TRABAJO FINAL METODOS NELSON

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