Professional Documents
Culture Documents
Acciones de la
competencia
Modelo de
Acciones de Respuesta observada
respuesta de
marketing del mercado
mercado
Diseño producto Nivel de ventas
Precio Nivel de preferencia
Promociones Participación de mercado
Publicidad
Condiciones
del ambiente
Estacionalidades
Tendencias
Ciclos
Los MRM pueden combinarse con otras herramientas analíticas y así constituir la base
para sistemas de apoyo a la toma de decisión (SATD).
Algunas de estas ecuaciones son muy fáciles de obtener (por ejemplo, ecuaciones que
describan el objetivo del gerente como maximizar ventas o minimizar costos, y
ecuaciones que describan restricciones como el presupuesto total de marketing o
promociones preestablecidas) mientras que otras son difíciles de modelar.
Uno de los desafíos más grandes en la implementación de un SATD, es la habilidad de
especificar el conjunto de ecuaciones que describen el MRM.
El MRM juega un rol clave en la eficacia y rentabilidad de la implementación de un
SATD.
y y
Lineal Retornos
decrecientes
x x
y Retornos
y Forma de
crecientes “S”
x x
Consideremos por ejemplo un modelo muy simple de una variable, y=a+bx, cuya forma
funcional es lineal. La variable de respuesta o dependiente es “y”, la variable explicativa
o independiente es “x”, y “a” y “b” son los parámetros del modelo que junto a la forma
funcional establecen la relación entre las variables independientes y la dependiente.
Hay otros modelos que se ajustan mejor a otras situaciones (ver Figura 2). Uno con
retornos decrecientes indica que cada unidad adicional de la variable independiente
entrega un retorno menor al que entregó la última unidad. En uno con retornos crecientes
ocurre justo lo contrario, cada unidad adicional tiene un mayor retorno que la anterior.
Un modelo con forma de “S” es una combinación de los dos anteriores. Por ejemplo, la
publicidad podría tener forma de “S”, ya que al invertir en aumentar el número de veces
que las personas están expuestas a una publicidad los retornos son crecientes, luego son
localmente lineales, y finalmente son decrecientes.
Cuando se consideran simultáneamente varias variables de marketing en un modelo hay
que tener presente que podría haber interacción entre ellas. Para modelar este aspecto se
podría considerar una forma funcional multiplicativa pura (ambas variables aparecen
multiplicándose en el modelo) o una forma funcional multiplicativa-aditiva (además del
producto de ambas variables se suman dos componentes adicionales, ver la siguiente
ecuación).
y = β 0 + β1 x1 + β 2 x2 + β 3 x1 x2
Por consiguiente, si se escoge una forma funcional puramente aditiva, entonces estamos
asumiendo abiertamente que no hay interacción entre las variables.
Este tipo de interacciones puede ocurrir tanto dentro de la empresa (relación entre dos
productos sustitutos o complementarios) como entre empresas (relación entre el producto
de la empresa y el de su competidor).
4. Calibrando los MRM con la Investigación de Mercado
La Investigación de Mercado (IM) involucra un conjunto de actividades que apoyan a los
gerentes en la reducción de incertidumbre en las diferentes opciones entre las cuales ellos
deben tomar una decisión. La investigación de mercado tradicionalmente involucra
encuestas, pero también puede involucrar el análisis de datos existentes en la base de
datos de alguna compañía o puede la observación sistemática de interacciones de los
clientes con la empresa. El denominador común de estas actividades es que siguen un
proceso sistemático y son planeadas deliberadamente para apoyar a los gerentes en la
toma de decisiones.
La IM “concluyente” es usada para probar teorías o bien para generalizar resultados.
Probar teorías es muy útil para evaluar la efectividad de textos publicitarios, donde los
gerentes quieren saber cuál, de un conjunto de diferentes opciones, es la indicada para
alcanzar un objetivo determinado (como por ejemplo, mejorar la imagen de la empresa).
La IM concluyente también puede ser usada cuando los gerentes quieren extrapolar a
toda la población las propiedades observadas en una muestra (por ejemplo, esta población
podrían ser sus clientes actuales, o sus clientes potenciales, o todos los residentes de
Santiago).
La calibración de un MRM es un ejemplo importante de IM concluyente. Un MRM bien
definido y correctamente calibrado mejorará considerablemente las estimaciones que
hace un gerente de los efectos que pueden tener diferentes acciones de marketing.
La lista de factores que pueden afectar la demanda dependerá no sólo de la industria y de
su contexto geográfico sino que también de particularidades de la empresa.
Por esta razón es clave ajustar los MRM a la situación particular enfrentada por cada
gerente que usará el modelo para tomar decisiones.
La calibración del modelo corresponde a la determinación de valores para los parámetros
que hacen que el modelo se ajuste de la mejor forma a los datos observados. Para esta
calibración se puede utilizar una combinación de métodos estadísticos junto a la
experiencia e intuición de expertos.
Los datos históricos son muy importantes en la estimación de la respuesta de clientes
frente a acciones de marketing, pero muchas empresas se han dado cuenta del valor que
tiene realizar experimentos para afinar algunos de los parámetros calibrados del modelo.
Los experimentos controlados permiten aislar el impacto marginal de políticas específicas
mientras todos los demás factores se mantienen constantes, realizando además un
monitoreo preciso de las acciones de la competencia durante el experimento.
Todo gerente que tome decisiones que tengan impacto en el comportamiento futuro de
sus clientes debiera construir sus MRM. Con ellos podrá tomar decisiones informadas
haciendo un adecuado uso de la información almacenada por la empresa, e incorporando
múltiples aspectos que simplemente el cerebro humano no es capaz de considerar en
forma simultánea.
No existe la IM perfecta y siempre hay algún grado de incertidumbre en la calibración de
los MRM, pero ésta puede ser cuantificada. Los gerentes no tienen necesariamente que
entender los detalles técnicos de cómo será realizada la investigación ni de cómo los
modelos son analizados. Sin embargo, deben conocer cuáles factores fueron considerados
y cuánta incertidumbre respecto de estos factores puede ser reducida por los resultados de
la investigación.