| Industria | Marcas en el listado | Personas expuestas |
|---|---|---|
| Aseguradoras | 31 | 388 |
| Retail | 33 | 393 |
| Servicios esenciales | 29 | 395 |
| Servicios financieros | 32 | 396 |
EmpatIA 2025 · Apéndice metodológico
El informe completo, con todo el detalle detrás de cada cifra
1 Cómo leer este apéndice
Este documento sigue el mismo orden del informe, sección por sección. Donde el informe muestra una lámina, aquí aparece qué se calculó, con qué fórmula, bajo qué supuestos, qué resultados adicionales existen y qué no se puede concluir.
Cada capítulo está organizado igual:
- Qué muestra el informe. La afirmación que se hace y con qué cifra.
- Cómo se calcula. Fórmula, denominador, población incluida.
- Supuestos. Lo que tiene que ser cierto para que la cifra signifique lo que dice.
- Detalle estadístico. Estimación, error, criterios de decisión.
- Robustez y resultados adicionales. Análisis de sensibilidad y resultados que el informe no muestra.
- Límites. Lo que la cifra no permite afirmar.
La regla del proyecto es que el informe y los dashboards se lean sin conocimiento técnico, y que todo lo técnico esté aquí. Si una afirmación del informe no tiene respaldo en este documento, es un error del documento, no una licencia del informe.
Los archivos citados entre acentos graves —ranking_marcas.csv, por ejemplo— están en la carpeta tablas/ de la edición y se pueden abrir directamente.
2 El estudio
2.1 Alcance y fuentes
Edición 2025. La base es la entrega del proveedor en SPSS (btbdcl_283438_20250902.sav), junto con el listado anual de marcas. Se conservan los instrumentos y publicaciones de origen. Una edición no produce resultados hasta contar con una entrega válida.
La encuesta es transversal: preferencias y percepciones provienen de las mismas personas y del mismo momento. El panel entre ediciones sigue marcas, no personas. Ni las asociaciones, ni las regresiones con efectos fijos, ni los escenarios identifican efectos causales.
Los intervalos expresan variación condicional a la muestra. No corrigen selección del panel, no respuesta, cobertura ni diferencias no observadas entre olas. La muestra es por cuotas en un panel online, no un diseño probabilístico, y esta edición no trae ponderador muestral. Los resultados no deben presentarse como inferencia de diseño a toda la población de Chile.
2.2 El diseño de exposición: quién ve qué
Esta sección es la más importante del apéndice, porque de ella dependen todos los denominadores del estudio. Nadie responde por todas las marcas. El cuestionario filtra dos veces.
2.2.1 Filtro 1: una industria por persona
En P0 la persona declara de cuáles de las cuatro industrias es usuaria. El cuestionario le sortea una sola entre las que declaró, y la registra en la variable RECO_TARGET. A partir de ahí, todas las baterías de marca —conocimiento (P9), preferencia (P10), compra habitual (P11) y atributos (P12)— se le muestran únicamente para las marcas de esa industria.
La entrega del proveedor exporta las columnas de las otras industrias como ceros, no como valores faltantes. Leídas sin cuidado, esas celdas parecen decir «no conoce la marca» cuando en realidad dicen «nunca se le preguntó». El pipeline lo verifica explícitamente y se detiene si encuentra una sola declaración de conocimiento fuera de la industria asignada.
Consecuencia directa. El denominador de «cuántos conocen la marca X» no es la muestra, sino las personas asignadas a la industria de X: alrededor de un cuarto del total. Usar la muestra completa divide por cuatro todas las cifras de alcance y las vuelve incomparables con cualquier otra fuente de mercado.
2.2.2 Filtro 2: hasta quince marcas en la batería de atributos
De las marcas que la persona declara conocer, el cuestionario le pide evaluar los 25 atributos para hasta quince. El proveedor deja registrado cuáles fueron, según la edición con una columna por marca (OPCION_MOSTRADA_1..15) o con los códigos separados por comas (MARCAS_EVAL). El pipeline lee los dos formatos y se detiene si no encuentra ninguno, porque sin ese registro no se puede verificar el diseño ni armar el menú de los modelos de elección.
El sorteo no es parejo: prioriza a las marcas menos conocidas, de modo que todas terminen con una base de evaluación parecida. En esta edición, la mitad de las marcas se evalúa por 192 personas o más, y el 80% central de las marcas queda entre 128 y 197. A una marca muy conocida se le pregunta a poco más de la mitad de quienes la conocen; a una de nicho, a todas.
| Marcas | Conocedores, mediana | Con la batería delante, mediana | Cobertura mínima | Cobertura mediana | Cobertura máxima |
|---|---|---|---|---|---|
| 122 | 265.5 | 192 | 0.49 | 0.66 | 1 |
Consecuencia directa. El denominador del puntaje de un atributo son todos los que conocen la marca (Sección 4). Quien la conoce y no la tuvo en la batería entra al denominador sin asociación, de modo que el puntaje se lee como «de cada cien personas que conocen la marca, cuántas le asocian el atributo».
2.2.3 Controles de diseño
1_limpieza_datos.R se detiene si alguna de estas tres condiciones falla:
| Condición | Qué significaría que falle |
|---|---|
| Ninguna declaración de conocimiento fuera de la industria asignada | El supuesto de una industria por persona es falso |
| Toda marca mostrada en P12 es una marca conocida | El registro de exposición no corresponde a este cuestionario |
| Toda marca con atributos asociados fue mostrada en P12 | Hay asociaciones sin pregunta que las origine |
En la edición 2025 las tres se cumplen sin excepciones.
2.2.4 Qué queda pendiente en este bloque
Los dos filtros describen a quién se le preguntó. Que el denominador esté bien definido no garantiza que ese conjunto de personas represente a la población de interés: esa es una pregunta distinta, y se trata en la Sección 2.3.
2.3 Ponderación: dos correcciones que se multiplican
Cada persona entra a los resultados con un peso, y ese peso es el producto de dos correcciones que arreglan problemas distintos:
\[ w_i = \underbrace{m_i}_{\text{muestral}} \times \underbrace{e_i}_{\text{exposición}} \]
El ponderador muestral \(m_i\) lleva a la muestra a parecerse a la población chilena. El ponderador de exposición \(e_i\) lleva a los asignados a una industria a parecerse a quienes la usan. El primero lo entrega el proveedor; el segundo se estima aquí, porque el diseño del cuestionario lo hace necesario y nadie lo documenta.
Las dos secciones que siguen tratan cada uno por separado.
2.3.1 El ponderador muestral
La muestra se levanta por cuotas de sexo, tramo de edad, grupo socioeconómico y región, así que parte cerca de la composición del país; pero las cuotas se llenan con lo que el panel entrega, y quedan desviaciones.
Esta edición (2025) no viene ponderada: el proveedor no entregó ponderador muestral, y todas las personas pesan igual (\(m_i = 1\)). Las cifras describen a la muestra con la composición que dejaron las cuotas.
Qué no hace. Un ponderador de post-estratificación corrige la composición observable de la muestra; no corrige que quienes aceptan participar en un panel online difieran de quienes no lo hacen en algo que no esté capturado por esas cuatro variables. Eso queda fuera del alcance de cualquier ponderador y se declara como límite, no como supuesto.
2.3.2 Ponderación por la inversa de la probabilidad de exposición
Los filtros de la Sección 2.2 no solo definen los denominadores: también deciden quién está en ellos. Esta parte trata ese segundo problema, que es distinto y se corrige de otra forma.
2.3.2.1 Los dos mecanismos
Cada filtro se trata por separado, y se pondera solo el que cambia la composición de las personas que entran a los resultados.
2.3.2.1.1 El tope de quince marcas: no se pondera
El puntaje de un atributo se expresa sobre todos los que conocen la marca, y el tope solo decide a cuáles de ellos se les hizo la pregunta. Ponderar por la probabilidad de haber tenido la marca en la batería cambiaría el estimando: dejaría de ser «qué proporción de quienes conocen la marca se la asocia» para pasar a ser «qué proporción se la asociaría si a todos se les hubiera preguntado». El estudio publica la primera, así que este mecanismo no se pondera.
2.3.2.1.2 La asignación de industria: sí sesga
Este es distinto. La asignación no es un sorteo parejo entre las industrias que la persona usa: el cuestionario reparte buscando llenar cuotas parecidas por industria. Una industria con pocos usuarios se lleva una fracción alta de ellos; una con muchos, una fracción baja.
La consecuencia es que quienes usan una sola industria quedan sobrerrepresentados justo en las industrias más masivas, porque no compiten con nadie por su asignación.
| Industria | Usuarios | Asignados | Industrias que usa: usuarios | Industrias que usa: asignados | Ponderado |
|---|---|---|---|---|---|
| Servicios financieros | 1117 | 396 | 3.37 | 3.01 | 3.37 |
| Retail | 1141 | 393 | 3.26 | 2.65 | 3.24 |
| Aseguradoras | 784 | 388 | 3.66 | 3.52 | 3.68 |
| Servicios esenciales | 1377 | 395 | 3.03 | 2.08 | 3.00 |
Y usar más industrias sí predice conocer más marcas: con efectos fijos de industria, cada industria adicional se asocia con conocer 1,76 marcas más (p < 0,001). Entre las marcas evaluadas, y con efectos fijos de marca, también predice cómo se marca «Es cercana», no «Es tecnológica»: «Es cercana» (p < 0,001), «Es tecnológica» (p = 0,93).
Con selección desigual y una variable que predice el alcance de la marca, la corrección corresponde.
2.3.2.2 Cómo se estima la probabilidad
La probabilidad de asignación no viene documentada en la entrega, así que se estima del propio dato con una regresión logística condicional: el menú de cada persona son las industrias que declara usar, la elegida es la que le tocó, y lo único que entra al modelo son constantes por industria.
\[ \Pr(\text{asignada} = g \mid \text{usa } U_i) = \frac{\exp(\alpha_g)}{\sum_{h \in U_i} \exp(\alpha_h)} \]
Tres parámetros libres para cuatro industrias. Es la forma más simple que respeta la restricción de que las probabilidades sumen uno dentro del menú, y reproduce por construcción el total de asignados de cada industria. El peso de cada persona es \(w_i = 1/\hat\pi_i(g_i)\).
Es una propensidad estimada, no una probabilidad de diseño conocida. El algoritmo real del proveedor es probablemente un llenado de cuotas determinista; lo que se modela es su comportamiento marginal. Por eso la validación de abajo no es un formalismo: es lo único que sostiene la corrección.
2.3.2.3 Validación
Si los pesos están bien, tienen que reconstruir la población de usuarios. Dos pruebas:
| Industria | Usuarios declarados | Suma de los pesos | Desvío % | Efecto de diseño | Casos efectivos |
|---|---|---|---|---|---|
| Servicios financieros | 1117 | 1124 | 0.7 | 1.17 | 340 |
| Retail | 1141 | 1131 | -0.9 | 1.30 | 302 |
| Aseguradoras | 784 | 789 | 0.6 | 1.04 | 375 |
| Servicios esenciales | 1377 | 1361 | -1.1 | 1.66 | 237 |
- La suma de los pesos de los asignados a una industria reconstruye el número de personas que declaran usarla, con un desvío de a lo sumo 1,1%.
- La composición ponderada coincide con la de los usuarios: en la tabla anterior, Servicios esenciales pasa de 2,08 industrias usadas en promedio (sin ponderar) a 3,00 (ponderado), frente a 3,03 que es el valor entre sus usuarios.
Ambas están entre los controles automáticos de auditoria/comprobar.R: si el desvío supera el 10% o la composición se aleja más de 0,25 industrias, la corrida falla.
2.3.2.4 Qué se pondera y qué no
| Cantidad | Peso que usa | Por qué |
|---|---|---|
| % que conoce, compra, prefiere | Muestral × exposición | El estimando es «de los usuarios de la industria», en la población |
| Puntaje de un atributo, Índice | Muestral × exposición | La selección de personas afecta también a cómo se marca |
| Perfiles y territorios de marca | Muestral × exposición | Se construyen desde los puntajes |
| Importancia declarada, indicadores de contexto, perfil | Solo muestral | Las preguntas generales (P0 a P8 y P17 en adelante) se le hacen a toda la muestra: no pasan por el filtro de industria |
| Modelos de elección (logit condicional) | Muestral × exposición | Comparan a la persona consigo misma, así que la selección no confunde la comparación; el peso decide cuánto pesa cada persona en el promedio de esas comparaciones |
| Estructura de los atributos (correlaciones tetracóricas, análisis factorial) | Ninguno | Describe cómo se acompañan los atributos entre sí, no una cifra de la población; las rutinas usadas no admiten pesos |
El estimador de los puntajes es de Hájek —cociente de sumas ponderadas—, no de Horvitz-Thompson:
\[ \hat p_{ba} = \frac{\sum_i w_i K_{ib} X_{iba}}{\sum_i w_i K_{ib}}. \]
Al normalizar por la suma de los pesos observados y no por su total teórico, el puntaje no depende de la escala de los pesos y es mucho más estable cuando la base es chica.
2.3.2.5 Lo que cuesta: precisión
Ponderar siempre cuesta precisión. El efecto de diseño \(1 + \mathrm{CV}^2(w)\) va de 1,04 a 1,66 según la industria, de modo que una marca con trescientos conocedores puede tener la precisión de 180.
Por eso el umbral de base se aplica sobre los casos efectivos,
\[ n_{\text{ef}} = \frac{\left(\sum_i w_i K_{ib}\right)^2}{\sum_i w_i^2 K_{ib}}, \]
y no sobre el recuento de conocedores. Una marca entra al ranking con al menos 60 casos efectivos.
Los intervalos usan el error de linealización y no el intervalo de Wilson, que supone un conteo binomial: aquí el puntaje es un cociente de sumas ponderadas. Es el mismo error con que se calculan las brechas. Wilson sobre los casos efectivos queda solo como respaldo para las celdas donde todos responden igual y la linealización daría error cero.
2.3.2.6 Cuánto cambian los resultados
| Industria | Marcas | Cambio medio (pp) | Cambio mediano (pp) | Cambio máximo (pp) |
|---|---|---|---|---|
| Aseguradoras | 31 | 1.27 | 1.23 | 2.16 |
| Retail | 33 | 1.92 | 2.08 | 4.35 |
| Servicios esenciales | 29 | 4.58 | 4.12 | 8.56 |
| Servicios financieros | 32 | 2.80 | 3.18 | 4.76 |
El cambio es casi siempre al alza —ponderar devuelve el peso a los usuarios intensivos, que conocen más marcas— y es mayor en Servicios esenciales, con 4,58 puntos en promedio.
| Marcas | Cambio de puesto, mediana | Cambio de puesto, promedio | Cambio máximo | No se mueven |
|---|---|---|---|---|
| 117 | 3 | 4.9 | 23 | 14 |
| Marca | Industria | Puesto sin ponderar | Puesto ponderado | Sube | Índice sin ponderar | Índice ponderado |
|---|---|---|---|---|---|---|
| Sura | Aseguradoras | 97 | 82 | 15 | 7.8 | 8.0 |
| Paris | Retail | 42 | 29 | 13 | 12.9 | 14.1 |
| Easy | Retail | 92 | 79 | 13 | 8.2 | 8.3 |
| Lipigas | Servicios esenciales | 37 | 50 | -13 | 13.5 | 11.0 |
| Temu | Retail | 26 | 41 | -15 | 15.2 | 13.0 |
| Chilexpress | Servicios esenciales | 81 | 96 | -15 | 8.8 | 7.1 |
| Didi | Servicios esenciales | 87 | 102 | -15 | 8.5 | 6.3 |
| Abastible | Servicios esenciales | 60 | 76 | -16 | 10.7 | 8.9 |
| Starken | Servicios esenciales | 70 | 89 | -19 | 9.5 | 7.7 |
| Claro | Servicios esenciales | 32 | 52 | -20 | 13.9 | 10.8 |
| Movistar | Servicios esenciales | 48 | 70 | -22 | 12.4 | 9.4 |
| Shell | Servicios esenciales | 64 | 87 | -23 | 10.5 | 7.7 |
Entre las diez primeras marcas del ranking ponderado, el mayor cambio de puesto es de 7 lugares. De las diez marcas que más se mueven, 8 son de Servicios esenciales, y el mayor salto es de 23 puestos.
2.3.2.7 Límites de esta corrección
- La propensidad es estimada. Si el algoritmo del proveedor dependiera de algo más que el conjunto de industrias usadas —el orden de llegada, por ejemplo—, el modelo lo captaría solo en promedio. La validación de la composición es el respaldo disponible, no una garantía.
- Corrige composición observada, no selección no observada. Los pesos igualan la distribución de industrias usadas. No corrigen que quien contesta un panel online difiera de quien no lo hace.
- No se corrige la no respuesta ni la cobertura. Esta edición no trae ponderador muestral, y los resultados no son inferencia de diseño.
- El tope de quince queda sin ponderar a propósito. El puntaje se expresa sobre todos los que conocen la marca; ponderar por la probabilidad de haberla tenido en la batería respondería otra pregunta.
2.4 Limpieza y población de análisis
Se identifican las preguntas por sus nombres originales: P9 para conocimiento, P10 para orden de preferencia, P11 para compra y P12 para asociaciones. Los identificadores de persona se asignan después de aplicar las exclusiones registradas, de modo que ninguna tabla quede desalineada respecto de la base cruda.
