TRABAJO FINAL METODOS NELSON
Descripción
Nelson Vercher Tort
ESADE, 2015
Métodos de Investigación en Dirección de Empresas -‐
Tesla Motors Inc.
2
Métodos de Investigación en Dirección de Empresas -‐ Tesla Motors Inc.
Índice: 1. Introducción .………………………………………………………………………………………………………………4 2. Firma y problemática ……………..…………………………………………………………………………………..5 3. Solución ……...……………………………………………………………………………………………………………..6 §
Análisis de Componentes Principales (ACP) ……………………………………………………….…..7
§
Análisis clúster ……………….…....………………………………………………………………………………..9
4. Conclusiones …………..…………………………………………………………………………………………………11 5. Referencias ..……………………………………………………………………………………………………………..12 6. Detalles ..………………………………………………………………………………………………………………12
Métodos de Investigación en Dirección de Empresas -‐ Tesla Motors Inc. 3
4
Métodos de Investigación en Dirección de Empresas -‐ Tesla Motors Inc.
Introducción El trabajo escogido se basa en las aplicaciones de herramientas estadísticas en el ámbito de la segmentación de mercado. En efecto, dicha elección se justifica por el deseo de querer tratar los conceptos estudiados en la asignatura de métodos de investigación desde una dimensión más real. Se ha tratado pues de combinar un enfoque teórico que acompaña y apoya la práctica, implementada a través de SPSS. A pesar de partir inicialmente de R, la dificultad añadida de no disponer de interfaz gráfico nos hizo pasar a SPSS, el cual pensamos que también será más intuitivo para los más neófitos en la materia. Querríamos destacar que, en nuestro caso, la dificultad no estuvo tanto en la ejecución de los estudios en el software, sino en haber asimilado correctamente el marco teórico proporcionado durante las clases, y tener un esquema mental claro de lo que se estaba haciendo en todo momento con las herramientas utilizadas – ACP o Clúster, en nuestro caso. Finalmente, tenemos que admitir que en un principio este trabajo nos asustaba un poco debido a la potente base de datos con la que debíamos trabajar. Pero una vez empezado el trabajo y visto cómo se tenía que analizar dicha base de datos, se ha podido constatar cómo de un montón de información que a simple vista no aporta ningún conocimiento adicional, se pueden sacar numerosas conclusiones sobre si una variable mantiene una relación o no con otra, o bien si un determinado factor depende de una variable, entre mucha más información. Como comentábamos más arriba, plantearemos a continuación un caso ficticio en el cual una empresa tuviese un problema. Analizaremos pues la naturaleza de dicha empresa, aislaremos su problemática, y trataremos de resolverla a través de un análisis de componentes principales y un análisis clúster. Por último, trataremos de sacar conclusiones a partir de los análisis realizados.
Métodos de Investigación en Dirección de Empresas -‐ Tesla Motors Inc. 5
Firma y problemática Tesla Motors Inc. (http://www.teslamotors.com) es una start-‐up automóvil basada en Silicon-‐Valley, centrada en la producción de vehículos eléctricos de alto rendimiento, con diseños, tecnología, rendimiento y eficiencia excepcionales. Habiendo anunciado el pedido número 500 de su biplaza descapotable en junio del 2009, la compañía ha decidido plantearse la viabilidad de una expansión en el mercado Europeo. Sin embargo, la empresa dispone actualmente de una experiencia limitada en dicho mercado, el cual presenta características distintas a las del mercado estadounidense. Por esta razón, Tesla, después de participar en el Career Forum de ESADE y comprobar la sólida formación de los estudiantes, ha decidido contratar a 5 de ellos con el objetivo de que realicen una propuesta de segmentación para la startup.
6
Métodos de Investigación en Dirección de Empresas -‐ Tesla Motors Inc.
