En definitiva, poder definir lo que muchos denominan el “Diamante del Consumidor”, por el símil con sus aristas (los beneficios o atributos relevantes) y planos (los targets potenciales con sus perfiles, valores y actitudes).

Por otro lado, hay además mercados en los que por la innovación constante, van surgiendo continuamente nuevos beneficios a considerar, mientras que otros son más estables, con cambios más a largo plazo.

Desde Investigación de Mercados se suele resolver este problema de Marketing con estudios en fases sucesivas en los que normalmente primero se realiza un Estudio Cualitativo con Dinámicas de Grupo y/o Entrevistas en Profundidad para detectar qué beneficios o atributos son los relevantes, y posteriormente un Estudio Cuantitativo con encuestas a grandes muestras de público potencial para dimensionar su importancia.

En este Estudio Cuantitativo el procedimiento habitual suele ser dimensionar los beneficios o atributos del producto o servicio que se han detectado como relevantes en la fase cualitativa en escalas numéricas en las que se le pide al entrevistado valorar la importancia y la intención de compra subjetivas de un producto o servicio que pudiera ofrecer ese beneficio o atributo. Ambas medidas se suelen cruzar luego entre sí para obtener un mapping de relevancia. Posteriormente se suelen aplicar Técnicas de Análisis Estadístico Multivariante, como el Análisis Factorial de Componentes Principales y el Análisis de Cluster k-means, con el fin de obtener tipologías y realizar una segmentación del target.

Este Estudio Cuantitativo se suele repetir cada determinado periodo de tiempo, en oleadas, como técnica de seguimiento para evaluar posibles cambios en las percepciones de relevancia de los beneficios o atributos en el target.
Este enfoque tradicional no deja de estar exento de críticas, especialmente por su falta de operatividad y ser poco accionable para Marketing.

¿Por qué es un enfoque poco operativo y accionable para Marketing?
La valoración en escalas numéricas (puntuar la importancia en una escala de “0” a “10”, dónde “0” sería “No es nada importante” y “10” “Es muy importante”, o escalas tipo Likert, de “Totalmente en desacuerdo” a “Totalmente de acuerdo”) tiene como ventaja su robustez de medición estadística al ser escalas de intervalo, dado que luego permiten potentes análisis estadísticos multivariantes en el momento de realizar segmentaciones, pero tiene dos grandes inconvenientes:
• Si se han de evaluar muchos atributos (más de 12-15, y ello aún se ve más incrementado según la dificultad conceptual de estos atributos), se hace pesado y farragoso de contestar, yendo en detrimento de la calidad de las respuestas a la encuesta.
• Las técnicas de puntuación suelen tener como problema específico una baja discriminación (poca diferencia entre las medias de los ítems), lo que dificulta la claridad de la interpretación de la información para Marketing, y poder valorar las diferencias de importancia entre los beneficios o atributos.

El ranking final de puntuaciones medias que se obtiene suele ser poco discriminante, dificultando la interpretación y la subsiguiente toma de decisiones de Marketing, y más aún, en determinados casos se puede hacer difícil un seguimiento estratégico con técnicas de tracking en oleadas sucesivas por esta pobre sensibilidad.

Dicen los expertos que para que una técnica desarrollada en Investigación Básica pase a la Investigación Aplicada y por tanto, a su uso en el mundo de la empresa, suelen transcurrir de diez a quince años como tiempo necesario para poder optimizarla hasta que se desarrollan mejoras estadísticas y aplicaciones de software.

A principios de los 90 se desarrolló la técnica “Maximum Difference Scaling”, más popularmente conocida como “MaxDiff” en el entorno de los Estudios de Mercado, muy en boga en la actualidad y que ha llegado ya a su madurez en mejoras estadísticas y desarrollos de software.

Es una técnica que, en lugar de puntuar en escalas, se les presenta a los entrevistados bloques de ítems a valorar (un mínimo de 3 ítems en cada bloque y, como recomendable un máximo de 5, según su dificultad conceptual para valorarlos). A los entrevistados se les pide que señalen el que es más importante para ellos y el que es menos importante.

Los bloques de ítems a presentar se generan a partir de un cálculo estadístico según un diseño ortogonal de forma que la cantidad de preguntas que se le hacen al entrevistado se reduce a un mínimo estadísticamente razonable, y se puede valorar un número elevado de ítems porque las combinaciones que se generan reducen lo máximo posible el número de bloques pero de manera que todos los ítems son valorados.

Es una forma de contestar menos tediosa y racional que puntuar en escalas: No es tan pesado contestar 10 bloques de 3 ítems señalando sólo el que es “más importante” para ellos y el que es “menos importante" que puntuar la importancia de “0” a “10” de forma repetitiva a 15 ítems y además, es una tarea más intuitiva.

En la actualidad, se han desarrollado soluciones de software que facilitan el diseño, implementación y análisis de resultados.

La técnica MaxDiff, ¿consigue discriminar mejor y es más operativa, accionable para Marketing?
A los datos de elección obtenidos con MaxDiff se les aplica una técnica de análisis estadístico bayesiano (Hierarchical Bayes Modeling) que convierte estos datos brutos en un “share” de probabilidad de elección de cada atributo, es decir, un “share” de su impacto o importancia.

Para Marketing, es más operativo un dato de estimación en forma de “share” del impacto de la importancia del beneficio o atributo que no un ranking en base a su puntuación media, menos diferenciado. Poder disponer de una estimación del impacto del beneficio o atributo en las preferencias del consumidor facilita la toma de decisiones de Marketing.

De la técnica se criticó en su momento que los datos de importancia que se obtienen son relativos, y no absolutos, es decir, son siempre en base a comparaciones y, por tanto, cuando dos personas eligen el mismo beneficio o atributo como el más importante, esto no significa que sea realmente igual de importante para ambos. Actualmente este problema se resuelve añadiendo una valoración absoluta en escala que sitúe un origen común que permita las comparaciones interindividuales.

La técnica MaxDiff, ¿permite realizar segmentaciones?
MaxDiff es una muy buena herramienta para poder realizar posteriores segmentaciones, precisamente por la propia forma en que se han obtenido los datos: en base a elecciones.

Los datos en base a elecciones permiten aplicar potentes técnicas de Análisis Estadístico como el Latent Class Analysis para realizar la segmentación, técnicas que en Investigación de Mercados son muy bien valoradas por la eficacia y claridad de sus resultados.

Por las razones mencionadas en el apartado anterior, también se ha criticado que las segmentaciones que se puedan obtener a partir de los datos de MaxDiff sean realmente válidas. Sin embargo, si se realiza la corrección señalada anteriormente, y se utilizan técnicas de Análisis Estadístico como el Latent Class Analysis para realizar la segmentación, MaxDiff es una muy buena herramienta para evaluar las preferencias que sirven de base para la posterior segmentación.
En resumen, Maxdiff es una técnica que resuelve problemas que tienen las técnicas clásicas de puntuación, es operativa y accionable para Marketing por la forma en que se dan los resultados (“share” de importancia) y permite obtener posteriores segmentaciones.

MaxDiff, ¿tiene otras aplicaciones?
En nuestra experiencia, además de su aplicación en estudios para determinar la importancia que da el consumidor a determinados beneficios o atributos de un producto o servicio y su segmentación, hemos obtenido muy buenos resultados en la evaluación de claims promocionales. Estudios en los que se busca determinar qué claim promocional es mejor, y donde el ejercicio de comparación hace que se evalúe el atractivo y preferencia entre los claims por el consumidor de una forma muy intuitiva.