En esta edición se excluyen 41 casos. Provienen de la versión depurada —«sin outliers»— que el proveedor entregó junto con la base completa, y se anotan una sola vez en casos_excluidos.csv. El criterio del proveedor mezcla revisiones manuales que no se pueden reproducir; por eso se usa la lista y no se recalcula.
Cada observación de percepción representa una combinación persona-marca-atributo. En los puntajes de marca, el denominador son todos los que conocen la marca, y quien la conoce sin haberle asociado el atributo cuenta como no asociación (Sección 4). En los modelos que comparan percepciones individuales, una asociación no marcada se codifica como cero únicamente dentro del conjunto de marcas mostradas a esa persona. Se comprueba que no existan duplicados de persona-marca-atributo, que cada preferencia sea coherente con el menú y que los catálogos cubran los códigos observados. Los códigos especiales, como «Ninguna», se excluyen del universo de marcas.
Las tasas de las preguntas generales usan respuestas válidas a cada pregunta, y esas preguntas sí se le hacen a toda la muestra. P1 se resume con respuestas de 5 a 7; P3 con respuestas de 7 a 10; P17 y P20 con respuestas de 4 a 5; P19 considera uso mensual o más frecuente (códigos 4 a 6). P6 distingue explícitamente interés sin costo adicional de aceptación de más tiempo y/o dinero.
Los recuentos por alternativa no deben confundirse con el denominador de la pregunta. El pipeline conserva las etiquetas y bases para auditar cada indicador.
2.5 Perfil de la muestra
| variable | categoria | n | porcentaje | porcentaje_muestra | base_pregunta |
|---|---|---|---|---|---|
| Genero | Hombres | 744 | 47.3 | 47.3 | 1572 |
| Genero | Mujeres | 828 | 52.7 | 52.7 | 1572 |
| GSE | AB | 7 | 0.4 | 0.4 | 1572 |
| GSE | C1a | 71 | 4.5 | 4.5 | 1572 |
| GSE | C1b | 266 | 16.9 | 16.9 | 1572 |
| GSE | C2 | 280 | 17.8 | 17.8 | 1572 |
| GSE | C3 | 461 | 29.3 | 29.3 | 1572 |
| GSE | D | 487 | 31.0 | 31.0 | 1572 |
| Region | I Región de Tarapacá | 32 | 2.0 | 2.0 | 1572 |
| Region | II Región de Antofagasta | 53 | 3.4 | 3.4 | 1572 |
| Region | III Región de Atacama | 27 | 1.7 | 1.7 | 1572 |
| Region | IV Región de Coquimbo | 69 | 4.4 | 4.4 | 1572 |
| Region | IX Región de La Araucanía | 85 | 5.4 | 5.4 | 1572 |
| Region | V Región de Valparaíso | 168 | 10.7 | 10.7 | 1572 |
| Region | VI Región del Libertador General Bernardo O’Higgins | 79 | 5.0 | 5.0 | 1572 |
| Region | VII Región del Maule | 93 | 5.9 | 5.9 | 1572 |
| Region | VIII Región del Bío Bío | 140 | 8.9 | 8.9 | 1572 |
| Region | X Región de los Lagos | 77 | 4.9 | 4.9 | 1572 |
| Region | XI Región de Aysén del General Carlos Ibañez del Campo | 9 | 0.6 | 0.6 | 1572 |
| Region | XII Región de Magallanes y la Antártica Chilena | 16 | 1.0 | 1.0 | 1572 |
| Region | XIII Región Metropolitana | 623 | 39.6 | 39.6 | 1572 |
| Region | XIV Región Los Ríos | 36 | 2.3 | 2.3 | 1572 |
| Region | XV Arica y Parinacota | 21 | 1.3 | 1.3 | 1572 |
| Region | XVI Ñuble | 44 | 2.8 | 2.8 | 1572 |
| Tramo de edad | 18_24 | 222 | 14.1 | 14.1 | 1572 |
| Tramo de edad | 25_34 | 309 | 19.7 | 19.7 | 1572 |
| Tramo de edad | 35_44 | 287 | 18.3 | 18.3 | 1572 |
| Tramo de edad | 45_54 | 294 | 18.7 | 18.7 | 1572 |
| Tramo de edad | 55_64 | 252 | 16.0 | 16.0 | 1572 |
| Tramo de edad | 65_75 | 208 | 13.2 | 13.2 | 1572 |
La muestra se levanta con cuotas de sexo, edad, grupo socioeconómico y región. Esta edición no trae ponderador muestral: las cifras describen a las personas entrevistadas. Su traslado a la población es una extrapolación que el diseño no respalda formalmente.
3 Qué esperan las personas de una marca
3.1 Importancia declarada de los atributos
Qué muestra el informe. Un índice de 0 a 100 por atributo, que ordena qué esperan las personas de una marca antes de mirar marca alguna.
Cómo se calcula. Dos preguntas miden lo mismo por caminos distintos y se reportan juntas:
- P7 pide calificar cada uno de los atributos de 1 a 7. Se promedia y se reescala: \(\text{índice} = 100\,(\bar{x} - 1)/6\).
- P8 obliga a elegir los tres más importantes. Se reporta el porcentaje de personas que pone el atributo entre esos tres.
P7 discrimina poco: casi todo resulta importante cuando no hay que renunciar a nada. P8 es la que separa prioridades de buenas intenciones. El orden publicado usa P7; P8 acompaña como verificación del trade-off.
Ambas preguntas se le hacen a toda la muestra, de modo que aquí no opera el filtro de exposición de la Sección 2.2 y el denominador es simplemente el número de respuestas válidas.
| Atributo | Bloque | Promedio 1 a 7 | Índice 0 a 100 | Entre los tres (%) |
|---|---|---|---|---|
| Sus transacciones son seguras | EmpatIA | 6.38 | 89.7 | 34.7 |
| Se hace cargo de sus errores | EmpatIA | 6.25 | 87.5 | 16.9 |
| Es honesta y transparente | Humanidad | 6.19 | 86.4 | 26.8 |
| Soluciona de manera efectiva mis problemas | EmpatIA | 6.16 | 85.9 | 30.2 |
| Es fácil de contactar | EmpatIA | 6.09 | 84.8 | 15.3 |
| Su atención y/o servicio es ágil | Tecnologia | 6.06 | 84.3 | 20.7 |
| Es amable en el trato | Humanidad | 5.99 | 83.1 | 10.9 |
| Su sitio web y/o aplicación son de uso fácil e intuitivo | Tecnologia | 5.98 | 83.0 | 17.4 |
| Se pone en mi lugar cuando tengo un problema | Humanidad | 5.96 | 82.7 | 13.6 |
| Reconoce la antigüedad de nuestra relación siendo su cliente | Humanidad | 5.92 | 82.0 | 14.6 |
| Toma en cuenta y se adapta a las contingencias (ej: pandemia) | Humanidad | 5.87 | 81.2 | 5.3 |
| Me permite contactarla a través de personas reales (ej: un ejecutivo) | Humanidad | 5.79 | 79.8 | 16.2 |
| Tiene presencia en todo Chile | EmpatIA | 5.76 | 79.3 | 11.8 |
| Usa mi mismo lenguaje | Humanidad | 5.65 | 77.5 | 5.9 |
| Se preocupa genuinamente de mi | Humanidad | 5.65 | 77.5 | 6.9 |
| Me ofrece servicios, productos y/o beneficios personalizados | EmpatIA | 5.61 | 76.9 | 11.3 |
| Me hace sentir comprendido | Humanidad | 5.60 | 76.7 | 4.5 |
| Se mantiene actualizada y a la vanguardia tecnológica | Tecnologia | 5.59 | 76.6 | 8.5 |
| Innova constantemente en sus productos y/o servicios | Tecnologia | 5.49 | 74.8 | 7.3 |
| Comparte mis valores y principios | Humanidad | 5.40 | 73.3 | 4.8 |
| Me regalonea y se preocupa de los detalles | Humanidad | 5.39 | 73.2 | 3.9 |
| Sus procesos son automatizados | Tecnologia | 5.29 | 71.6 | 5.6 |
| Tiene un diseño moderno | Tecnologia | 5.05 | 67.6 | 3.1 |
3.2 La misma pregunta dentro de cada público
Resultado adicional. El informe publica el orden del total. La tabla completa por público está en importancia_segmentos.csv y alimenta el dashboard público.
| Público | Puesto | Atributo | Índice |
|---|---|---|---|
| 45 o mas (Generacion) | 1 | Sus transacciones son seguras | 91.0 |
| 45 o mas (Generacion) | 2 | Es honesta y transparente | 88.4 |
| 45 o mas (Generacion) | 3 | Se hace cargo de sus errores | 88.2 |
| 45 o mas (Generacion) | 4 | Soluciona de manera efectiva mis problemas | 87.2 |
| 45 o mas (Generacion) | 5 | Es fácil de contactar | 85.9 |
| ABC1 (GSE) | 1 | Sus transacciones son seguras | 92.4 |
| ABC1 (GSE) | 2 | Es honesta y transparente | 89.4 |
| ABC1 (GSE) | 2 | Se hace cargo de sus errores | 89.4 |
| ABC1 (GSE) | 4 | Soluciona de manera efectiva mis problemas | 89.1 |
| ABC1 (GSE) | 5 | Es fácil de contactar | 86.8 |
| C2 (GSE) | 1 | Sus transacciones son seguras | 90.9 |
| C2 (GSE) | 2 | Se hace cargo de sus errores | 88.9 |
| C2 (GSE) | 3 | Soluciona de manera efectiva mis problemas | 87.2 |
| C2 (GSE) | 4 | Es honesta y transparente | 86.4 |
| C2 (GSE) | 5 | Es fácil de contactar | 85.9 |
| C3 (GSE) | 1 | Sus transacciones son seguras | 89.7 |
| C3 (GSE) | 2 | Se hace cargo de sus errores | 87.8 |
| C3 (GSE) | 3 | Es honesta y transparente | 85.8 |
| C3 (GSE) | 4 | Soluciona de manera efectiva mis problemas | 85.6 |
| C3 (GSE) | 5 | Su atención y/o servicio es ágil | 85.0 |
| D/E (GSE) | 1 | Sus transacciones son seguras | 87.2 |
| D/E (GSE) | 2 | Es honesta y transparente | 84.9 |
| D/E (GSE) | 2 | Se hace cargo de sus errores | 84.9 |
| D/E (GSE) | 4 | Soluciona de manera efectiva mis problemas | 83.3 |
| D/E (GSE) | 5 | Es fácil de contactar | 82.7 |
| Hombres (Genero) | 1 | Sus transacciones son seguras | 88.0 |
| Hombres (Genero) | 2 | Se hace cargo de sus errores | 85.9 |
| Hombres (Genero) | 3 | Es honesta y transparente | 85.2 |
| Hombres (Genero) | 4 | Soluciona de manera efectiva mis problemas | 83.9 |
| Hombres (Genero) | 5 | Es fácil de contactar | 83.0 |
| Menores de 45 (Generacion) | 1 | Sus transacciones son seguras | 88.5 |
| Menores de 45 (Generacion) | 2 | Se hace cargo de sus errores | 86.8 |
| Menores de 45 (Generacion) | 3 | Soluciona de manera efectiva mis problemas | 84.7 |
| Menores de 45 (Generacion) | 4 | Es honesta y transparente | 84.6 |
| Menores de 45 (Generacion) | 5 | Es fácil de contactar | 83.8 |
| Mujeres (Genero) | 1 | Sus transacciones son seguras | 91.3 |
| Mujeres (Genero) | 2 | Se hace cargo de sus errores | 88.9 |
| Mujeres (Genero) | 3 | Soluciona de manera efectiva mis problemas | 87.8 |
| Mujeres (Genero) | 4 | Es honesta y transparente | 87.6 |
| Mujeres (Genero) | 5 | Es fácil de contactar | 86.4 |
| Total (Total) | 1 | Sus transacciones son seguras | 89.7 |
| Total (Total) | 2 | Se hace cargo de sus errores | 87.5 |
| Total (Total) | 3 | Es honesta y transparente | 86.4 |
| Total (Total) | 4 | Soluciona de manera efectiva mis problemas | 85.9 |
| Total (Total) | 5 | Es fácil de contactar | 84.8 |
Cómo leerlo. Se comparan puestos y no niveles. Hay públicos que califican todo más alto que otros, y esa diferencia de estilo de respuesta no es una diferencia de prioridades.
Límite. Los públicos se solapan: una misma persona está en «Mujeres» y en «ABC1» a la vez. Una diferencia entre dos niveles de una segmentación no controla por las otras.
3.3 Expectativa de equilibrio y disposición a pagar
Qué muestra el informe. Que una mayoría amplia considera importante que las marcas equilibren cercanía y tecnología, y qué proporción declara estar dispuesta a pagar por ello.
Cómo se calcula. Cada indicador es un porcentaje sobre las respuestas válidas de su pregunta, con los cortes documentados más arriba. La tabla kpis_informe.csv guarda para cada indicador su variable de origen, su porcentaje y su base, de modo que cualquier cifra del informe se pueda rastrear hasta la pregunta.
| Indicador | Pregunta | % | Base |
|---|---|---|---|
| Espera marcas tecnologicas | P1_1 | 69.3384 | 1572 |
| Espera marcas cercanas | P1_2 | 83.0789 | 1572 |
| Prefiere marcas tecnologicas | P2 | 37.0865 | 1572 |
| Prefiere marcas cercanas | P2 | 62.9135 | 1572 |
| Importante balancear cercania y tecnologia | P3 | 78.1170 | 1572 |
| No esta dispuesto a pagar | P6 | 12.0229 | 1572 |
| Paga si no le cuesta mas | P6 | 74.2366 | 1572 |
| Paga incluso si le cuesta mas | P6 | 13.7405 | 1572 |
| Dispuesto a pagar | P6 | 87.9771 | 1572 |
| Uso malintencionado (ej. manipulación de información, ciberataques) | P20_1 | 69.9109 | 1572 |
| Pérdida de empleos debido a la automatización | P20_2 | 59.6056 | 1572 |
| Violación de la privacidad y uso indebido de datos personales | P20_3 | 69.7201 | 1572 |
| Generación de información incorrecta o imprecisa por parte de la IA | P20_4 | 61.1323 | 1572 |
| Pérdida de conexión humana en servicios o relaciones personales | P20_5 | 60.4962 | 1572 |
| Decisiones automatizadas con sesgos o discriminación | P20_6 | 55.5344 | 1572 |
| Falta de regulación o supervisión ética | P20_7 | 63.0407 | 1572 |
| Disminución de nuestra capacidad cognitiva por depender demasiado de la IA | P20_8 | 61.5776 | 1572 |
| Los sistemas automatizados son eficientes en la resolución de problemas o consultas | P17_1 | 37.5954 | 1572 |
| Los sistemas automatizados pueden tener la empatía o comprensión que tienen los humanos | P17_2 | 22.2646 | 1572 |
| Hay situaciones en que los seres humanos son insustituibles en la atención al cliente | P17_3 | 76.9720 | 1572 |
| Me da miedo que los robots terminen reemplazando a los humanos en el futuro | P17_4 | 50.6997 | 1572 |
| La inteligencia artificial no tiene sentido sin ser complementada con inteligencia humana | P17_5 | 71.5649 | 1572 |
| Mi nivel de confianza en la Inteligencia Artificial ha aumentado en los últimos 12 meses | P17_6 | 34.2239 | 1572 |
| Los sistemas automatizados me hacen sentir que la marca es moderna y eficiente | P17_7 | 37.3410 | 1572 |
| Me preocupa que las marcas usen inteligencia artificial para manipular mis decisiones de compra | P17_8 | 60.1145 | 1572 |
| Las marcas deberían informarme cuándo estoy hablando con una inteligencia artificial | P17_9 | 80.4707 | 1572 |
| Mi nivel de desconfianza en la Inteligencia Artificial ha aumentado en los últimos 12 meses | P17_10 | 42.2392 | 1572 |
| Me siento entusiasmado frente a los aportes que la Inteligencia Artificial puede generar en nuestras vidas | P17_11 | 43.1298 | 1572 |
| Me siento nervioso / preocupado por la entrada de la Inteligencia Artificial en nuestras vidas | P17_12 | 47.0738 | 1572 |
| Me siento esperanzado de que la Inteligencia Artificial va a facilitar y mejorar nuestras vidas | P17_13 | 40.1399 | 1572 |
| Me genera rechazo pensar en el efecto que puede tener la Inteligencia Artificial a nuestras vidas | P17_14 | 47.2010 | 1572 |
| Prefiere una persona - Para un tramite | P21 | 58.1425 | 1572 |
| Prefiere servicio automatizado - Para un tramite | P21 | 21.1832 | 1572 |
| Le da lo mismo - Para un tramite | P21 | 20.6743 | 1572 |
| Prefiere una persona - Para un problema | P23 | 82.8880 | 1572 |
| Prefiere servicio automatizado - Para un problema | P23 | 9.3511 | 1572 |
| Le da lo mismo - Para un problema | P23 | 7.7608 | 1572 |
| Conoce Chat GPT | P18#1 | 72.3282 | 1572 |
| Conoce Google Gemini | P18#2 | 60.8779 | 1572 |
| Conoce Grok | P18#3 | 12.0229 | 1572 |
| Conoce Meta AI | P18#4 | 74.9364 | 1572 |
| Conoce Microsoft Copilot | P18#5 | 26.9720 | 1572 |
| Conoce DeepSeek | P18#6 | 12.5954 | 1572 |
| Conoce Perplexity | P18#7 | 5.9796 | 1572 |
| Conoce Claude Anthropic | P18#8 | 3.9440 | 1572 |
| Conoce Otro, ¿Cuál? | P18#98 | 0.5089 | 1572 |
| Conoce Ninguna | P18#99 | 8.7786 | 1572 |
| Usa Chat GPT | P19_1 | 51.6271 | 1137 |
| Usa Google Gemini | P19_2 | 26.1233 | 957 |
| Usa Meta AI | P19_4 | 25.5518 | 1178 |
| Usa Microsoft Copilot | P19_5 | 33.7264 | 424 |
| Usa Perplexity | P19_7 | 32.9787 | 94 |
| Usa Grok | P19_3 | 17.4603 | 189 |
| Usa DeepSeek | P19_6 | 29.7980 | 198 |
| Usa Claude Anthropic | P19_8 | 30.6452 | 62 |
| Usa [Otro P18] | P19_98 | 75.0000 | 8 |
Límite. La disposición a pagar es declarativa y sin costo real. Sobreestima sistemáticamente la disposición efectiva; se reporta como orden de magnitud y como comparación entre ediciones, no como elasticidad.