Solución
Lo primero que llevaron a cabo los estudiantes fue un análisis de mercado de los fabricantes de coche en Europa, basándose en las siguientes características de los coches (nombre de las variables entre paréntesis): § § § § § § § § §
Cilindrada (displacement) Par motor o torque en Nm (moment) Caballos de vapor (horsepower) Longitud en mm (length) Ancho en mm (width) Peso neto en kg (weight) Volumen interior en litros (trunk) Velocidad máxima en km/h (speed) Aceleración 0–100 km/h en segundos (acceleration)
La muestra, de 15 observaciones y recogida de forma aleatoria, es recogida en Fig. 9.14. Nótese que se ha usado una muestra pequeña con el objetivo de ilustrar el proceso de clustering, ya que en la práctica se usarían muestras mucho más grandes.
Antes de proceder al análisis de clúster con el objetivo de poder hallar segmentos a partir de nuestra muestra aleatoria, debemos examinar las variables en búsqueda de colinealidad. A simple vista, podemos sospechar la existencia de altas correlaciones entre algunas de estas variables. Por ejemplo, esperaremos una alta correlación entre velocidad y aceleración. Dadas estas circunstancias, podemos resolver este problema de colinealidad mediante un análisis de componentes principales, el cual nos dará unos factores sobre los cuales realizar posteriormente el análisis clúster en cuestión. Ya que estos factores son, por definición, independientes, nos permitirán una gestión efectiva de dicho problema.
Métodos de Investigación en Dirección de Empresas -‐ Tesla Motors Inc. 7
1) Análisis de componentes principales La matriz de correlación en Tabla 1 nos confirma la existencia de diversos pares de variables altamente correlacionados. Por ejemplo, la cilindrada (displacement) está altamente correlacionada con el par motor (moment, correlación = 0,875) y con los caballos (horsepower, correlación = 0,983). La matriz de correlaciones, de esta forma, nos permitiría hacernos una idea sobre la potencial estructura de los factores. Aún así, a este punto del análisis, estamos más interesados por averiguar si las variables están lo suficientemente correlacionadas como para realizar un análisis de componentes principales. A modo de confirmación, observamos en la parte inferior de la Tabla 1 que los p-‐values son extremadamente bajos. Estos resultados nos indican, pues, que las variables están lo suficientemente correlacionadas
Tabla 1
8
Métodos de Investigación en Dirección de Empresas -‐ Tesla Motors Inc.
Ahora podemos pasar a analizar la tabla de proceso de extracción de factores, Tabla 2. Tabla 2 nos enseña una lista de Eigenvalues o valores propios asociados con cada factor antes de la extracción, después de la extracción, y después de la rotación. Aquí podemos observar que el primer factor tiene un Eigenvalue de 7,349. Ya que constamos de 9 variables en nuestro conjunto de datos, éste factor cuenta por un 7,349/9 = 81,653% de la varianza total, la cual está indicada a su vez en la tercera columna. Como podemos ver, es increíble que usando un solo factor en vez de siete variables, logremos explicar más del 80% de la varianza total.
