Cuántas veces los responsables de las investigaciones que se hacen en las empresas son cuestionados por tomar la consideración como una variable casi equivalente a las ventas de una compañía. Es cierto que no siempre aquel que considera una marca la acaba comprando.
Hoy os comparto el caso de una empresa cuyos responsables estaban muy preocupados porque si comparaban qué porcentaje de aquellas personas que consideraban comprar su producto lo hacía finalmente (ratio de conversión Contratación/Consideración), observaban que dicho ratio era considerablemente menor que en el caso del resto de empresas competidoras (Fig1).
¿Qué estaba pasando? ¿Cuáles eran las razones que llevaban a los consumidores a contratar un producto de dicha categoría? ¿Y cuáles de ellas eran las que fallaban en el caso de dicha Empresa A? Vamos a ver cómo utilizar la inteligencia-analítica para responder estas preguntas.
En primer lugar, se realizó un análisis descriptivo. Había tantas variables que resultaba difícil encontrar la causa (Fig2).
Entonces, se decidió construir un modelo para cada marca, que explicase la variable contratación-consideración (1 si la persona consideró y contrató, o 0 si la persona consideró pero no contrató). El equipo de Conento, dado que la variable a explicar era dicotómica, decidió utilizar modelos logísticos (Fig3).
De todas las variables que se testaron, solo algunas resultaron significativas (Fig4). Es muy importante en este punto la validación de los expertos del sector. En los modelos estadísticos, el hecho de que una variable no entre como significativa, no implica necesariamente que la variable no impacte. Puede suceder que dos variables tengan comportamientos muy similares y el modelo solo coja una porque ya con esa es capaz de explicar la influencia. Por eso, que los expertos validen el sentido del modelo es tan importante. A veces se pueden unir dos variables parecidas y así no perder ninguna de las dos. El analista deberá estar atento al discurso del cliente y encontrar la mejor forma de validar sus teorías.
Con este modelo sí que somos capaces de identificar la importancia de cada una de estas variables (Fig5). Por ejemplo, en el caso de la Empresa A, la «buena opinión» que la gente tenga es la variable más importante (entre los que consideran la Empresa A, su probabilidad de contratar es 10,8 veces mayor si tienen buena opinión que si no la tienen).
Como veis, los resultados para cada empresa son diferentes. Esto es muy interesante porque a veces uno piensa que lo que le sucede a una empresa es generalizable al sector, pero vemos en este caso que no. Lo que afecta a la contratación en la Empresa A, y que por lo tanto será lo que tengan que trabajar, es distinto a lo que se recomendaría trabajar a la competencia.
Una vez llegados a este punto, donde ya sabemos qué es lo que mueve a la contratación, tenemos que identificar cómo está cada empresa. Así, si lo más importante para la Empresa A es la «buena opinión» y resulta que en este punto no es tan fuerte como sus competidores, ya sabemos que será algo a mejorar. En la Fig6. resumimos lo que se puede aprender con este tipo de modelos:
- Qué variables me afectan en positivo (ponemos las 3 principales para simplificar)
- Qué variables me afectan en negativo (3 también)
- Dónde tengo que mejorar (bolitas naranjas)
Por último, como siempre, será también importante tener constancia del ajuste de los modelos a partir de la Matriz de Confusión (Fig7), y quedarnos conformes.
Como conclusión, lo ideal sería que todas las personas que declarasen considerar comprar un producto lo compraran de verdad. Sin embargo, hay casos en los que esto no sucede, y por tanto es interesante utilizar la inteligencia-analítica para conocer cuáles son las causas de dicho desajuste y actuar en consecuencia. En el caso que hemos presentado, trabajando las variables que el modelo detectaba como importantes, se conseguirá aumentar la probabilidad de contratar dado que se ha considerado y eso, sin lugar a dudas, será muy positivo para la Empresa A.