3.4 Actitud frente a la inteligencia artificial
Qué muestra el informe. Cuatro láminas: qué piensan de la IA, qué les preocupa, cómo prefieren ser atendidos y qué asistentes conocen y usan.
Cómo se calcula. P17 y P20 comparten escala de 1 a 5 y se reportan como «top 2» —las dos categorías más altas—. P21 y P23 son de respuesta única y se reportan como distribución completa. P18 es conocimiento (marca / no marca) y P19 es frecuencia de uso, con usuario definido desde «un par de veces al mes» (código 4).
Límite. Son preguntas de actitud declarada sobre una tecnología en cambio rápido. La comparación entre ediciones es informativa; el nivel absoluto depende de cómo estaba la conversación pública en el momento del trabajo de campo.
3.5 El bloque de inteligencia artificial, cifra por cifra
Las preguntas P18 a P23 se analizan aparte, en prensa_ia.R, porque se citan fuera del informe —en prensa y en presentaciones— y ahí una cifra sin su base y sin su margen se vuelve una afirmación que el estudio no sostiene. La tabla kpis_ia_prensa.csv deja cada indicador con cinco columnas que lo acompañan siempre: sobre qué base se calculó, cuántos casos tiene, cuántos casos efectivos, y entre qué valores cae razonablemente.
3.5.1 Los denominadores, que no son todos el mismo
Es la trampa de este bloque. P18 —qué asistentes conoce— se le pregunta a todas las personas. P19 —con qué frecuencia lo usa— solo se le pregunta a quien declaró conocerlo. De ahí que «usa ChatGPT» pueda significar dos cosas:
| Cifra | Denominador | Qué mide |
|---|---|---|
| Uso sobre la población | Toda la muestra | Penetración: de cada cien personas, cuántas lo usan |
| Uso entre quienes lo conocen | Solo quienes declaran conocerlo | Conversión: de cada cien que saben que existe, cuántas lo usan |
Las dos se publican, con nombre distinto, en prensa_asistentes.csv. Quien no conoce el asistente no contestó P19: su «no usa» es una consecuencia del filtro del cuestionario y no una respuesta suya, así que al construir la penetración se cuenta como no usuario y al construir la conversión queda fuera del denominador.
Se considera usuario a quien declara usar el asistente al menos un par de veces al mes (4 o más en la escala de P19). Es un umbral de uso incorporado, no de haber probado.
3.5.2 Los índices derivados
Tres indicadores no salen de una pregunta sino de combinar varias, y conviene tener la definición a mano:
| Indicador | Definición |
|---|---|
| Usa al menos un asistente | Usa, al menos un par de veces al mes, alguno de los asistentes listados |
| Preocupado por la IA | Declara preocupación alta (4 o 5) en la mitad o más de los riesgos de P20 |
| Se endurece con el canal | Acepta un canal no humano para el trámite (P21) y exige una persona ante un problema (P23) |
El umbral de «preocupado» es la mitad de los ítems y no uno solo: con seis u ocho riesgos consultados, marcar alto en cualquiera es casi universal y no distingue a nadie. Lo que interesa es el patrón.
3.5.3 El margen de cada cifra
Cada porcentaje se acompaña de su intervalo al 95%, calculado con la fórmula binomial sobre los casos efectivos y no sobre los casos a secas:
\[ n_{\text{ef}} = \frac{\left(\sum_i m_i\right)^2}{\sum_i m_i^2}, \qquad \text{margen} = 1{,}96 \sqrt{\frac{\hat p (1 - \hat p)}{n_{\text{ef}}}} \]
donde \(m_i\) es el ponderador muestral de la persona. Usar los casos sin descontar lo que cuesta ponderar declararía una precisión que ya se gastó.
3.5.4 Los cortes
Cada indicador se abre por género, generación (menores de 45 y 45 o más), GSE y tramo de edad. Región no entra: dieciséis niveles sobre mil quinientos casos dejan celdas que no sostienen ninguna afirmación. Con seis tramos de edad las celdas quedan cerca de 250 casos, lo que da un margen aproximado de ±6 puntos: una diferencia menor entre dos tramos no se afirma.
4 El ranking
4.1 Índice, atributos y dimensiones
Cómo se calcula. Para cada marca \(b\) y atributo \(a\):
\[\hat p_{ba}=\frac{\sum_i w_i\,K_{ib}\,X_{iba}}{\sum_i w_i\,K_{ib}},\]
donde \(K_{ib}=1\) si la persona \(i\) conoce la marca \(b\), \(X_{iba}=1\) si le asoció el atributo \(a\), y \(w_i\) es su peso de exposición (Sección 2.3). El denominador son todos los que conocen la marca: quien la conoce y no le asoció el atributo —porque no lo marcó o porque la marca no le tocó en la batería— cuenta como no asociación.
El índice de la edición es:
\[I_b=w_C\,\hat p_{b,\text{cercana}}+w_T\,\hat p_{b,\text{tecnologica}}.\]
En esta edición \(w_C=\) 0.525 y \(w_T=\) 0.475. Las salidas ejecutivas multiplican por 100.
Advertencia de nomenclatura. El índice no promedia los bloques Humanidad y Tecnología como baterías completas: combina dos atributos individuales que llevan esos nombres. Los bloques Humanidad (atributos 1–12), Tecnología (13–19) y EmpatIA (20–25) son clasificaciones conceptuales preexistentes, no factores estimados, y sirven para leer la experiencia, no para construir el índice. Comparten nombre en un caso; no son lo mismo.
Una marca entra al ranking con al menos 60 casos efectivos (Sección 2.3). El umbral se aplica sobre lo que determina la precisión, y no sobre el recuento crudo de conocedores, que ignora el costo de ponderar. Es un umbral operativo: no garantiza precisión, solo descarta lo manifiestamente inestable.
| dimension | peso | error | p | peso_relativo | ic_bajo | ic_alto |
|---|---|---|---|---|---|---|
| EmpatIA | 1.960 | 0.225 | 0 | 0.371 | 1.520 | 2.401 |
| Humanidad | 1.679 | 0.277 | 0 | 0.317 | 1.136 | 2.222 |
| Tecnologia | 1.650 | 0.194 | 0 | 0.312 | 1.269 | 2.031 |
El modelo agregado por bloques promedia las respuestas binarias dentro de cada bloque antes de ajustar el logit. Sus coeficientes corresponden a pasar de cero a todos los atributos del bloque, manteniendo los otros constantes. Dividirlos por su suma no produce una descomposición de varianza, una probabilidad ni ponderadores equivalentes a la fórmula del índice. La tabla es un diagnóstico de la elección, no una propuesta de ponderadores.
4.2 Construcción de los cuatro rankings publicados
Todos usan la misma cantidad \(I_b\) y el mismo umbral de base:
- General: todas las marcas elegibles, ordenadas por \(I_b\) descendente.
- Por dimensión: se ordena por \(\hat p_{b,\text{cercana}}\) para Humanidad y por \(\hat p_{b,\text{tecnologica}}\) para Tecnología. No se usa el promedio del bloque completo.
- Por industria: el mismo orden general, restringido a las marcas de cada rubro.
- Por categoría: el mismo orden, restringido a cada categoría. El informe publica el primer lugar; la tabla completa está en
ranking_por_categoria.csv.
Los empates se resuelven por orden de aparición; con la precisión reportada son infrecuentes.
Un puesto no es una prueba de diferencia. El ranking ordena estimaciones puntuales. Dos marcas contiguas pueden tener intervalos que se solapan por completo, y su orden podría invertirse con otra muestra.
| Puesto | Marca | Índice | Desde | Hasta | Conocedores | Casos efectivos |
|---|---|---|---|---|---|---|
| 1 | Mercado Libre | 24.3 | 19.9 | 28.7 | 346 | 268 |
| 2 | Mach | 22.8 | 17.9 | 27.7 | 235 | 205 |
| 3 | UC Christus | 21.8 | 16.4 | 27.2 | 154 | 151 |
| 4 | Copec Pay | 21.3 | 16.3 | 26.3 | 174 | 155 |
| 5 | Mercado Pago | 21.1 | 17.1 | 25.1 | 332 | 289 |
| 6 | Compraqui | 20.5 | 14.2 | 26.9 | 126 | 110 |
| 7 | Uno | 19.8 | 14.6 | 25.1 | 168 | 164 |
| 8 | Tapp | 19.3 | 13.2 | 25.4 | 136 | 119 |
| 9 | Cencopay | 19.2 | 14.2 | 24.3 | 156 | 139 |
| 10 | SumUP | 19.2 | 11.2 | 27.3 | 69 | 61 |
| 11 | Lider | 18.7 | 14.6 | 22.9 | 377 | 290 |
| 12 | Integramedica | 18.2 | 13.9 | 22.5 | 216 | 210 |
| 13 | Tenpo | 17.8 | 13.6 | 22.1 | 242 | 212 |
| 14 | Wom | 17.7 | 13.4 | 22.0 | 329 | 203 |
| 15 | Jumbo | 17.4 | 13.6 | 21.2 | 355 | 276 |
| 16 | Red Salud | 17.0 | 13.0 | 21.0 | 263 | 255 |
| 17 | Blue Express | 16.3 | 11.7 | 20.9 | 234 | 148 |
| 18 | Falabella | 16.1 | 12.4 | 19.8 | 368 | 284 |
| 19 | Entel | 16.1 | 12.3 | 19.9 | 357 | 217 |
| 20 | Copec | 16.0 | 11.6 | 20.4 | 337 | 206 |
| Puesto | Marca | Índice | Se solapa con |
|---|---|---|---|
| 1 | Mercado Libre | 24.3 | 9 |
| 2 | Mach | 22.8 | 9 |
| 3 | UC Christus | 21.8 | 9 |
| 4 | Copec Pay | 21.3 | 9 |
| 5 | Mercado Pago | 21.1 | 9 |
| 6 | Compraqui | 20.5 | 9 |
| 7 | Uno | 19.8 | 9 |
| 8 | Tapp | 19.3 | 9 |
| 9 | Cencopay | 19.2 | 9 |
| 10 | SumUP | 19.2 | 9 |
La última columna cuenta con cuántas otras marcas del top 10 el intervalo de esta marca se solapa. Es la lectura honesta del ranking: el orden es informativo en bloques, no posición a posición.
4.3 Incertidumbre de los resultados descriptivos
Las proporciones por atributo llevan un intervalo al 95% construido con el error de linealización que se describe abajo. Cuando todas las respuestas de una celda son iguales, ese error vale cero; ahí se usa el intervalo de Wilson sobre los casos efectivos, que no da un margen nulo:
\[ \frac{\hat p + \frac{z^2}{2n} \pm z\sqrt{\frac{\hat p(1-\hat p)}{n} + \frac{z^2}{4n^2}}}{1 + \frac{z^2}{n}}, \qquad n = n_{\text{ef}}. \]
El índice usa la varianza empírica de la combinación individual \(w_C X_C + w_T X_T\), preservando la covarianza entre ambas respuestas en vez de sumar varianzas por separado.
Por qué no basta con la fórmula binomial. Una misma persona evalúa hasta quince marcas. Si es generosa marcando atributos, sube a la vez el puntaje de todas las marcas que evaluó. Tratar cada par persona-marca como independiente subestimaría el margen. El cálculo mantiene juntas todas las respuestas de una misma persona: la influencia de la persona \(i\) sobre la proporción de la marca \(b\) es
\[u_{ib} = \frac{w_i\,K_{ib}\,(X_{ib} - \hat p_b)}{\sum_j w_j K_{jb}},\]
y el error se obtiene sumando \(u_{ib}^2\) sobre personas, no sobre pares. Es la linealización del cociente ponderado: ponderar y después usar la fórmula sin ponderar subestimaría el error. Como cada fila del cálculo es una persona completa, la dependencia entre las marcas que ella conoce queda incorporada sin modelarla explícitamente.
4.4 El Índice EmpatIA promedio
El informe, el kit de prensa y los dos dashboards publican un Índice EmpatIA promedio: el promedio simple del índice publicado entre las marcas del ranking, de modo que cada marca cuenta una vez, sea muy o poco conocida:
\[ \bar I = \frac{1}{|R|} \sum_{b \in R} \hat I_b, \]
con \(R\) las marcas con al menos 60 casos efectivos entre quienes las conocen. Se calcula igual dentro de cada público, con el ranking de ese público.
Su margen usa las mismas influencias por persona que el margen de cada índice. La influencia de la persona \(i\) sobre el promedio es el promedio de sus influencias sobre cada marca, \(\bar u_i = |R|^{-1} \sum_{b \in R} u_{ib}^{I}\), y \(\widehat{\operatorname{SE}}(\bar I) = \sqrt{\tfrac{n}{n-1}\sum_i \bar u_i^2}\). Como una persona evalúa varias marcas, sus influencias sobre ellas se suman antes de elevar al cuadrado, y la dependencia entre las marcas que comparten personas queda incorporada.
Entre dos ediciones, que son encuestas independientes, el margen del cambio es \(\sqrt{\widehat{\operatorname{SE}}_1^2 + \widehat{\operatorname{SE}}_2^2}\). Cada edición promedia las marcas de su propio ranking, así que un cambio del promedio combina cambios de percepción y cambios del listado; la tabla registra cuántas marcas entran cada año. Cada punto de la serie es el índice publicado de su edición, con los ponderadores de cercanía y tecnología de ese año.
| Edición | Marcas | Promedio | Error est. | Cambio vs. anterior | p | Ponderadores |
|---|---|---|---|---|---|---|
| 2023 | 113 | 11.50 | 0.31 | NA | NA | 50/50 |
| 2024 | 110 | 12.71 | 0.37 | 1.21 | 0.0128 | 52.5/47.5 |
| 2025 | 117 | 11.21 | 0.31 | -1.50 | 0.0019 | 52.5/47.5 |
| Segmento | Público | Marcas | Promedio | Error est. |
|---|---|---|---|---|
| GSE | ABC1 | 60 | 9.33 | 0.65 |
| GSE | C2 | 4 | 17.69 | 2.09 |
| GSE | C3 | 61 | 12.85 | 0.63 |
| GSE | D/E | 68 | 12.53 | 0.61 |
| Generacion | 45 o mas | 104 | 10.95 | 0.41 |
| Generacion | Menores de 45 | 105 | 11.16 | 0.44 |
| Genero | Hombres | 106 | 11.51 | 0.45 |
| Genero | Mujeres | 107 | 10.45 | 0.40 |
| Total | Total | 117 | 11.21 | 0.31 |
4.5 Las tres referencias: categoría, industria y estudio
Cada marca se compara contra tres referencias, que responden preguntas distintas:
| Referencia | Pregunta que responde |
|---|---|
| Su categoría | ¿Destaca entre sus competidores directos? |
| Su industria | ¿Destaca dentro de su rubro? |
| Todo el estudio | ¿Destaca frente al mercado completo? |
Las tres excluyen a la propia marca. Compararla contra un promedio que la incluye achica artificialmente la distancia, porque la marca estaría midiéndose en parte contra sí misma.
Detalle del error de la diferencia. La marca y su referencia se estiman con las mismas personas, así que sus errores están relacionados. Se resta la influencia del promedio referente antes de elevar al cuadrado:
\[ \widehat{\operatorname{Var}}(\hat p_b - \bar p_{-b}) = \frac{n}{n-1}\sum_i \left( u_{ib} - \frac{1}{|G|}\sum_{j \in G} u_{ij} \right)^2, \]
donde \(G\) son las marcas del grupo de referencia distintas de \(b\) y con base suficiente.
Multiplicidad. Las pruebas son bilaterales. Benjamini–Hochberg controla la tasa de falsos descubrimientos al 5% por separado en cada referencia: son tres familias de comparaciones, no una. Un resultado no concluyente no demuestra equivalencia. Los intervalos mostrados son marginales, no simultáneos.