Tabla 2
La segunda columna, “Extraction Sums of Squared Loadings”, contiene los factores después de la extracción. Por defecto, SPSS extraer todos los factores cuyos valores propios sean mayors que 1. Esto nos lleva a una solución compuesta por 2 factores extraidos, los cuales cuentan un 94,402% de la varianza total. La parte final de la table, “Rotation Sums of Squared Loadings”, expone los factores después de rotarlos. La rotación se lleva a cabo para optimizer la estructura de los factores, con el objetivo de facilitar su interpretación. Sigamos evaluando los resultados interpretando los factores. Para ello, observemos la matriz de componentes rotados directamente (Tabla 3). Podemos observar como el factor 1 correlaciona altamente con las variables cilindrada (displacement), caballos (horsepower), velocidad máxima (speed), y aceleración (acceleration). Ahora que ya sabemos con que variables correlaciona más el factor 1, procedamos a nombrarlo. En este sentido, una posibilidad sería, por ejemplo, identificarlo como “deportividad”. Por último, con el objetivo de simplificar este caso, solo retendremos el factor 1 para realizar el análisis clúster. Tabla 3
Métodos de Investigación en Dirección de Empresas -‐ Tesla Motors Inc. 9
2) Análisis clúster 2.1) Hierarchical Cluster Analysis En primer lugar procedemos a un clúster de tipo jerárquico. Fijémonos en el dendograma, tabla 4. Éste se lee de izquierda a derecha. Las líneas verticales son objetos y clústeres agrupados – su posición indica la distancia a la cual se producirá la fusión. Nótese que SPSS altera las distancias en una escala de 0-‐25; esto es, la última fusión para pasar a un único clúster es a la distancia 25 (escala aplicada). Tabla 4 De cara a ser más precisos, hemos especificado a SPSS un rango de clústeres de entre 2 y 4. SPSS también genera el mismo resultado pero añadiendo 3 variables adicionales a nuestro conjunto de datos -‐tabla 5, los cuales reflejan la afiliación a los diferentes clústeres para cada observación de nuestro análisis. Cuando observamos los resultados, una solución compuesta por 3 segmentos parece la más prometedora. En ella, el primer segmento comprendería coches compactos, mientras que el segundo comprendería coches deportivos, y el tercero coches berlinas. En contraste, una solución basada en 2 segmentos parecería ser considerablemente imprecisa considerando las amplias diferencias en el mix de coches berlinas y coches compactos.
Tabla 5
10 Métodos de Investigación en Dirección de Empresas -‐ Tesla Motors Inc.
Procedemos pues a representar la propuesta de clúster en 3 segmentos a través de un scatter plot – tabla 6. Óbservese que la interpretación de esta gráfica es totalmente lógica : el eje x está distribuido según el nivel de deportividad, por lo que tiene sentido que los coches compactos estén a la izquierda que los cochces deportivos y berlinas.
Tabla 6
2.2) TwoStep Cluster Analysis Como última parte de nuestro análisis, realizamos un análisis clúster “TwoStep”, de cara a contrastar nuestro análisis jerárquico previamente realizado. La ventaja principal del algoritmo TwoStep es que permite la selección automática del número de clústeres. La parte inferior del gráfico Tabla 7 – tabla 7 indica la calidad de la propuesta de clúster. “Silhouette measure of cohesion and separation” es una medida de la calidad global de la propuesta de clúster. Se basa esencialmente En las distancias medias entre los objetos, y puede variar entre -‐1 y +1. Específicamente, una medida de silueta menor a 0,20 indica una baja calidad de la solución de clúster, mientras que una medida mayor que 0,50 indica una buena calidad. En nuestro caso, la medida indica una calidad de clúster satisfactoria.
Métodos de Investigación en Dirección de Empresas -‐ Tesla Motors Inc. 11
Conclusiones Frente a la petición inicial de Tesla Motors, trabajamos en 3 pasos: 1) Investigación de muestra aleatoria, a partir de 9 variables iniciales. 2) Análisis ACP. Hemos logrado convertir una cierta cantidad de variables, que habrían dificultado el proceso de análisis y extracción de conclusiones, en 1 factor explicativo anteriormente citado: deportividad. Tras esta reducción de dimensiones a partir de este factor o combinación lineal de las variables iniciales, pudimos pasar a identificar las características de los diferentes tipos de coches presentes en la muestra de forma más simple, y por tanto más eficaz. 3) Análisis Clúster. Una vez reducidas estas dimensiones, realizamos el análisis clúster con el objetivo de segmentar nuestra muestra en un número óptimo de segmentos. Finalmente, ante distintas posibilidades, y extrapolando al mercado automóvil, una segmentación en 3 clústeres es la que nos pareció la más adecuada.
12 Métodos de Investigación en Dirección de Empresas -‐ Tesla Motors Inc.
Referencias § § § §
StatisticsSolutions -‐ Conduct and Interpret a Cluster Analysis SPSS: A concise guide to market research SPSS Brief Guide 15.0 http://www.geocities.ws -‐ Análisis de Componentes Principales (Curso R)
Detalles § §
Caracteres (sin espacios): 9338 Palabras: 1654
Lihat lebih banyak...
Comentarios