacer un IAT y observar como las asociaciones entre atributos negativos y extranjero se endorsan mucho más rápido que las asociaciones positivas y extranjero. Cuanto mayor sea la diferencia más grande será el prejuicio.

Paradigma de disociación: PDF

Un principio de disociación –Process Dissociation Framework- es el que podemos aplicar para determinar lo que ya está en una marca y lo que le acaba de aportar un anuncio, de tal manera que podamos distinguir entre la contribución explícita, la contribución implícita y la contribución neta. Las gentes procesan la información en un doble nivel: en condiciones de atención normal los aspectos más sobresalientes pueden procesarlos a nivel consciente y los aspectos menos sobresalientes los procesan a nivel subconsciente. En condiciones de baja atención –como suelen procesarse los anuncios- incluso aspectos sobresalientes pueden procesarse a nivel subconsciente. PDF pone de relieve que el debate[14] sobre a qué medidas de eficacia publicitaria debe prestarse atención –a las que capturan el proceso consciente o a las que capturan  el proceso subconsciente- es un falso debate, porque el nivel del proceso no depende únicamente del mensaje en sí mismo, sino también de las condiciones de la atención, es decir, la saliencia y las condiciones de atención interaccionan, de modo que capturar la totalidad del impacto publicitario requiere prestar atención a ambos tipos de medidas.

Variable latente con error aleatorio

Uno de los avances más significativos en la modelización psicológica en los últimos años se sitúa, como ya hemos señalado, en la modelización de variables latentes.

Los modelos de ecuaciones estructurales[15] –basados en la covarianza- con su doble dimensión de modelo de medida y modelo de relaciones estructurales que últimamente se han extendido a medidas repetidas –con el grow curve model- y los modelos de path projection of latent structur (PPLS) –basados en la varianza-, junto con los citados modelos IRT –que dan una nueva dimensión a la función de información del ítem-  han creado un entorno sólido con el que afrontar la modelización de variables latentes.

Por otra parte, mucha de la investigación psicológica sobre toma de decisiones realizada en los últimos años han evidenciado no solamente que las gentes no toman decisiones según el modelo de racionalidad “clásico”, sino que usan diferentes atajos “heuristics” para decidir que no implican la ponderación exahustiva de  las características y valor de cada alternativa de acción. Y también ha mostrado fehacientemente algo que todo el que haya puesto años sabe: que las personas, sus decisiones, sus justificaciones y sus valores cambian con el tiempo y las circunstancias de la decisión.

Todos estos avances por una parte muestran lo ilusorio de ciertos modelos de comportamiento que alimentan algunas “ciencias” como la economía –que en una de sus ramas más extendidas aparece pura y simplemente como un sistema de creencias, no especialmente afortunado, sobre lo que debería ser el comportamiento humano, no necesariamente sobre lo que es (y en este sentido normativo no es una ciencia sino una manifestación moral)– y por otra parten evidencian lo complejo de la modelización predictiva del comportamiento humano. 

Muchas de las decisiones relevantes para el marketing caen bajo alguna de las reglas de decisión heurística y muestran bastante sensibilidad a las circunstancias, es decir, son particularmente inestables.

Por ejemplo la fidelidad –conducta repetida de compra- y la lealtad –conducta repetida de compra con vínculo emocional con la marca- responden a una clase de heurística y aleatoriedad que puede modelizarse con IRT, como hemos hecho en Customer_Capital y validarse con la resistencia al impacto (contextual) de los Touch Points de la competencia. Una buena noticia, toda vez que es la primera vez en el mundo que se realiza esta clase de modelización.

Q paradigm: mapeando las ideas y proyectando los individuos

La mayor parte de la investigación realizada en investigación de mercado se hace dentro del paradigma R.

Un enfoque alternativo, apenas usado, pero especialmente interesante para investigar cuantitativamente la subjetividad y a partir de ella, los discursos socialmente circulantes en individuos reales, es el Q paradigm[16].