Cuándo falta una referencia. Si ninguna otra marca de la categoría tiene base suficiente en ese público, no hay referencia de categoría: la comparación aparece vacía y la matriz de importancia y perfilamiento usa la industria en su lugar, indicándolo.
| Con referencia de categoría | Mediana de marcas en la categoría | Con referencia de industria | Mediana de marcas en la industria | Con referencia del estudio |
|---|---|---|---|---|
| 117 | 5 | 117 | 29 | 117 |
El archivo inferencia_puntajes.csv contiene límites, errores, referentes, brechas y valores ajustados para las tres referencias. Los dashboards utilizan esas mismas columnas; no replican fórmulas.
4.6 El mapa de cercanía y tecnología
Qué muestra el informe. Cada marca del ranking situada según sus dos puntajes, con las medianas marcadas.
Cómo leerlo. Los ejes son proporciones de asociación, no desempeño financiero ni participación de mercado. Las líneas son medianas de las marcas del ranking de esa edición: se mueven de un año a otro y no son un estándar externo.
Límite. La posición de una marca en el mapa hereda la incertidumbre de sus dos puntajes. Dos marcas visualmente cercanas son, en general, indistinguibles.
5 El recorrido de la marca y sus conversiones
Este capítulo documenta el recorrido de cada marca —de conocerla a preferirla— y las curvas de conversión que el dashboard muestra para todas las marcas.
5.1 Las tres etapas
Qué muestra el producto. Para cada marca: cuántos la conocen, cuántos la usan habitualmente y cuántos la ponen en primer lugar.
Cómo se calcula. Para la marca \(j\) y un público \(G\), las tres cantidades se miden sobre el mismo denominador —las personas de \(G\) asignadas a la industria de \(j\), que son las únicas a quienes se les preguntó por ella, con su peso de análisis— de modo que sean comparables entre sí:
\[ \text{conoce}_j = \frac{|\{i \in G_j: \text{conoce } j\}|}{N_{G_j}}, \quad \text{usa}_j = \frac{|\{i \in G_j: \text{compra } j\}|}{N_{G_j}}, \quad \text{prefiere}_j = \frac{|\{i \in G_j: j \text{ es su 1ª}\}|}{N_{G_j}} \]
Cada persona se cuenta una sola vez por etapa y marca. No se impone que quien compra también conozca ni que quien prefiere también compre: las tres se cuentan tal como fueron declaradas.
La tabla por categoría (recorrido_categoria.csv, sobre el total del estudio) usa una tercera etapa más exigente, usa y prefiere: la intersección de comprarla habitualmente y ponerla primera, sobre el mismo denominador.
| Marca | Conoce % | Compra % | Prefiere % | Base expuesta |
|---|---|---|---|---|
| Lider | 96.0 | 64.3 | 14.7 | 393 |
| Sodimac | 95.1 | 30.9 | 4.1 | 393 |
| Falabella | 94.6 | 34.8 | 8.1 | 393 |
| Santa Isabel | 94.0 | 32.2 | 4.3 | 393 |
| Banco Estado | 93.9 | 53.0 | 18.8 | 396 |
| Unimarc | 93.9 | 23.5 | 4.2 | 393 |
| Jumbo | 92.9 | 35.3 | 12.5 | 393 |
| Ripley | 92.4 | 14.8 | 3.4 | 393 |
| Paris | 92.2 | 25.0 | 4.8 | 393 |
| Entel | 91.9 | 30.8 | 15.4 | 395 |
| Cruz verde | 91.5 | 33.6 | 1.4 | 393 |
| Fonasa | 90.8 | 41.3 | 11.8 | 388 |
Comparación con la edición anterior. Se hace por nombre de marca, que es lo único estable: los códigos los reasigna el proveedor cada año. Una marca que entra o sale del listado aparece sin variación, no con variación cero.
5.2 Las funciones de conversión
El problema que resuelven. Una marca poco conocida convierte peor que una muy conocida, y eso no habla de su gestión sino de su tamaño. La tasa cruda —habituales sobre conocedores— tampoco sirve para comparar: con bases chicas salta de un año a otro sin que pase nada real.
Cómo se calcula. Se estima la curva que relaciona una etapa con la siguiente en todo el mercado, y se mide a cada marca por su distancia vertical a esa curva. Para la conversión de conocimiento a uso habitual:
\[ \text{usan}_j \sim \operatorname{Binomial}(\text{conocen}_j,\ \pi_j), \qquad \operatorname{logit}(\pi_j) = \beta_0 + \beta_1 c_j + \beta_2 c_j^2, \]
donde \(c_j\) es el porcentaje de conocimiento de la marca. El diferencial publicado es
\[ D_j = 100\left(\frac{\text{usan}_j}{\text{conocen}_j} - \hat\pi_j\right) \]
en puntos porcentuales. La segunda curva es análoga, con habitualidad como predictor y «usa y prefiere» como desenlace.
Por qué así y no de otra forma.
- Modelo binomial sobre el número de personas, no regresión sobre el porcentaje. Así cada marca pesa según su base y las marcas de nicho no arrastran la curva.
- Familia quasibinomial. El número de personas ya ordena el peso, pero la dispersión entre marcas es mayor que la binomial pura —marcas del mismo tamaño convierten distinto por razones de categoría—. Estimar el parámetro de dispersión evita intervalos demasiado angostos.
- Término cuadrático. La conversión se acelera a medida que la marca es más conocida; un término lineal en la escala logit no captura esa curvatura.
Dos criterios de lectura, no uno. Una marca tiene ventaja si está al menos cinco puntos sobre la curva, que es un umbral operativo. El criterio estadístico es aparte: si el valor observado cae fuera de la banda de confianza de la propia curva. Un diferencial grande dentro de la banda es una curva mal estimada en ese tramo, no una ventaja de la marca.
| Marca | Categoría | Observado % | Esperado % | Diferencial | Fuera de la banda |
|---|---|---|---|---|---|
| Lider | Supermercados | 62.9 | 36.3 | 26.6 | Sí |
| Banco Estado | Bancos | 57.3 | 32.8 | 24.5 | Sí |
| Webpay | Servicios de pago | 38.5 | 15.5 | 23.0 | Sí |
| Enel | Servicios básicos | 27.1 | 9.0 | 18.1 | Sí |
| Aguas Andinas | Servicios básicos | 27.5 | 9.7 | 17.8 | Sí |
| Fonasa | Isapres | 45.4 | 28.2 | 17.3 | Sí |
| Copec | Estaciones de servicio | 40.4 | 24.5 | 15.9 | Sí |
| Integramedica | Prestadores | 20.4 | 7.8 | 12.6 | Sí |
| Red Salud | Prestadores | 23.2 | 10.7 | 12.5 | Sí |
| Mach | Fintech | 20.4 | 8.5 | 11.9 | Sí |
| Banco Falabella | Bancos | 31.3 | 19.7 | 11.5 | Sí |
| Mercado Pago | Fintech | 34.6 | 23.1 | 11.5 | Sí |
| Etapa | Marcas | Diferencial mediano | Con ventaja (≥5 puntos) | Fuera de la banda |
|---|---|---|---|---|
| De conocer a usar | 122 | -1.4 | 26 | 87 |
| De usar a preferir | 122 | -3.4 | 34 | 99 |
Límites.
- La curva se estima sobre todo el mercado, así que las diferencias sistemáticas de categoría aparecen como diferencial. Una empresa de electricidad convierte mucho más que lo que su nivel de conocimiento predice, y eso es una propiedad de la categoría, no de su gestión. La lectura correcta compara dentro de la categoría.
- La conversión es declarativa: «compro habitualmente» no es una medida de participación de mercado ni de frecuencia real.
- Ambas etapas provienen de la misma entrevista. El diferencial describe consistencia entre declaraciones, no una secuencia temporal.
6 Qué pesa en la elección
6.1 Importancia declarada e importancia derivada
La distinción. La importancia declarada sale de preguntar. La derivada sale de modelar qué atributos distinguen a las marcas que la persona efectivamente elige. Las dos miden algo real y no tienen por qué coincidir: un atributo puede mover la elección sin que nadie lo mencione, y viceversa.
Cómo se calcula la derivada. Se construye el menú con las marcas que la persona evaluó (Sección 2.2). En la etapa uno se compara la primera preferida contra todo el menú; en la etapa dos se retira la primera, y en la tercera las dos anteriores. Solo se usan etapas con una elegida válida y al menos dos alternativas.
\[P(Y_{is}=b\mid C_{is})=\frac{\exp(X_{ib}'\beta)}{\sum_{j\in C_{is}}\exp(X_{ij}'\beta)}.\]
Se estima con logit condicional, un estrato por etapa y errores robustos agrupados por persona (survival::clogit, método de Efron). Con una sola elegida por estrato la contribución de verosimilitud coincide con la exacta y admite varianza robusta.
Por qué el menú son las evaluadas y no las conocidas. A las marcas conocidas pero no mostradas nunca se les preguntó por atributos: entrarían al modelo con 25 ceros que la persona jamás declaró. El modelo compara percepciones individuales, y donde no hubo pregunta no hay percepción que comparar.
Lo que cuesta. Se pierden las personas cuya marca preferida no les tocó evaluar. La comparación de esas personas no entra al modelo. Es una pérdida de eficiencia conocida y documentada, preferible a una fila inventada.
| Atributo | Bloque | Declarada | Derivada | Puesto decl. | Puesto deriv. | Salto | Respaldado |
|---|---|---|---|---|---|---|---|
| Sus transacciones son seguras | EmpatIA | 89.7 | 100.0 | 1 | 1 | 0 | Sí |
| Su sitio web y/o aplicación son de uso fá… | Tecnologia | 83.0 | 99.3 | 8 | 2 | 6 | Sí |
| Tiene presencia en todo Chile | EmpatIA | 79.3 | 85.7 | 13 | 3 | 10 | Sí |
| Es amable en el trato | Humanidad | 83.1 | 83.6 | 7 | 4 | 3 | Sí |
| Usa mi mismo lenguaje | Humanidad | 77.5 | 73.5 | 14 | 5 | 9 | Sí |
| Su atención y/o servicio es ágil | Tecnologia | 84.3 | 68.6 | 6 | 6 | 0 | Sí |
| Es fácil de contactar | EmpatIA | 84.8 | 68.4 | 5 | 7 | -2 | Sí |
| Soluciona de manera efectiva mis problemas | EmpatIA | 85.9 | 62.5 | 4 | 8 | -4 | No |
| Sus procesos son automatizados | Tecnologia | 71.6 | 61.7 | 22 | 9 | 13 | Sí |
| Comparte mis valores y principios | Humanidad | 73.3 | 59.7 | 20 | 10 | 10 | No |
| Toma en cuenta y se adapta a las continge… | Humanidad | 81.2 | 58.2 | 11 | 11 | 0 | No |
| Se mantiene actualizada y a la vanguardia… | Tecnologia | 76.6 | 52.9 | 18 | 12 | 6 | No |
| Me permite contactarla a través de person… | Humanidad | 79.8 | 50.9 | 12 | 13 | -1 | No |
| Es honesta y transparente | Humanidad | 86.4 | 50.6 | 3 | 14 | -11 | No |
| Reconoce la antigüedad de nuestra relació… | Humanidad | 82.0 | 49.4 | 10 | 15 | -5 | No |
| Tiene un diseño moderno | Tecnologia | 67.6 | 47.7 | 23 | 16 | 7 | No |
| Me hace sentir comprendido | Humanidad | 76.7 | 43.5 | 17 | 17 | 0 | No |
| Innova constantemente en sus productos y/… | Tecnologia | 74.8 | 40.5 | 19 | 18 | 1 | No |
| Me ofrece servicios, productos y/o benefi… | EmpatIA | 76.9 | 40.2 | 16 | 19 | -3 | No |
| Se hace cargo de sus errores | EmpatIA | 87.5 | 36.7 | 2 | 20 | -18 | No |
| Me regalonea y se preocupa de los detalles | Humanidad | 73.2 | 30.6 | 21 | 21 | 0 | No |
| Se pone en mi lugar cuando tengo un problema | Humanidad | 82.7 | 27.9 | 9 | 22 | -13 | No |
| Se preocupa genuinamente de mi | Humanidad | 77.5 | 0.0 | 15 | 23 | -8 | No |
Cómo leer el salto. Positivo significa que la gente lo subestima al declararlo: pesa más en la elección de lo que dice. Negativo, que lo sobrevalora al declararlo.
6.2 Ganancia de usar el ranking completo
La encuesta no pide solo la marca favorita: pide primera, segunda y tercera. Usar solo la primera descarta dos tercios de la información. El logit de ranking explotado trata la elección ordenada como tres elecciones encadenadas, cada una con su propio estrato.
| Atributo | Error solo favorita | Error ranking | Reducción % |
|---|---|---|---|
| Es fácil de contactar | 0.1467 | 0.0960 | 3455 |
| Me permite contactarla a través de person… | 0.1491 | 0.1008 | 3239 |
| Se mantiene actualizada y a la vanguardia… | 0.1574 | 0.1065 | 3235 |
| Se hace cargo de sus errores | 0.1769 | 0.1200 | 3217 |
| Innova constantemente en sus productos y/… | 0.1510 | 0.1028 | 3192 |
| Toma en cuenta y se adapta a las continge… | 0.1484 | 0.1017 | 3145 |
| Su sitio web y/o aplicación son de uso fá… | 0.1330 | 0.0922 | 3063 |
| Tiene presencia en todo Chile | 0.1243 | 0.0868 | 3014 |
| Sus transacciones son seguras | 0.1421 | 0.0996 | 2996 |
| Tiene un diseño moderno | 0.1369 | 0.0960 | 2990 |
| Sus procesos son automatizados | 0.1430 | 0.1015 | 2898 |
| Es tecnológica | 0.1389 | 0.0994 | 2846 |
6.3 Por industria y por desenlace
Qué agrega. La importancia por industria y por desenlace usa el mismo modelo condicional del resto del proyecto: compara a la persona consigo misma —quien marca muchos atributos en todas las marcas no infla el resultado— y respeta el diseño, porque cada persona ve un menú distinto y el modelo condiciona en ese menú.
Se estima dos veces, con dos desenlaces:
| Desenlace | Variable | Estrato | Observación |
|---|---|---|---|
| Preferencia | Primera, segunda o tercera preferida | Persona × etapa | Una marca por estrato |
| Habitualidad | Compra habitualmente (P11) | Persona | Puede marcar varias |
Para habitualidad el modelo es un logit de efectos fijos por persona: la misma verosimilitud condicional, con varios positivos por estrato. Se exige variación dentro de la persona —si usa todas las marcas que evaluó, o ninguna, no aporta comparación—.
Y por separado dentro de cada industria, porque lo que hace que alguien prefiera un banco no tiene por qué ser lo que lo hace preferir un supermercado. Un ámbito con menos de 40 comparaciones no se estima: veinticinco atributos no se sostienen con esa base.
| Ámbito | Atributo | Peso | Índice | Respaldado | Comparaciones |
|---|---|---|---|---|---|
| Aseguradoras | Sus transacciones son seguras | 0.60 | 100 | Sí | 637 |
| Aseguradoras | Me permite contactarla a través de pe… | 0.48 | 87 | Sí | 637 |
| Aseguradoras | Usa mi mismo lenguaje | 0.42 | 80 | No | 637 |
| Aseguradoras | Sus procesos son automatizados | 0.41 | 79 | No | 637 |
| Aseguradoras | Su sitio web y/o aplicación son de us… | 0.39 | 77 | No | 637 |
| Retail | Usa mi mismo lenguaje | 0.59 | 100 | No | 466 |
| Retail | Innova constantemente en sus producto… | 0.57 | 98 | Sí | 466 |
| Retail | Su sitio web y/o aplicación son de us… | 0.56 | 97 | No | 466 |
| Retail | Es amable en el trato | 0.48 | 89 | No | 466 |
| Retail | Comparte mis valores y principios | 0.47 | 88 | No | 466 |
| Servicios esenciales | Es amable en el trato | 0.74 | 100 | Sí | 668 |
| Servicios esenciales | Su sitio web y/o aplicación son de us… | 0.66 | 95 | Sí | 668 |
| Servicios esenciales | Es cercana | 0.64 | 93 | Sí | 668 |
| Servicios esenciales | Sus transacciones son seguras | 0.56 | 87 | Sí | 668 |
| Servicios esenciales | Tiene presencia en todo Chile | 0.50 | 83 | Sí | 668 |
| Servicios financieros | Tiene presencia en todo Chile | 0.76 | 100 | Sí | 656 |
| Servicios financieros | Su sitio web y/o aplicación son de us… | 0.65 | 88 | Sí | 656 |
| Servicios financieros | Sus transacciones son seguras | 0.64 | 88 | Sí | 656 |
| Servicios financieros | Es fácil de contactar | 0.55 | 79 | No | 656 |
| Servicios financieros | Toma en cuenta y se adapta a las cont… | 0.43 | 67 | No | 656 |
| Total | Sus transacciones son seguras | 0.59 | 100 | Sí | 2427 |
| Total | Su sitio web y/o aplicación son de us… | 0.58 | 99 | Sí | 2427 |
| Total | Tiene presencia en todo Chile | 0.46 | 86 | Sí | 2427 |
| Total | Es amable en el trato | 0.44 | 84 | Sí | 2427 |
| Total | Es cercana | 0.39 | 78 | Sí | 2427 |
| Ámbito | Atributo | Peso | Índice | Respaldado | Comparaciones |
|---|---|---|---|---|---|
| Aseguradoras | Tiene presencia en todo Chile | 0.64 | 100 | Sí | 234 |
| Aseguradoras | Reconoce la antigüedad de nuestra rel… | 0.52 | 89 | No | 234 |
| Aseguradoras | Me permite contactarla a través de pe… | 0.50 | 87 | Sí | 234 |
| Aseguradoras | Es fácil de contactar | 0.42 | 80 | No | 234 |
| Aseguradoras | Sus transacciones son seguras | 0.39 | 77 | No | 234 |
| Retail | Tiene presencia en todo Chile | 0.68 | 100 | Sí | 207 |
| Retail | Su sitio web y/o aplicación son de us… | 0.61 | 94 | Sí | 207 |
| Retail | Es cercana | 0.60 | 94 | Sí | 207 |
| Retail | Es amable en el trato | 0.56 | 90 | Sí | 207 |
| Retail | Sus transacciones son seguras | 0.53 | 87 | Sí | 207 |
| Servicios esenciales | Sus transacciones son seguras | 0.60 | 100 | Sí | 263 |
| Servicios esenciales | Su sitio web y/o aplicación son de us… | 0.58 | 98 | Sí | 263 |
| Servicios esenciales | Me permite contactarla a través de pe… | 0.51 | 91 | Sí | 263 |
| Servicios esenciales | Sus procesos son automatizados | 0.45 | 85 | Sí | 263 |
| Servicios esenciales | Es cercana | 0.42 | 83 | Sí | 263 |
| Servicios financieros | Sus transacciones son seguras | 0.85 | 100 | Sí | 255 |
| Servicios financieros | Su sitio web y/o aplicación son de us… | 0.69 | 86 | Sí | 255 |
| Servicios financieros | Sus procesos son automatizados | 0.53 | 73 | Sí | 255 |
| Servicios financieros | Tiene presencia en todo Chile | 0.53 | 73 | Sí | 255 |
| Servicios financieros | Su atención y/o servicio es ágil | 0.41 | 62 | Sí | 255 |
| Total | Sus transacciones son seguras | 0.63 | 100 | Sí | 959 |
| Total | Su sitio web y/o aplicación son de us… | 0.58 | 95 | Sí | 959 |
| Total | Tiene presencia en todo Chile | 0.51 | 87 | Sí | 959 |
| Total | Es cercana | 0.46 | 80 | Sí | 959 |
| Total | Sus procesos son automatizados | 0.30 | 62 | Sí | 959 |
Límites.
