Cómo usar la herramienta
Abre un archivo de datos o pulsa «Usar datos de ejemplo», indica las columnas de ID del encuestado, tarea y elección, y marca las columnas de atributos. Los atributos numéricos como el precio pueden marcarse como «lineales» para estimar una sola pendiente; al elegir un atributo de precio lineal aparece la disposición a pagar. La opción «ninguno» es una fila con todos los atributos vacíos o marcada con 1 en la columna de «ninguno».
Los resultados del logit agregado aparecen al instante. Al pulsar «Ejecutar la estimación HB», el bayesiano jerárquico se ejecuta en segundo plano mostrando el progreso; al terminar, el simulador de mercado (2–6 productos) promedia las extracciones guardadas de cada encuestado y permite usar la regla de primera elección.
Método: codificación por efectos, precio lineal y bayesiano jerárquico
Los atributos categóricos con L niveles usan codificación por efectos: se estiman L − 1 parámetros y el último nivel vale menos la suma de los demás, así que las utilidades parciales de cada atributo están centradas en cero. Los atributos numéricos pueden estimarse como término lineal (centrado y escalado, con el resultado convertido a cambio de utilidad por unidad). La opción «ninguno» tiene su propia constante.
Probabilidad de elección P(elegir j) = exp(xⱼ·β) ÷ Σₖ exp(xₖ·β). El logit agregado estima la β del encuestado medio y sus errores estándar con Newton-Raphson. El bayesiano jerárquico supone βₙ ~ N(b, D) para cada encuestado y comparte con la herramienta MaxDiff el mismo motor Metropolis dentro de Gibbs, con semilla fija y resultados reproducibles.
- Importancia del atributo = rango de sus utilidades parciales ÷ suma de los rangos de todos los atributos × 100; con HB se calcula por encuestado y luego se promedia.
- Disposición a pagar = (utilidad del nivel − utilidad del primer nivel del atributo) ÷ (utilidad perdida por unidad de precio), calculada con las utilidades medias (con HB, cociente de medias).
- Límites del navegador: HB admite como máximo 5000 encuestados y 60 parámetros.
Ejemplo práctico
Los datos sintéticos de ejemplo simulan un estudio de auriculares inalámbricos: 300 encuestados, 10 tareas por persona y 3 productos más «ninguno» por tarea, 3000 elecciones en total, de las que el 17,7 % fueron «ninguno». El logit agregado (R² de McFadden = 0,164) da estas importancias de atributo: precio 44,6 %, duración de la batería 23,1 %, marca 16,5 % y cancelación de ruido 15,7 %.
El precio se estima como lineal: cada dólar adicional resta 0,0220 unidades de utilidad. Con eso, la cancelación de ruido vale unos 31,72 dólares para el encuestado medio, y pasar de 6 a 14 horas de batería, unos 46,60 dólares.
Si simulas un modelo premium (Aurora, 14 horas, cancelación de ruido, 139 dólares) frente a uno económico (Zenith, 10 horas, sin cancelación de ruido, 49 dólares), las cuotas son del 35,2 % y del 42,8 %, y un 22,0 % no elige ninguno (cuotas de preferencia del logit agregado; ejecuta HB en la herramienta para obtener cuotas basadas en cada encuestado).
Cuándo usarlo y cuándo no
El CBC encaja en la fijación de precios y el diseño de producto: qué características merece la pena incluir, cuánto valen y qué cuota de preferencia puede lograr una nueva gama frente a la competencia.
- Entre 2 y unos 8 atributos, de 2 a 15 niveles por atributo y 8 o más tareas de elección por encuestado.
- Solo necesitas ordenar una lista de claims o características: MaxDiff es más sencillo para el encuestado.
- Los encuestados valoran u ordenan productos completos en lugar de elegir: usa un análisis conjunto basado en valoraciones (SPSS CONJOINT).
- Las cuotas simuladas son cuotas de preferencia: no tienen en cuenta la distribución, la notoriedad ni las promociones y no son una previsión de ventas.
Cómo interpretar los resultados
Compara las utilidades parciales solo dentro de un mismo atributo; la importancia de los atributos depende del rango de niveles probado, y cuanto más amplio es el rango de precios, más importante parece el precio. Cuando los productos se parecen mucho, prefiere las simulaciones basadas en HB, porque el logit agregado exagera las diferencias entre productos similares.