Notas

[1] La bibliografía sobre análisis bayesiano de datos está creciendo exponencialmente, así como las aplicaciones. Un buen punto de entrada puede ser Bolstad. Introduction to bayesian statistics: John Wiley& Sons, 2007. Y una buena continuación práctica es Ntzoufras. Bayesian Modeling using WinBugs: Wiley, 2009.

[2] Berger, Wong. An introduction to optimal designs for social and biomedical research: Wiley, 2009. Street, Burgess. The Construction of Optimal Stated Choice Experiments: Theory and Methods: Wiley-Interscience, 2007.

[3] West, Welch, Galecki. Linear Mixed Models. A practical guide using statistical software: Chapman & Hall/CRC, 2007. Skrondal, Rabe -Hesketh. Generalized Latent Variable Modeling: Chapman & Hall/CRC, 2004.

[4] McCullagh, Nelder. Generalized Linear Models: Chapman & Hall/CRC, 1997. McCulloch, Searle, Neuhaus. Generalized, Linear and Mixed Models: Wiley Interscience, 2008. Jiang. Linear and Generalized Linear Mixed Models and Their Applications: Springer, 2009.

[5] Train. Discrete Choice Methods with Simulations: Cambridge University Press, 2009.

[6] Richard M. Johnson & Bryan K. Orme, A New Approach to Adaptive CBC Sawtooth Software, Inc.

[7] Dayton. Latent Class Scaling Analysis: Sage, 1998. Hagenaars, McCutcheon. Applied Latent Class Analysis: Cambridge University Press, 2002. McCutcheon. Latent Class Analysis: Sage, 1987. Mitchell. Latent Class Scaling Analysis: Sage, 1998.

[8] Vinzi, Chin, Henseler, Wang (2010)”Handbook of partial least squares: Concepts, Methods and Applications” Springer

[9]Bollen, Curran. Latent Curve Models. A structural equation perspective: Wiley, 2006.

[10] Referencias imprescindibles son Embreston, Reise. Item Response Theory for Psychologists: Lawrence Erlbaum Associates, Publishers, 2000. Ayala, De. The theory and practice of item response theory: Guilford, 2008. Baker. Item Response Theory: Parameter Estimation Techniques: CRC, 2004. Ostini, Nering. Poltytomous Item Response Therory Models: Sage Publications, 2006. Reckase. Multidimensional Item Response Theory: Springer, 2009.

[11] Rosembaum. Observational Studies: Springer, 2002. Rubin. Matched Sampling for Causal Effects: Cambridge University Press, 2006.  Guo, Fraser (2009)“Propensity Score Analysis” Sage. Morgan, Winship. Counterfactuals and causal inference. Methods and principles for Social Research: Cambridge University Press, 2007. El otro método es el de instrumental variables utilizado en econometría: Heckman (2008)  “Econometric Causality” IZA DP No. 3425 Forschungsinstitut zur Zukunft der Arbeit. Pearl (2009) “Causal inference in statistics” Statistics Surveys, 3, 96-146. Pizer. «An intuitive review of methods for observational studies of comparative effectiveness.» Health Services and Outcomes Research Methodology 9, no. 1 (2009): 54-68.

[12] Ragin. Redesigning Social Inquity. Fuzzy sets and beyond: University of Chicago Press, 2008.

[13] Como se pueden describir en un manual enciclopédico como Tabachnick, Fidell. Using Multivariate Statistics, 2007, con 15 años de vida.

[14] Alimentado por personas como Jones. When Ads Work. New Proof that Advertising Triggers Sales: Lexington Books, 1995.

[15] Bollen. Strutural Equations with Latent Variables: Wiley, 1989.

[16] Bruce F. McKeown, Dan B. Thomas (2013) Q Methodology. Sage

Simon Watts, Paul Stenner (2012)  Doing Q Methodological Research: Theory, Method & Interpretation. Sage