- Comparar coeficientes entre logits separados depende también de su escala residual. Un coeficiente mayor en una industria no prueba que el atributo «importe más» ahí; prueba que separa más dentro de ese menú. Por eso se publica además el índice 0–100 dentro de cada modelo, que es lo comparable.
- Un orden distinto entre industrias no prueba una interacción. Para afirmarla haría falta un modelo con términos de interacción y su propia prueba.
- La habitualidad y los atributos se declaran en la misma entrevista. La asociación no separa «lo uso porque es ágil» de «me parece ágil porque lo uso».
6.4 Cuánto pesa cada bloque
| dimension | peso | error | p | peso_relativo | ic_bajo | ic_alto |
|---|---|---|---|---|---|---|
| EmpatIA | 1.960 | 0.225 | 0 | 0.371 | 1.520 | 2.401 |
| Humanidad | 1.679 | 0.277 | 0 | 0.317 | 1.136 | 2.222 |
| Tecnologia | 1.650 | 0.194 | 0 | 0.312 | 1.269 | 2.031 |
Ver la advertencia de la Sección 4: estos coeficientes corresponden a pasar de cero a todos los atributos del bloque y no son ponderadores equivalentes a los del índice.
7 Fortalezas y debilidades
7.1 La matriz de importancia y perfilamiento
Qué muestra el producto. Cada atributo situado según cuánto le importa al mercado (eje horizontal) y cuánto destaca la marca en él frente a su categoría (eje vertical).
Cómo se construye.
- Eje horizontal: el índice de importancia declarada de la Sección 3.
- Eje vertical: \(100\,(\hat p_{ba} - \bar p_{-b,a})\), donde \(\bar p_{-b,a}\) es el promedio de las otras marcas de su categoría con base suficiente. Cuando ninguna otra marca de la categoría tiene base suficiente, se usa la industria y la tabla lo registra en una columna.
- Corte horizontal: cero, es decir el promedio de la referencia.
- Corte vertical: la mediana de importancia de los atributos.
De ahí los cuatro nombres, y cada uno pide una decisión distinta:
| Cuadrante | Importa | Destaca | Qué hacer |
|---|---|---|---|
| Fortalezas | Sí | Sí | Sostener y comunicar |
| Debilidades | Sí | No | La brecha a trabajar |
| Recursos | No | Sí | Activo disponible si el mercado se mueve |
| Latentes | No | No | Reserva, no prioridad |
El criterio estadístico. La tabla marca aparte si la distancia supera su propio margen, con el mismo procedimiento de la Sección 4.5 —error de la diferencia con la referencia excluida y ajuste de Benjamini–Hochberg—. Una fortaleza dentro del margen es un empate, no una ventaja, y no debería sostener una decisión.
| Marca | Debilidades | Fortalezas | Latentes | Recursos | Sin importancia declarada |
|---|---|---|---|---|---|
| Copec Pay | 7 | 5 | 3 | 8 | 2 |
| Mach | 3 | 9 | 3 | 8 | 2 |
| Mercado Libre | 0 | 12 | 0 | 11 | 2 |
| Mercado Pago | 2 | 10 | 2 | 9 | 2 |
| UC Christus | 1 | 11 | 0 | 11 | 2 |
| Pares marca-atributo | En Fortalezas | Fortalezas respaldadas | En Debilidades | Debilidades respaldadas |
|---|---|---|---|---|
| 2925 | 623 | 78 | 781 | 110 |
La brecha entre «en Fortalezas» y «Fortalezas respaldadas» es la medida honesta de cuánto de esta lámina se puede afirmar. En esta edición supera su margen el 13% de los pares en Fortalezas o Debilidades, con bases medianas de 215 casos efectivos y veinticinco comparaciones por marca.
Límites.
- El eje horizontal es importancia declarada. Usar la derivada (Sección 6.3) cambia el reparto de cuadrantes; las dos lecturas están disponibles y no tienen por qué coincidir.
- El corte de importancia es la mediana: una convención, no un umbral con contenido. Un atributo apenas sobre la mediana y otro apenas bajo ella no son categorías distintas.
7.2 Perfilamiento dentro de la categoría
El problema. Si se comparan los puntajes tal cual, una marca grande aparece destacando en todos los atributos a la vez. Eso es tamaño, no perfil.
La corrección. Para la marca \(b\) y el atributo \(a\) dentro de la categoría \(c\):
\[ A_{ba} = 100\left[\hat p_{ba} - \left(\bar p_{b\cdot} + \bar p_{\cdot a} - \bar p_{\cdot\cdot}\right)\right] \]
donde \(\bar p_{b\cdot}\) es el nivel general de la marca dentro de la categoría, \(\bar p_{\cdot a}\) lo que la categoría entera asocia a ese atributo, y \(\bar p_{\cdot\cdot}\) el nivel general de la categoría. Lo sustraído es lo esperable si la marca no tuviera perfil propio; lo que queda es su apropiación.
Es la misma lógica de un análisis de correspondencias: el residuo respecto de lo que predicen la fila y la columna. Se calcula sobre una tabla de proporciones y no de frecuencias, así que no es un \(\chi^2\) y no lleva su prueba asociada.
| Categoría | Marca | Atributo | Apropiación | Importancia |
|---|---|---|---|---|
| Fintech | Copec Pay | Tiene presencia en todo Chile | 11.3 | 79 |
| Servicios de pago | Compraqui | Sus transacciones son seguras | 11.1 | 90 |
| Mejoramiento del hogar | Sodimac | Tiene presencia en todo Chile | 9.7 | 79 |
| Bancos | Banco Estado | Tiene presencia en todo Chile | 9.4 | 79 |
| Servicios de pago | SumUP | Se mantiene actualizada y a la vang… | 9.1 | 77 |
| AFP | Uno | Tiene presencia en todo Chile | 8.4 | 79 |
| Tiendas de conveniencia | Pronto | Tiene presencia en todo Chile | 7.7 | 79 |
| Internet y Telefonía | GTD | Sus procesos son automatizados | 7.6 | 72 |
| Distribución y logística | Blue Express | Tiene un diseño moderno | 7.5 | 68 |
| Servicios básicos | Lipigas | Tiene presencia en todo Chile | 7.1 | 79 |
| Marketplace | Falabella | Tiene presencia en todo Chile | 7.0 | 79 |
| Servicios de pago | Sencillito | Tiene presencia en todo Chile | 6.8 | 79 |
Límites. Una categoría con dos marcas produce apropiaciones simétricas por construcción: lo que una tiene de más, la otra lo tiene de menos. La lectura es informativa desde tres marcas. Las categorías con una sola marca comparable quedan fuera de la tabla.
8 ¿Y si el índice usara todos los atributos?
El índice publicado combina dos atributos. El estudio mide veinticinco. Este capítulo compara el índice publicado con otras formas de resumir una marca en un número, sobre las mismas marcas y las mismas personas, y describe la estructura de los atributos en que se apoya esa comparación.
8.1 Unidad de análisis
La unidad es el par persona-marca. Una persona \(i\) a quien el cuestionario mostró la marca \(j\) en la batería de atributos (Sección 2.2) responde 25 preguntas binarias: \(y_{ijk}=1\) si le asocia el atributo \(k\), y \(0\) si no. Las marcas que conoce pero que no le fueron mostradas no entran: sus veinticinco ceros no son respuestas.
Las evaluaciones de una misma persona están correlacionadas, porque quien marca un atributo tiende a marcar varios. Para la estimación del modelo de medición esto no invalida los parámetros, pero sí implica que el tamaño efectivo de muestra es menor que el número de filas. Por eso las comparaciones entre índices se validan por división de personas y no por división de filas.
8.2 Dimensionalidad
Con respuestas binarias, la correlación de Pearson subestima la asociación entre ítems. Se utiliza la correlación tetracórica \(\rho^{*}_{kl}\), que estima la correlación de dos variables continuas latentes \(y^{*}_{k}, y^{*}_{l}\) cuya dicotomización produce las respuestas observadas:
\[ y_{ijk} = \mathbb{1}\left[y^{*}_{ijk} > \tau_k\right], \qquad \begin{pmatrix} y^{*}_{k} \\ y^{*}_{l}\end{pmatrix} \sim N\left(0, \begin{pmatrix} 1 & \rho^{*}_{kl} \\ \rho^{*}_{kl} & 1\end{pmatrix}\right) \]
donde \(\tau_k\) es el umbral del ítem \(k\).
Sobre esa matriz se aplica análisis paralelo de Horn: se compara el valor propio de cada dimensión contra la distribución de valores propios en datos sin estructura, generados con las mismas dimensiones y tamaño muestral.
Con muestras grandes el análisis paralelo tiende a señalar dimensiones de magnitud despreciable, porque casi cualquier valor propio supera al de datos aleatorios. Por eso el criterio de decisión no es únicamente cuántas dimensiones “pasan”, sino la magnitud relativa de la primera frente a las siguientes.
| Dimensión | Cuánto explica |
|---|---|
| 1 | 17.048 |
| 2 | 0.673 |
| 3 | 0.323 |
| 4 | 0.089 |
| 5 | 0.070 |
| 6 | 0.056 |
| 7 | 0.039 |
| 8 | 0.009 |
8.3 Proporción atribuible a una dimensión general
Se estima un modelo con un factor general y factores de grupo. Dos cantidades resumen el resultado:
\[ \omega_h = \frac{\left(\sum_k \lambda_{gk}\right)^2}{\operatorname{Var}(X_t)}, \qquad \text{ECV} = \frac{\sum_k \lambda_{gk}^2}{\sum_k \lambda_{gk}^2 + \sum_k \sum_f \lambda_{fk}^2} \]
donde \(\lambda_{gk}\) es la carga del ítem \(k\) en el factor general, \(\lambda_{fk}\) su carga en el factor de grupo \(f\), y \(\operatorname{Var}(X_t)\) la varianza de la suma de los ítems. \(\omega_h\) es la proporción de la varianza de la puntuación total atribuible al factor general; ECV es la proporción de la varianza común explicada por ese factor.
| indicador | valor |
|---|---|
| Evaluaciones persona-marca | 20992.000 |
| Correlacion tipica entre atributos | 0.680 |
| Importancia de la primera dimension | 17.050 |
| Importancia de la segunda dimension | 0.670 |
| Varianza comun explicada por una sola dimension | 68.000 |
| Proporcion atribuible a la dimension general | 0.824 |
| Confiabilidad del conjunto de atributos | 0.984 |
8.4 Discriminación de los ítems
Se ajusta un modelo logístico de dos parámetros. La probabilidad de que la evaluación con nivel latente \(\theta\) endose el atributo \(k\) es:
\[ P(y_k = 1 \mid \theta) = \frac{1}{1 + \exp\left[-a_k(\theta - b_k)\right]} \]
\(a_k\) es la discriminación: cuánto separa el ítem entre evaluaciones de nivel alto y bajo. \(b_k\) es la dificultad: el nivel \(\theta\) en que la probabilidad de endoso alcanza 0,5. Un \(a_k\) alto indica un atributo informativo; un \(a_k\) bajo, uno que marca casi cualquiera.
| Atributo | Bloque | Discriminación | Dificultad |
|---|---|---|---|
| Me hace sentir comprendido | Humanidad | 3.65 | 1.41 |
| Soluciona de manera efectiva mis problemas | EmpatIA | 3.58 | 1.32 |
| Se pone en mi lugar cuando tengo un problema | Humanidad | 3.41 | 1.55 |
| Se preocupa genuinamente de mi | Humanidad | 3.34 | 1.55 |
| Su atención y/o servicio es ágil | Tecnologia | 3.18 | 1.14 |
| Es honesta y transparente | Humanidad | 3.10 | 1.33 |
| Reconoce la antigüedad de nuestra relación … | Humanidad | 3.08 | 1.49 |
| Comparte mis valores y principios | Humanidad | 3.04 | 1.48 |
| Es fácil de contactar | EmpatIA | 3.03 | 1.21 |
| Me regalonea y se preocupa de los detalles | Humanidad | 3.01 | 1.64 |
| Es amable en el trato | Humanidad | 3.00 | 1.14 |
| Es cercana | Humanidad | 3.00 | 1.29 |
| Su sitio web y/o aplicación son de uso fáci… | Tecnologia | 2.91 | 1.04 |
| Me ofrece servicios, productos y/o benefici… | EmpatIA | 2.82 | 1.36 |
| Se hace cargo de sus errores | EmpatIA | 2.79 | 1.49 |
| Innova constantemente en sus productos y/o … | Tecnologia | 2.73 | 1.21 |
| Se mantiene actualizada y a la vanguardia t… | Tecnologia | 2.69 | 1.02 |
| Sus transacciones son seguras | EmpatIA | 2.58 | 0.90 |
| Es tecnológica | Tecnologia | 2.34 | 1.04 |
| Usa mi mismo lenguaje | Humanidad | 2.30 | 1.03 |
| Tiene un diseño moderno | Tecnologia | 2.24 | 1.23 |
| Me permite contactarla a través de personas… | Humanidad | 2.20 | 1.24 |
| Toma en cuenta y se adapta a las contingenc… | Humanidad | 2.16 | 1.09 |
| Sus procesos son automatizados | Tecnologia | 2.12 | 1.05 |
| Tiene presencia en todo Chile | EmpatIA | 1.46 | 0.78 |
8.5 Índices comparados
Para la marca \(j\) se define \(p_{jk}\) como la proporción de quienes la conocen que le asocian el atributo \(k\). Los cuatro índices son:
\[ \begin{aligned} I^{\text{pub}}_j &= w_c\, p_{j,\text{cercana}} + w_t\, p_{j,\text{tecnologica}} \\ I^{\text{prom}}_j &= \tfrac{1}{25}\textstyle\sum_{k} p_{jk} \\ I^{\text{pond}}_j &= \textstyle\sum_{k} \beta_k\, p_{jk} \\ I^{\text{modelo}}_j &= \tfrac{1}{n_j}\textstyle\sum_{i \in C_j} \hat{\theta}_{ij} \end{aligned} \]
donde \(w_c, w_t\) son los ponderadores publicados del año; \(\beta_k\) el coeficiente del atributo \(k\) en el modelo de preferencias; \(C_j\) el conjunto de personas que conocen la marca \(j\); \(n_j = |C_j|\); y \(\hat{\theta}_{ij}\) la puntuación esperada a posteriori del modelo de ítems. A quien conoce la marca y no la tuvo en la batería le corresponde la puntuación de no asociarle ningún atributo, igual que en \(p_{jk}\) cuenta como no asociación.
8.6 Criterio de comparación
El criterio externo es la preferencia declarada, que ningún índice utiliza en su construcción. Se reporta con dos denominadores, porque definen preguntas distintas:
\[ \text{share}_j = 100\cdot\frac{m_j}{N_j}, \qquad \text{tasa}_j = 100\cdot\frac{m_j}{n_j} \]
con \(m_j\) las personas que ponen a la marca \(j\) en primer lugar, \(N_j\) las personas asignadas a su industria y \(n_j\) las que la conocen, todas con su peso de análisis. El share mezcla calidad de percepción con notoriedad; la tasa aísla la percepción del tamaño de la marca. La comparación principal usa la tasa.
La asociación se mide con correlación de Spearman, apropiada porque el interés es el ordenamiento de marcas y no la escala.
8.7 Estabilidad
Se divide la muestra de personas en dos mitades al azar, se calculan los cuatro índices en cada una y se correlaciona el orden resultante. Se repite 15 veces y se reporta la mediana. Un índice estable produce un orden similar con personas distintas.
| Índice | Con share | Con tasa | Estabilidad |
|---|---|---|---|
| Promedio de todos los atributos | 0.478 | 0.551 | 0.715 |
| Todos los atributos ponderados por la eleccion | 0.464 | 0.521 | 0.713 |
| Indice publicado (2 atributos) | 0.406 | 0.506 | 0.733 |
| Puntuacion del modelo de items | 0.182 | 0.279 | 0.715 |
8.8 El índice basado en el modelo de ítems
El promedio de puntuaciones \(\hat{\theta}\) obtiene la peor asociación con el criterio, pese a provenir del modelo de medición mejor especificado. La razón es de agregación, no de ajuste.
La puntuación esperada a posteriori es un estimador contraído hacia la media poblacional:
\[ \hat{\theta}_{ij} = E[\theta \mid \mathbf{y}_{ij}] \approx \frac{\sigma^2_\theta}{\sigma^2_\theta + \sigma^2_e(\mathbf{y}_{ij})}\, \tilde{\theta}_{ij} \]
donde \(\tilde{\theta}_{ij}\) es la estimación no contraída y \(\sigma^2_e\) el error de medición de esa evaluación. La contracción es apropiada para ordenar evaluaciones individuales, pero al promediar dentro de una marca reduce sistemáticamente la varianza entre marcas, que es exactamente la señal de interés.
8.9 Consecuencia sobre el ranking
| Marca | Industria | Base | Puesto publicado | Puesto con todos | Cambio |
|---|---|---|---|---|---|
| GTD | Servicios esenciales | 96 | 37 | 84 | -47 |
| Sencillito | Servicios financieros | 237 | 57 | 94 | -37 |
| Caja Vecina | Servicios financieros | 336 | 67 | 102 | -35 |
| Chek | Servicios financieros | 87 | 36 | 70 | -34 |
| Salcobrand | Retail | 346 | 105 | 72 | 33 |
| Transbank | Servicios financieros | 315 | 63 | 95 | -32 |
| Unimarc | Retail | 363 | 90 | 61 | 29 |
| SumUP | Servicios financieros | 69 | 10 | 37 | -27 |
| Claro | Servicios esenciales | 329 | 52 | 77 | -25 |
| Chilena Consolidada | Aseguradoras | 212 | 77 | 53 | 24 |
| BNP Paribas Cardif | Aseguradoras | 69 | 51 | 75 | -24 |
| Easy | Retail | 338 | 79 | 56 | 23 |
| Temu | Retail | 320 | 41 | 62 | -21 |
| Farmacias Ahumada | Retail | 344 | 95 | 76 | 19 |
| UPA | Retail | 212 | 115 | 96 | 19 |
8.10 Comportamiento de los ítems entre públicos
Si un atributo discrimina en un público y no en otro, comparar puntajes entre públicos deja de ser directo. Se estima el modelo por separado en cada público con al menos 200 personas y se comparan las discriminaciones resultantes mediante correlación de Spearman.
| Públicos comparados | Concordancia mínima | Concordancia media |
|---|---|---|
| 8 | 0.774 | 0.892 |
Esta es una comprobación de orden, no una prueba formal de invariancia de medición. Una concordancia alta indica que los atributos ordenan de forma similar en todos los públicos; no descarta diferencias en los umbrales de cada ítem.
8.11 Limitaciones de esta sección
- El criterio de validación es una preferencia declarada dentro de la misma encuesta, no una conducta observada.
- La alta correlación entre atributos implica que la comparación entre índices tiene menos poder del que sugiere el número de marcas: todos comparten gran parte de su información.
- La adopción de un índice no es una decisión estadística. Requiere definir primero qué debe medir el índice; la evidencia aquí presentada informa esa decisión pero no la reemplaza.
9 Resultados por público
9.1 Construcción
El ranking completo se recalcula dentro de cada público: los puntajes, el índice y el puesto se estiman usando solo a las personas de ese grupo. No se reordena el ranking general.
Los públicos provienen de tres clasificaciones —género, generación, grupo socioeconómico— que no son excluyentes entre sí: una misma persona pertenece a un nivel de cada una. Las cifras de distintas clasificaciones no se suman.
Una marca entra al ranking de un público con el mismo umbral del ranking general: al menos 60 casos efectivos entre las personas de ese público que la conocen. Bajo ese umbral el puntaje tiene un margen tan amplio que el puesto deja de ser informativo.
| Clasificación | Público | Marcas con puesto | Conocimiento mediano |
|---|---|---|---|
| GSE | ABC1 | 125 | 63 |
| GSE | C2 | 125 | 49 |
| GSE | C3 | 125 | 74 |
| GSE | D/E | 125 | 74 |
| Generacion | 45 o mas | 125 | 138 |
| Generacion | Menores de 45 | 125 | 136 |
| Genero | Hombres | 125 | 126 |
| Genero | Mujeres | 125 | 138 |
| Total | Total | 125 | 262 |
10 El mapa de calor por público y su descomposición
10.1 La matriz
Para la marca \(m\) se arma una matriz \(G\) de 25 atributos por niveles de público, donde cada celda es la diferencia contra el promedio de las otras marcas de su industria en ese público:
\[ G_{as} = \hat p_{as}^{(m)} - \frac{1}{|R_s|}\sum_{r \in R_s} \hat p_{as}^{(r)} \]
con \(R_s\) el conjunto de marcas del mismo rubro, excluida \(m\), con base suficiente en el público \(s\). Excluir a la propia marca del referente evita que se compare parcialmente contra sí misma, lo que reduciría artificialmente la diferencia.
10.2 Precisión de cada celda
Dentro de un público, el número de personas que conoce una marca cae sustancialmente, y con él la precisión de cada celda. El error de cada celda, \(\hat\sigma_{as}\), es el de la diferencia de la Sección 4.5 —linealización agrupada por persona, con la marca excluida del referente— calculado dentro del público \(s\).
Cada celda informa su margen, \(\pm 2\,\hat\sigma_{as}\). Se colorea cuando la diferencia es distinguible: el valor \(p\) de \(G_{as}/\hat\sigma_{as}\), ajustado por Benjamini–Hochberg dentro del público —donde se prueban a la vez todas las marcas y todos los atributos—, queda bajo 0,05. Las demás se muestran en gris: no son diferencias pequeñas, son diferencias que la encuesta no permite afirmar.
| segmento | celdas | distinguibles | proporcion | error_mediano | brecha_mediana |
|---|---|---|---|---|---|
| Genero | 5325 | 921 | 0.17 | 2.55 | 3.09 |
| Generacion | 5225 | 840 | 0.16 | 2.53 | 3.05 |
| GSE | 4825 | 420 | 0.09 | 3.32 | 3.34 |
10.3 Separación entre perfil y público
La matriz se descompone en valores singulares:
\[ G = \sum_k d_k\, u_k\, v_k' \]
El primer término es la mejor aproximación de rango uno en mínimos cuadrados (Eckart y Young, 1936):
\[ G_{as} \approx \underbrace{d_1 u_{1a}}_{\text{perfil del atributo}} \times \underbrace{v_{1s}}_{\text{intensidad del público}} \]
Interpretación: la marca tiene un perfil de fortalezas y debilidades, y ese perfil aparece en cada público multiplicado por un factor de intensidad. Si todas las componentes de \(v_1\) comparten signo, la forma del perfil no cambia entre públicos, solo su magnitud.
El signo del par \((u_1, v_1)\) es arbitrario: multiplicar ambos por \(-1\) da la misma aproximación. Se fija de modo que la suma de \(v_1\) sea positiva.
| marcas | varianza_perfil_mediana | marcas_con_perfil_estable | variacion_mediana |
|---|---|---|---|
| 105 | 0.822 | 86 | 0.358 |
10.4 Estabilidad del espacio entre públicos
Pregunta distinta: no cómo se ve una marca en cada público, sino si la estructura del mercado es la misma para todos. Se reconstruye el espacio de posicionamiento dentro de cada público y se comparan los ejes resultantes, alineando previamente los signos.
| eje | segmentos | correlacion_media | correlacion_minima |
|---|---|---|---|
| Eje 1 | 7 | 0.931 | 0.854 |
| Eje 2 | 7 | 0.432 | -0.290 |
10.5 Qué aporta la descomposición
La descomposición opera directamente sobre la matriz de brechas y su primera capa tiene lectura de negocio. Su valor no es descubrir estructura oculta sino separar la parte estable de la ruidosa: la primera capa promedia información a través de todas las celdas y es mucho más precisa que cualquier celda individual.
11 Perfiles de personas que las segmentaciones habituales no ven
11.1 Unidad y espacio
Para la persona \(i\) que evaluó \(n_i\) marcas, su perfil es el vector de proporciones
\[ x_{ik} = \frac{1}{n_i}\sum_{j \in C_i} y_{ijk} \]
donde \(y_{ijk}=1\) si asocia el atributo \(k\) a la marca \(j\). Se exige \(n_i \ge 8\).
El primer componente de \(x\) recoge la generosidad al marcar, no el contenido. Como interesa la forma del perfil, cada persona se centra y escala en su propia distribución:
\[ z_{ik} = \frac{x_{ik} - \bar{x}_{i\cdot}}{s_i} \]
El número de direcciones a retener se determina por análisis paralelo contra permutaciones.
11.2 Dos métodos, dos preguntas
HDBSCAN busca regiones densas separadas por zonas vacías, y deja sin grupo a quien no pertenece a ninguna. Una proporción alta de personas sin grupo indica ausencia de tribus separadas, no un fallo del método.
Mezcla gaussiana finita: la densidad se modela como
\[ f(z) = \sum_{g=1}^{G} \pi_g \, \phi(z \mid \mu_g, \Sigma_g), \qquad \sum_g \pi_g = 1 \]
con \(\pi_g\) el peso del componente \(g\), \(\mu_g\) su centro y \(\Sigma_g\) su matriz de covarianza. El criterio BIC selecciona simultáneamente \(G\) y la parametrización de \(\Sigma_g\) (esférica, diagonal o completa; de volumen y forma iguales o distintos). Cada persona recibe la probabilidad posterior \(\tau_{ig}\) de pertenecer a cada componente; se reporta \(1 - \max_g \tau_{ig}\) como incertidumbre.
11.3 Estabilidad
Se divide la muestra en mitades, se estima el modelo en cada una y se compara la partición con el índice de Rand ajustado:
\[ \text{ARI} = \frac{\sum_{ij}\binom{n_{ij}}{2} - \left[\sum_i\binom{a_i}{2}\sum_j\binom{b_j}{2}\right]/\binom{n}{2}}{\tfrac{1}{2}\left[\sum_i\binom{a_i}{2}+\sum_j\binom{b_j}{2}\right] - \left[\sum_i\binom{a_i}{2}\sum_j\binom{b_j}{2}\right]/\binom{n}{2}} \]
donde \(n_{ij}\) cuenta elementos en el grupo \(i\) de una partición y \(j\) de la otra, \(a_i\) y \(b_j\) son sus marginales. Vale 1 si coinciden y alrededor de 0 si el acuerdo es el del azar.
| grupos | bic | elegido |
|---|---|---|
| 1 | -22931 | FALSE |
| 2 | -22504 | FALSE |
| 3 | -22291 | FALSE |
| 4 | -22158 | FALSE |
| 5 | -22088 | FALSE |
| 6 | -22144 | FALSE |
| 7 | -22032 | TRUE |
| 8 | -22065 | FALSE |
| minimo_por_grupo | grupos | sin_grupo |
|---|---|---|
| 30 | 2 | 83.9 |
| 60 | 2 | 79.4 |
| 120 | 0 | 100.0 |
| 250 | 0 | 100.0 |
| acuerdo_medio | acuerdo_minimo | repeticiones | grupos | certeza_media | sin_grupo_densidad |
|---|---|---|---|---|---|
| 0.773 | 0.648 | 10 | 7 | 0.829 | 79.38 |
| grupo | personas | certeza | porcentaje |
|---|---|---|---|
| 1 | 88 | 0.81 | 6.19 |
| 2 | 34 | 0.71 | 2.39 |
| 3 | 296 | 0.80 | 20.83 |
| 4 | 358 | 0.81 | 25.19 |
| 5 | 271 | 0.90 | 19.07 |
| 6 | 173 | 0.89 | 12.17 |
| 7 | 201 | 0.79 | 14.14 |
Estabilidad y tamaño de los perfiles
| segmentacion | acuerdo | cramer |
|---|---|---|
| genero | 0.004 | 0.151 |
| generacion | 0.012 | 0.206 |
| grupo_nse | 0.004 | 0.078 |
La V de Cramér mide asociación entre dos clasificaciones: \(V = \sqrt{\chi^2 / [n\,(\min(r,c)-1)]}\), con \(r\) y \(c\) el número de categorías. Vale 0 si son independientes y 1 si una determina a la otra.
12 Territorios de marcas
Se aplica la misma mezcla gaussiana al espacio de posicionamiento de las marcas. A diferencia del agrupamiento por particiones, que exige fijar el número de grupos, aquí BIC lo selecciona, y cada marca recibe una probabilidad de pertenencia a cada territorio en vez de una etiqueta rígida.
12.1 Orientación de los ejes
El signo de un componente principal es arbitrario: \((-u_k, -v_k)\) describe el mismo patrón que \((u_k, v_k)\). Sin fijarlo, un eje puede aparecer invertido entre ediciones y simular un giro del mercado inexistente.
Cada eje se orienta de modo que su carga sobre un atributo de referencia fijo sea positiva; si ese atributo tiene carga despreciable (\(|\lambda| \le 0{,}05\)), se usa como respaldo el de mayor carga absoluta. Las referencias son las mismas en todas las ediciones.
| territorios | modelo | certeza_media | marcas_ambiguas |
|---|---|---|---|
| 2 | VEV | 0.964 | 2 |
| marca | territorio_1 | territorio_2 |
|---|---|---|
| Cruz verde | 1.000 | 0.000 |
| Farmacias Ahumada | 1.000 | 0.000 |
| Dr. Simi | 1.000 | 0.000 |
| Salcobrand | 1.000 | 0.000 |
| Easy | 0.999 | 0.001 |
| Sodimac | 0.987 | 0.013 |
| Casa Ideas | 1.000 | 0.000 |
| Ikea | 1.000 | 0.000 |
| Mercado Libre | 1.000 | 0.000 |
| Falabella | 0.742 | 0.258 |
| Hites | 0.967 | 0.033 |
| Paris | 0.921 | 0.079 |
13 Posicionamiento: cómo se construye el mapa
13.1 El espacio de forma
Cada marca es un vector de 25 puntajes. El mapa describe su forma —qué atributos se le asocian más y cuáles menos—, no cuántos: cada perfil se centra y escala en su propia distribución,
\[ z_{mk} = \frac{\hat p_{mk} - \bar p_{m\cdot}}{s_m}, \]
de modo que dos marcas con el mismo patrón quedan en el mismo punto aunque una sea mucho más conocida que la otra.
13.2 Cuántos ejes
El mapa son los componentes principales de \(z\). Cada eje se compara con 200 réplicas en que cada atributo se baraja entre marcas: cuenta como señal si explica más varianza que el percentil 95 de las réplicas. Se muestran los ejes que superan ese umbral, y al menos dos. Los signos se orientan como se describe en la Sección 12.
| eje | varianza | umbral_azar | es_real |
|---|---|---|---|
| 1 | 31.60 | 12.03 | TRUE |
| 2 | 11.39 | 10.28 | TRUE |
| 3 | 9.97 | 9.13 | TRUE |
| 4 | 8.14 | 8.15 | FALSE |
| 5 | 5.19 | 7.39 | FALSE |
| 6 | 4.75 | 6.71 | FALSE |
| 7 | 4.58 | 6.13 | FALSE |
| 8 | 3.37 | 5.59 | FALSE |
La varianza explicada describe a las personas que generaron el mapa. La prueba con otras personas es aparte: la muestra se parte al azar en dos mitades, 20 veces. Con la primera mitad se aprende el mapa —incluido el centro de cada atributo— y con la segunda se mide el error de reconstruir los perfiles con 0, 1, 2… ejes, sobre las marcas que conocen al menos 30 personas en cada mitad. Se recomienda el menor número de ejes cuyo error queda a un error estándar del mínimo.
| componentes | error_estandar | error | divisiones | recomendado |
|---|---|---|---|---|
| 0 | 0.00001 | 0.00118 | 20 | FALSE |
| 1 | 0.00001 | 0.00098 | 20 | FALSE |
| 2 | 0.00001 | 0.00095 | 20 | FALSE |
| 3 | 0.00001 | 0.00093 | 20 | FALSE |
| 5 | 0.00001 | 0.00092 | 20 | TRUE |
| 8 | 0.00001 | 0.00097 | 20 | FALSE |
| 12 | 0.00001 | 0.00102 | 20 | FALSE |
| 20 | 0.00001 | 0.00109 | 20 | FALSE |
| 24 | 0.00001 | 0.00111 | 20 | FALSE |
13.3 Grupos de marcas
Los grupos del mapa salen de PAM sobre distancias euclidianas en el espacio de forma, con 2 a 8 grupos. Se elige el número de mayor silueta media, y cada silueta se contrasta con el percentil 95 de 40 réplicas barajadas: sin ese contraste cualquier método devuelve grupos.
| grupos | silueta | umbral_azar | supera_azar |
|---|---|---|---|
| 2 | 0.191 | 0.065 | TRUE |
| 3 | 0.168 | 0.057 | TRUE |
| 4 | 0.125 | 0.051 | TRUE |
| 5 | 0.122 | 0.050 | TRUE |
| 6 | 0.118 | 0.048 | TRUE |
| 7 | 0.101 | 0.050 | TRUE |
| 8 | 0.104 | 0.052 | TRUE |
La estabilidad se mide con las mismas 20 divisiones de la muestra. En cada mitad se forman de 2 a 6 grupos, y se registran dos cosas: el acuerdo ajustado de Rand entre las dos particiones de las mismas marcas, y la silueta de la segunda mitad cuando cada marca se asigna al medoide más cercano de la primera. Los umbrales 0,65 de acuerdo y 0,25 de silueta externa describen estabilidad; no son una prueba de significación. Si ningún número de grupos los cumple, los grupos del mapa son una partición descriptiva de un continuo, no segmentos del mercado.
| grupos | acuerdo | silueta_externa | estabilidad_suficiente |
|---|---|---|---|
| 2 | 0.220 | 0.148 | FALSE |
| 3 | 0.327 | 0.119 | FALSE |
| 4 | 0.254 | 0.088 | FALSE |
| 5 | 0.248 | 0.080 | FALSE |
| 6 | 0.231 | 0.066 | FALSE |
UMAP seguido de HDBSCAN se corre como contraste: 12 veces con hiperparámetros sorteados (8 a 20 vecinos, distancia mínima entre 0,05 y 0,3, tamaño mínimo de grupo entre 4 y 9), sobre los datos reales y sobre datos barajados. Si los barajados producen tantos grupos como los reales, el método no distingue estructura de azar.
| datos | grupos_min | grupos_max | grupos_medio | sin_grupo_medio |
|---|---|---|---|---|
| Reales | 2 | 10 | 3.9 | 6 |
| Barajados | 2 | 10 | 3.4 | 21 |
14 Del modelo de elección a los escenarios
14.1 Regularización y evaluación fuera de muestra
Predicciones y escenarios usan una penalización ridge sobre la log-verosimilitud media por etapa, \(\lambda\lVert\beta\rVert^2/2\). Los atributos son binarios y comparten escala. La optimización verifica convergencia y emplea probabilidades con centrado por menú para evitar desbordamientos.
Se usan tres pliegues externos de personas completas. En cada entrenamiento se construyen tres pliegues internos para elegir entre \(\lambda\in\{0.001,0.01,0.1,1\}\). La regla de un error estándar prefiere la penalización mayor entre ajustes comparables. Ninguna respuesta de una persona del pliegue externo participa en selección ni ajuste de su modelo.
Los referentes «marca más conocida» e «índice» se vuelven a calcular con las personas del entrenamiento elegibles para la tarea. Una marca ausente del entrenamiento no recibe información del pliegue de prueba. Los empates distribuyen el acierto entre alternativas empatadas. El azar asigna crédito \(1/|C_i|\).
Se registra acierto de primera preferencia para todos los criterios y log-loss y Brier multiclase para el modelo probabilístico. Los intervalos de acierto usan 1.000 remuestreos de personas sobre predicciones externas, condicionados a los ajustes; no incluyen toda la variación por volver a elegir pliegues y modelos. El ajuste final selecciona su penalización de nuevo usando todos los datos, exclusivamente para escenarios y descripción posterior.
| criterio | acierto | ic_bajo | ic_alto | personas_prueba |
|---|---|---|---|---|
| Azar | 8.90 | 8.57 | 9.26 | 1013 |
| Indice EmpatIA | 19.42 | 16.57 | 22.68 | 1013 |
| Marca mas conocida | 20.74 | 17.92 | 23.63 | 1013 |
| Modelo de eleccion | 53.50 | 49.72 | 57.39 | 1013 |
| perdida | brier |
|---|---|
| 1.617 | 0.6718 |
La validación evalúa nuevas personas de la misma edición con percepciones contemporáneas disponibles. No acredita predicción de ventas, nuevas marcas o nuevas olas. Las columnas por persona están en validacion_personas.csv; se conservan separadas de la presentación ejecutiva.
14.2 Escenarios de marca y público
El escenario activa un atributo entre una fracción \(f\) de quienes conocen la marca y todavía no se lo asocian. No añade \(f\) puntos porcentuales a toda la base. Para una persona con probabilidad \(p\) y coeficiente \(\beta\), la nueva probabilidad es:
\[p'=\frac{e^\beta p}{1+(e^\beta-1)p}.\]
Se suma \(f(p'-p)\) sobre personas sin asociación y se divide por todas las personas elegibles del público. Se expresa en puntos de primera preferencia. La interfaz recalcula sobre el público elegido usando los pesos poblacionales regularizados compartidos; no estima un modelo causal específico de marca o segmento.
No se asignan intervalos de efecto a un escenario hipotético: la incertidumbre de una intervención real no queda identificada por esta encuesta. Los escenarios son análisis de sensibilidad del modelo, no estimaciones confirmatorias de retorno.
14.3 Derivación
Sea \(p\) la probabilidad estimada de que una persona elija la marca \(m\) dentro de su conjunto de alternativas, y \(b_k\) el coeficiente del atributo \(k\) en el modelo de elección. Si esa persona pasa a asociar el atributo, la utilidad de \(m\) sube en \(b_k\) y la de las demás alternativas no cambia. Escribiendo \(e = \exp(b_k)\):
\[ p' = \frac{e\,\exp(u_m)}{D - \exp(u_m) + e\,\exp(u_m)} \]
donde \(D\) es la suma de exponenciales de todas las alternativas del conjunto. Dividiendo numerador y denominador por \(D\):
\[ \boxed{\; p' = \frac{e\,p}{1 + (e-1)\,p} \;} \]
El resultado depende solo de \(p\) y \(b_k\): es exacto y no requiere simulación. El efecto agregado sobre el share de preferencia es
\[ \Delta_k = f \cdot \frac{n_k}{N} \cdot \overline{(p' - p)} \]
con \(f\) la fracción de personas que cambia de opinión, \(n_k\) el número de personas elegibles —que conocen la marca y aún no le asocian \(k\)—, \(N\) las personas expuestas a su industria, y el promedio tomado sobre las personas elegibles.
14.4 Alcance de la lectura
\(\Delta_k\) describe asociación, no efecto causal. En esta edición, con la percepción del año anterior el efecto cae de 0,339 a 0,054: la relación entre percepción y preferencia es sobre todo simultánea, y la parte que anticipa al año siguiente es pequeña.
| Atributo | Palanca | No se lo asocian | Share actual | Puntos asociados |
|---|---|---|---|---|
| Es amable en el trato | 1 | 66 | 1.862 | 0.015 |
| Me permite contactarla a través de person… | 2 | 78 | 1.862 | 0.013 |
| Es cercana | 3 | 65 | 1.862 | 0.012 |
| Su sitio web y/o aplicación son de uso fá… | 4 | 51 | 1.862 | 0.011 |
| Sus transacciones son seguras | 5 | 50 | 1.862 | 0.011 |
| Soluciona de manera efectiva mis problemas | 6 | 64 | 1.862 | 0.009 |
| Toma en cuenta y se adapta a las continge… | 7 | 64 | 1.862 | 0.009 |
| Comparte mis valores y principios | 8 | 72 | 1.862 | 0.009 |
| Es fácil de contactar | 9 | 55 | 1.862 | 0.009 |
| Tiene presencia en todo Chile | 10 | 41 | 1.862 | 0.008 |
| Reconoce la antigüedad de nuestra relació… | 11 | 74 | 1.862 | 0.008 |
| Usa mi mismo lenguaje | 12 | 48 | 1.862 | 0.007 |
15 Un modelo de la preferencia en el tiempo
15.1 Especificación
Para la marca \(j\) de la industria \(s\) en el año \(t\), sean \(n_{jt}\) las personas que la conocen y \(y_{jt}\) las que la ponen en primer lugar:
\[ y_{jt} \sim \text{Binomial}(n_{jt},\ \pi_{jt}) \]
\[ \operatorname{logit}(\pi_{jt}) = \beta_0 + \beta_1 \tilde{P}_{jt} + \beta_2 \tilde{A}_{jt} + \beta_3 t + u_j + v_s, \qquad u_j \sim N(0,\sigma_u^2), \quad v_s \sim N(0,\sigma_v^2) \]
donde \(\tilde{P}_{jt}\) es la percepción estandarizada —el promedio de los atributos—, \(\tilde{A}_{jt}\) el alcance estandarizado, \(t\) el año centrado en la primera edición, \(u_j\) el término propio de la marca y \(v_s\) el de la industria.
Modelar la preferencia como binomial con denominador conocido pondera automáticamente por el tamaño de la base: una marca con 60 conocedores aporta menos que una con 200, sin necesidad de pesos definidos a mano. Los términos \(u_j\) y \(v_s\) producen pooling parcial: las marcas con poca información se acercan al promedio de su industria en vez de generar estimaciones extremas.
15.2 Separación entre y dentro
Un único coeficiente \(\beta_1\) mezcla dos fuentes de variación. La descomposición de Mundlak las separa:
\[ \operatorname{logit}(\pi_{jt}) = \beta_0 + \beta_B \bar{P}_j + \beta_W (\tilde{P}_{jt} - \bar{P}_j) + \gamma_B \bar{A}_j + \gamma_W (\tilde{A}_{jt} - \bar{A}_j) + \beta_3 t + u_j + v_s \]
con \(\bar{P}_j\) el promedio de la percepción de la marca en el tiempo. \(\beta_B\) compara marcas distintas; \(\beta_W\) sigue a la misma marca a lo largo del tiempo. El segundo es el relevante para decidir.
15.3 Interpretación de los coeficientes
En escala logit, \(\exp(\beta)\) es el factor por el que se multiplican las probabilidades relativas de ser primera preferencia ante un aumento de una desviación estándar en el predictor.
| especificacion | parametros | bic | elegido |
|---|---|---|---|
| Solo diferencias entre marcas | 2 | 2258 | FALSE |
| Percepcion y ano | 4 | 2084 | FALSE |
| Con alcance e industria | 6 | 1968 | FALSE |
| Separando entre marcas y dentro | 8 | 1962 | TRUE |
| Modelo | Término | Efecto | Error est. | z | p | IC bajo | IC alto | exp(efecto) |
|---|---|---|---|---|---|---|---|---|
| Modelo elegido | percepcion_marca | 0.587 | 0.048 | 12.284 | 0.000 | 0.493 | 0.680 | 1.798 |
| Modelo elegido | percepcion_desvio | 0.339 | 0.032 | 10.573 | 0.000 | 0.276 | 0.402 | 1.403 |
| Modelo elegido | alcance_marca | 0.665 | 0.057 | 11.749 | 0.000 | 0.554 | 0.776 | 1.945 |
| Modelo elegido | alcance_desvio | 0.662 | 0.114 | 5.816 | 0.000 | 0.439 | 0.885 | 1.938 |
| Modelo elegido | t | 0.026 | 0.020 | 1.308 | 0.191 | -0.013 | 0.064 | 1.026 |
| Entre marcas y dentro | percepcion_marca | 0.587 | 0.048 | 12.284 | 0.000 | 0.493 | 0.680 | 1.798 |
| Entre marcas y dentro | percepcion_desvio | 0.339 | 0.032 | 10.573 | 0.000 | 0.276 | 0.402 | 1.403 |
| Entre marcas y dentro | alcance_marca | 0.665 | 0.057 | 11.749 | 0.000 | 0.554 | 0.776 | 1.945 |
| Entre marcas y dentro | alcance_desvio | 0.662 | 0.114 | 5.816 | 0.000 | 0.439 | 0.885 | 1.938 |
| Entre marcas y dentro | t | 0.026 | 0.020 | 1.308 | 0.191 | -0.013 | 0.064 | 1.026 |
| nivel | desviacion |
|---|---|
| marca | 0.400 |
| industria | 0.404 |
15.4 Robustez
Cuatro estimaciones del mismo efecto bajo decisiones distintas:
| prueba | efecto | observaciones |
|---|---|---|
| Modelo principal | 0.339 | 340 |
| Remuestreo de marcas (mediana) | 0.365 | 40 |
| Percepcion del ano anterior | 0.054 | 211 |
| Solo marcas con base holgada | 0.419 | 322 |
| ic_bajo | ic_alto | replicas |
|---|---|---|
| 0.317 | 0.426 | 40 |
Todas las estimaciones de robustez
El remuestreo sortea marcas completas con reemplazo y reestima: si el efecto dependiera de unas pocas marcas influyentes, el intervalo sería amplio. La especificación rezagada sustituye \(\tilde{P}_{jt}\) por \(\tilde{P}_{j,t-1}\): separa la asociación simultánea de la que anticipa al año siguiente. La restricción a bases holgadas (\(n_{jt} \ge 120\)) verifica que el resultado no lo produzcan las marcas peor medidas.
En esta edición, con la percepción del año anterior el efecto cae de 0,339 a 0,054: la relación entre percepción y preferencia es sobre todo simultánea, y la parte que anticipa al año siguiente es pequeña.
15.5 Limitaciones
- El modelo describe asociación. Ningún término admite lectura causal: percepción y preferencia se miden en la misma entrevista.
- Con 3 ediciones, los términos por marca descansan en pocas observaciones cada uno. El pooling parcial mitiga el problema pero no lo elimina.
- La percepción entra medida con error, que no se corrige explícitamente. Su efecto probable es una atenuación: el coeficiente estimado sería una cota inferior del real.
16 Tendencias entre ediciones
16.1 Comparación de dos encuestas independientes
Cada edición entrevista a una muestra nueva. Para dos proporciones \(\hat p_1, \hat p_2\) estimadas en dos ediciones independientes, el error estándar de su diferencia es
\[ \widehat{\operatorname{SE}}(\hat p_2 - \hat p_1) = \sqrt{\frac{\hat p_1(1-\hat p_1)}{n_{\text{ef},1}} + \frac{\hat p_2(1-\hat p_2)}{n_{\text{ef},2}}} \]
con \(n_{\text{ef}} = \left(\sum_i m_i\right)^2 / \sum_i m_i^2\) los casos efectivos de cada indicador en su edición, sumando sobre quienes lo responden. En una edición sin ponderador muestral (\(m_i = 1\)) coinciden con los casos entrevistados.
Se contrasta \(H_0: p_1 = p_2\) con el estadístico \(z = (\hat p_2 - \hat p_1)/\widehat{\operatorname{SE}}\).
El Índice EmpatIA promedio se compara entre ediciones con la misma lógica, usando el error de linealización de cada edición en lugar de la fórmula binomial (Sección 4.4).
16.2 Control de comparaciones múltiples
Contra la edición anterior se comparan 15 indicadores a la vez. Sin corrección, con \(\alpha = 0{,}05\) se esperarían 0,8 falsos positivos solo por azar. Se aplica el procedimiento de Benjamini–Hochberg, que controla la proporción esperada de falsos descubrimientos entre los declarados significativos: los valores \(p\) ordenados \(p_{(1)} \le \dots \le p_{(m)}\) se comparan contra \(\frac{i}{m}\alpha\) y se rechaza hasta el mayor \(i\) que cumple. La comparación contra la edición anterior y la comparación contra la primera edición se ajustan por separado.
16.3 Regla temporal
El análisis de una edición usa esa edición y todas las anteriores disponibles, nunca posteriores. Un informe describe lo que se sabía en su momento.
| Indicador | Antes | Ahora | Cambio | Error est. | p | p ajustado | Lectura |
|---|---|---|---|---|---|---|---|
| Me da miedo que los robots terminen reempla… | 42.21 | 50.70 | 8.493 | 1.776 | 0.000 | 0.000 | Sube |
| Los sistemas automatizados pueden tener la … | 15.65 | 22.27 | 6.614 | 1.396 | 0.000 | 0.000 | Sube |
| Espera marcas tecnologicas | 75.82 | 69.34 | -6.479 | 1.590 | 0.000 | 0.000 | Baja |
| Hay situaciones en que los seres humanos so… | 83.13 | 76.97 | -6.158 | 1.424 | 0.000 | 0.000 | Baja |
| Importante balancear cercania y tecnologia | 82.62 | 78.12 | -4.500 | 1.417 | 0.001 | 0.004 | Baja |
| Los sistemas automatizados son eficientes e… | 33.29 | 37.59 | 4.305 | 1.708 | 0.012 | 0.029 | Sube |
| Mi nivel de confianza en la Inteligencia Ar… | 37.40 | 34.22 | -3.172 | 1.713 | 0.064 | 0.120 | Dentro del margen |
| Espera marcas cercanas | 85.89 | 83.08 | -2.809 | 1.293 | 0.030 | 0.064 | Dentro del margen |
| La inteligencia artificial no tiene sentido… | 73.57 | 71.56 | -2.008 | 1.594 | 0.208 | 0.312 | Dentro del margen |
| Paga incluso si le cuesta mas | 15.71 | 13.74 | -1.975 | 1.266 | 0.119 | 0.198 | Dentro del margen |
| Paga si no le cuesta mas | 73.06 | 74.24 | 1.177 | 1.575 | 0.455 | 0.561 | Dentro del margen |
| Dispuesto a pagar | 88.78 | 87.98 | -0.798 | 1.145 | 0.486 | 0.561 | Dentro del margen |
| No esta dispuesto a pagar | 11.22 | 12.02 | 0.798 | 1.145 | 0.486 | 0.561 | Dentro del margen |
| Prefiere marcas cercanas | 63.05 | 62.91 | -0.140 | 1.726 | 0.935 | 0.935 | Dentro del margen |
| Prefiere marcas tecnologicas | 36.95 | 37.09 | 0.140 | 1.726 | 0.935 | 0.935 | Dentro del margen |
| edicion | casos | cercanas | tecnologicas | brecha | error |
|---|---|---|---|---|---|
| 2023 | 1670 | 83.71 | 75.81 | 7.90 | 1.38 |
| 2024 | 1559 | 85.89 | 75.82 | 10.07 | 1.40 |
| 2025 | 1572 | 83.08 | 69.34 | 13.74 | 1.50 |
17 ¿Alcanza un modelo aditivo?
17.1 La pregunta
El modelo de elección del estudio es aditivo en los atributos: la utilidad de una marca es la suma de lo que aporta cada atributo, y ese aporte no depende de los demás. Es una decisión de modelado, no un hecho observado, y tiene una consecuencia incómoda.
La tesis central de EmpatIA —que equilibrar humanidad y tecnología vale más que la suma de ambas— es literalmente una interacción. Un modelo aditivo no puede detectarla aunque exista, y el Índice tampoco: un promedio ponderado es aditivo por construcción.
Este capítulo pone a competir cuatro formas funcionales sobre los mismos datos, con la misma estructura de verosimilitud. Lo único que cambia entre ellas es cómo se construye la utilidad, y eso es lo que hace la comparación interpretable.
| Especificación | Utilidad | Parámetros |
|---|---|---|
| Aditivo (vigente) | \(\sum_k \beta_k x_k\) | 25 |
| Aditivo + interacciones | lo anterior, más cercana × tecnologica y el producto de los promedios de los bloques Humanidad y Tecnología |
27 |
| Red de 4 unidades | \(w_2' \tanh(W_1 x + b_1)\) | 108 |
| Red de 8 unidades | lo mismo, con 8 unidades ocultas | 216 |
17.2 Cómo se estima
Las cuatro comparten la verosimilitud condicional del Sección 6: un softmax dentro del menú que cada persona efectivamente evaluó.
\[ P(Y_s = j) = \frac{\exp\left(u(x_j)\right)}{\sum_{k \in C_s} \exp\left(u(x_k)\right)}, \qquad \ell = \frac{1}{S}\sum_s \log P(Y_s = y_s) - \frac{\lambda}{2}\lVert\theta\rVert^2. \]
La red no lleva sesgo en su capa de salida: una constante por alternativa se cancela dentro del softmax y no estaría identificada. La penalización ridge se aplica a las cuatro formas, para que la comparación sea entre formas funcionales y no entre niveles de regularización.
La verosimilitud y su gradiente analítico están escritos a mano y se optimizan con optim() y BFGS. No se agrega ninguna dependencia de aprendizaje profundo: con 216 parámetros no hace falta, y el código queda auditable línea a línea.
17.3 Cómo se compara
El criterio no es el ajuste sino el desempeño en personas que el modelo nunca vio. Con 2.427 comparaciones y veinticinco predictores binarios, una red sobreajusta sin esfuerzo.
Se usan cinco pliegues por persona, no por fila: una persona aporta varias comparaciones y todas caen del mismo lado. Partirlas dejaría respuestas de la misma persona a ambos lados del corte y el resultado sería optimista.
La comparación es pareada por pliegue. Los pliegues difieren entre sí en dificultad, y esa variación afecta por igual a las cuatro especificaciones: compararlas por sus medias independientes cuenta esa variación dos veces y esconde diferencias reales.
| Especificación | Parámetros | Log-verosimilitud | ± error | Acierto % | ± error |
|---|---|---|---|---|---|
| Red de 4 unidades | 108 | -1.682 | 0.0266 | 45.2 | 0.60 |
| Red de 8 unidades | 216 | -1.682 | 0.0266 | 45.2 | 0.55 |
| Aditivo + interacciones | 27 | -1.735 | 0.0207 | 44.6 | 1.02 |
| Aditivo (especificacion vigente) | 25 | -1.753 | 0.0209 | 45.1 | 1.05 |
| Especificación | Ganancia en log-verosimilitud | ± error pareado | Ganancia en acierto (pp) | p | Supera su margen |
|---|---|---|---|---|---|
| Red de 4 unidades | 0.0717 | 0.0062 | 0.01 | 0.0003 | Sí |
| Red de 8 unidades | 0.0712 | 0.0062 | 0.07 | 0.0003 | Sí |
| Aditivo + interacciones | 0.0184 | 0.0010 | -0.49 | 0.0000 | Sí |
17.4 Qué resulta, y cómo leerlo
Conviene separar dos preguntas que suelen confundirse.
¿Es detectable que la forma aditiva se queda corta? Sí. La prueba pareada rechaza que las formas flexibles empaten con la aditiva. Con veinticinco atributos binarios hay interacciones reales y el modelo aditivo no las recoge.
¿Vale la pena reemplazarla? No con estos datos. La mejor forma flexible, la red de 4 unidades, gana 0,072 de log-verosimilitud por comparación con el mismo acierto, a cambio de pasar de 25 parámetros interpretables a 108 que no lo son. La especificación intermedia —aditivo más dos interacciones— recoge el 26% de esa ganancia con dos parámetros extra.
El simulador del dashboard usa la especificación aditiva. Cambiar su forma funcional por una ventaja de este tamaño agregaría opacidad sin agregar exactitud, y el simulador existe justamente para que alguien pueda explicar por qué se mueve el número.
17.5 La tesis del estudio, puesta a prueba directamente
La especificación intermedia permite contestar la pregunta de frente, con un coeficiente y su error en vez de una caja negra.
| Término | Coeficiente | Error | p | Supera su margen |
|---|---|---|---|---|
| cercana x tecnologica | -0.100 | 0.172 | 0.563 | No |
| Humanidad x Tecnologia | -4.738 | 0.543 | 0.000 | Sí |
Cómo se lee este resultado, con cuidado. El producto de los promedios de los dos bloques resulta negativo y supera su margen (-4,74, p < 0,001). Tomado literalmente diría que acumular atributos de humanidad y de tecnología a la vez aporta menos que la suma de ambos: rendimientos decrecientes, no una bonificación por equilibrio.
Antes de llevar eso a una lámina conviene notar tres cosas:
- Es un efecto de saturación, no necesariamente una refutación. Los términos lineales ya recogen gran parte del aporte. El producto captura la curvatura restante, y con predictores acotados entre 0 y 1 esa curvatura es casi siempre negativa: quien ya marca muchos atributos tiene poco margen para que uno más cambie su elección.
- La escala importa. El producto de dos promedios no está centrado, así que su coeficiente no se interpreta como «el efecto del equilibrio» sino como el ajuste de curvatura condicional a los términos lineales. Un modelo centrado daría el mismo ajuste con otro número.
- El producto de los dos atributos del Índice —
cercana × tecnologica, el que corresponde exactamente a la fórmula publicada— no supera su margen (-0,10, p = 0,56). Sobre la cantidad que el estudio efectivamente publica, no hay evidencia ni a favor ni en contra de una bonificación por equilibrio.
Conclusión defendible. Los datos no respaldan que combinar humanidad y tecnología produzca un premio por sobre la suma de ambas; tampoco lo descartan para los dos atributos del Índice. La tesis del estudio se sostiene como propuesta de posicionamiento —las marcas mejor evaluadas puntúan alto en ambas— y no como un efecto multiplicativo demostrado.
17.6 Qué aprendió la forma ganadora
Una red no entrega coeficientes legibles. Se la mira de dos maneras.
Importancia por permutación. Se baraja una columna entre marcas y se mide cuánto empeora la predicción. Se calcula igual para las formas lineales, así que las cuatro se comparan en la misma escala.
| Término | Bloque | Pérdida al barajar | ± error | Índice 0-100 |
|---|---|---|---|---|
| Sus transacciones son seguras | EmpatIA | 0.0317 | 0.0013 | 100 |
| Su sitio web y/o aplicación son de uso fáci… | Tecnologia | 0.0311 | 0.0011 | 98 |
| Es amable en el trato | Humanidad | 0.0246 | 0.0007 | 78 |
| Es cercana | Humanidad | 0.0221 | 0.0007 | 70 |
| Su atención y/o servicio es ágil | Tecnologia | 0.0212 | 0.0010 | 67 |
| Soluciona de manera efectiva mis problemas | EmpatIA | 0.0201 | 0.0013 | 63 |
| Sus procesos son automatizados | Tecnologia | 0.0151 | 0.0009 | 48 |
| Es fácil de contactar | EmpatIA | 0.0151 | 0.0007 | 48 |
| Me ofrece servicios, productos y/o benefici… | EmpatIA | 0.0139 | 0.0007 | 44 |
| Tiene presencia en todo Chile | EmpatIA | 0.0135 | 0.0009 | 43 |
| Comparte mis valores y principios | Humanidad | 0.0127 | 0.0011 | 40 |
| Me regalonea y se preocupa de los detalles | Humanidad | 0.0104 | 0.0006 | 33 |
| Me permite contactarla a través de personas… | Humanidad | 0.0091 | 0.0005 | 29 |
| Me hace sentir comprendido | Humanidad | 0.0085 | 0.0003 | 27 |
| Toma en cuenta y se adapta a las contingenc… | Humanidad | 0.0072 | 0.0008 | 23 |
Dependencia parcial. Cuánto cambia la utilidad al pasar el atributo de ausente a presente, manteniendo todo lo demás. En la forma aditiva esto reproduce el coeficiente y su dispersión es cero por construcción. En la red, una dispersión alta señala un atributo cuyo aporte depende del resto del perfil: exactamente lo que el modelo aditivo no puede representar.
| Atributo | Bloque | Aporte medio | Dispersión del aporte |
|---|---|---|---|
| Me ofrece servicios, productos y/o benefici… | EmpatIA | 0.519 | 0.289 |
| Es cercana | Humanidad | 0.632 | 0.269 |
| Es amable en el trato | Humanidad | 0.643 | 0.258 |
| Su atención y/o servicio es ágil | Tecnologia | 0.608 | 0.258 |
| Soluciona de manera efectiva mis problemas | EmpatIA | 0.659 | 0.252 |
| Sus transacciones son seguras | EmpatIA | 0.639 | 0.251 |
| Se preocupa genuinamente de mi | Humanidad | 0.285 | 0.241 |
| Me regalonea y se preocupa de los detalles | Humanidad | 0.519 | 0.239 |
| Sus procesos son automatizados | Tecnologia | 0.479 | 0.227 |
| Es fácil de contactar | EmpatIA | 0.491 | 0.216 |
| Comparte mis valores y principios | Humanidad | 0.553 | 0.212 |
| Su sitio web y/o aplicación son de uso fáci… | Tecnologia | 0.635 | 0.206 |
17.7 Límites de este capítulo
- El tamaño manda. Con este número de comparaciones, ninguna forma flexible va a lucirse. El resultado dice qué se puede distinguir con esta muestra, no qué forma funcional es verdadera.
- La red no se interpreta. La importancia por permutación y la dependencia parcial son descripciones del modelo ajustado, no parámetros con error estándar propio.
- Sigue siendo asociación. Cambiar la forma funcional no cambia el diseño: percepción y preferencia se declaran en la misma entrevista.
- Una sola arquitectura. Se probó una capa oculta con dos anchos. No se exploraron profundidades mayores, otras activaciones ni otros niveles de penalización, porque con esta base ese espacio de búsqueda produciría sobreajuste de selección más que aprendizaje.
18 Reproducibilidad, controles y límites del estudio
18.1 Cómo se reproduce una edición
Desde la carpeta del año, source("codigo/0_masterfile.R") corre el pipeline completo y regenera tablas, figuras, informe, apéndice y datos de los dos dashboards. El único archivo que cambia de un año a otro es ese masterfile: contiene el año, la ruta a la base, el catálogo de marcas y los pesos del índice. Todo el resto del código es idéntico entre ediciones y vive en compartido/, que se copia a cada año en cada corrida.
| Paso | Archivo | Qué produce |
|---|---|---|
| 1 | 1_limpieza_datos.R |
Tablas largas y el registro de exposición (Sección 2.2) |
| 2 | 2_analisis.R |
Puntajes, índice, rankings, importancia declarada |
| — | inferencia.R |
Márgenes y las tres referencias (Sección 4.5) |
| 3 | 3_otros_analisis.R |
Modelo de elección, escenarios, posicionamiento |
| — | deep_dive.R |
Recorrido, conversiones, cuadrantes, perfilamiento |
| — | estructura.R |
Estabilidad del mapa con otras personas |
| — | indice_inductivo.R |
Índices alternativos (Sección 8) |
| — | tendencias.R |
Comparación entre ediciones |
| — | segmentos_latentes.R |
Perfiles de personas y territorios de marcas |
| — | modelo_preferencia.R |
Modelo multinivel entre ediciones |
| — | modelo_neuronal.R |
Carrera de formas funcionales (Sección 17) |
| 4 | informe.qmd |
Informe |
| 5 | apendice_metodologico.qmd |
Este documento |
Las semillas de todo procedimiento aleatorio están fijadas en el código. Dos corridas sobre la misma base producen las mismas cifras.
18.2 Controles automáticos
auditoria/comprobar.R revisa, sobre los archivos ya generados:
- que no haya personas duplicadas;
- que toda asociación con una marca venga acompañada de conocerla y de haberla evaluado;
- que las preferencias sean consistentes con el menú;
- que la fórmula del índice reproduzca las tablas publicadas;
- que las predicciones evaluadas no provengan de las mismas personas usadas para ajustar los modelos.
Además, 1_limpieza_datos.R detiene la corrida si falla cualquiera de los tres controles de diseño de la Sección 2.2. Un supuesto de exposición roto invalida todos los denominadores, así que no se continúa con una advertencia.
18.3 Los seis límites que conviene tener presentes
- No es inferencia de diseño. Muestra con cuotas de un panel online. Esta edición no trae ponderador muestral: las cifras describen a las personas entrevistadas.
- Todo es simultáneo. Percepción, preferencia y uso se declaran en la misma entrevista. Ninguna asociación identifica una dirección causal.
- Las bases son moderadas. La marca mediana del ranking la conocen 282 personas. Con veinticinco atributos y tres referencias, la mayoría de las diferencias individuales cae dentro del margen.
- El listado de marcas cambia. Entre ediciones entran y salen marcas. Un cambio de puesto puede venir de eso y no del mercado.
- Los públicos se solapan. Una misma persona está en varios. Las diferencias entre niveles de una segmentación no controlan por las otras.
- La ponderación corrige composición, no selección. Los pesos de la Sección 2.3 igualan la distribución de industrias usadas entre los asignados y los usuarios. No corrigen no respuesta, cobertura ni autoselección al panel, y su propensidad es estimada, no una probabilidad de diseño documentada por el proveedor.
18.4 Referencias metodológicas
- Agresti, A. (2013). Categorical Data Analysis, 3ª ed. Wiley. Intervalos de Wilson, logit condicional, modelos de respuesta ordenada.
- Benjamini, Y. y Hochberg, Y. (1995). Controlling the false discovery rate. JRSS-B 57(1), 289–300.
- Chamberlain, G. (1980). Analysis of covariance with qualitative data. Review of Economic Studies 47(1), 225–238. Logit de efectos fijos (Sección 6.3).
- Chan, K.-Y. y Loh, W.-Y. sobre análisis de correspondencias como residuos de un modelo multiplicativo; ver también Greenacre, M. (2017). Correspondence Analysis in Practice, 3ª ed. CRC Press.
- Hastie, T., Tibshirani, R. y Friedman, J. (2009). The Elements of Statistical Learning, 2ª ed. Springer. Regularización y validación cruzada.
- Horn, J. L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika 30, 179–185.
- Hubert, L. y Arabie, P. (1985). Comparing partitions. Journal of Classification 2, 193–218. Índice de Rand ajustado.
- McFadden, D. (1974). Conditional logit analysis of qualitative choice behavior. En Zarembka (ed.), Frontiers in Econometrics. Academic Press.
- McLachlan, G. y Peel, D. (2000). Finite Mixture Models. Wiley. Mezclas gaussianas y selección por BIC.
- Reise, S. P. (2012). The rediscovery of bifactor measurement models. Multivariate Behavioral Research 47(5), 667–696. \(\omega_h\) y ECV.
- Scrucca, L. et al. (2016). mclust 5. The R Journal 8(1), 289–317.
- Wedderburn, R. W. M. (1974). Quasi-likelihood functions. Biometrika 61(3), 439–447. Familia quasibinomial de las curvas de conversión (Sección 5.2).