EmpatIA 2026 · 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:

1. Qué muestra el informe. La afirmación que se hace y con qué cifra.
2. Cómo se calcula. Fórmula, denominador, población incluida.
3. Supuestos. Lo que tiene que ser cierto para que la cifra signifique lo que dice.
4. Detalle estadístico. Estimación, error, criterios de decisión.
5. Robustez y resultados adicionales. Análisis de sensibilidad y resultados que el informe no muestra.
6. 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 2026. La base es la entrega del proveedor en Excel (btbdcl_296974_20260921_so.xlsx), 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: el ponderador muestral de esta edición corrige su composición por sexo, edad, GSE y región (Sección 2.3.1), pero no la vuelve probabilística. 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.

Personas expuestas a las marcas de cada industria

Industria	Marcas en el listado	Personas expuestas
Aseguradoras	32	384
Retail	33	388
Servicios esenciales	28	388
Servicios financieros	32	396

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 28 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 174 personas o más, y el 80% central de las marcas queda entre 122 y 188. A una marca muy conocida se le pregunta a poco más de la mitad de quienes la conocen; a una de nicho, a todas.

Cobertura de la batería de atributos: de quienes conocen la marca, a cuántos se les preguntó

Marcas	Conocedores, mediana	Con la batería delante, mediana	Cobertura mínima	Cobertura mediana	Cobertura máxima
122	263.5	174	0.47	0.65	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 2026 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 (2026) viene ponderada. El proveedor entrega un ponderador de post-estratificación por celda: dentro de cada combinación de sexo × tramo de edad × GSE × región, todas las personas reciben el mismo peso, calculado para que el total de la celda reproduzca su tamaño poblacional.

Se normaliza a media 1, de modo que la suma de los pesos sea el número de casos y toda base ponderada se lea en la misma unidad que una sin ponderar. Esa normalización no cambia ningún porcentaje: todos son cocientes de sumas ponderadas.

Efecto del ponderador muestral sobre la composición de la muestra

Variable	Categoría	Casos	% de la muestra	% ponderado	Corrección
Genero	Hombres	773	49.7	48.9	-0.8
Genero	Mujeres	783	50.3	51.1	0.8
GSE	AB	18	1.2	1.7	0.5
GSE	C1a	109	7.0	10.2	3.2
GSE	C1b	162	10.4	9.0	-1.5
GSE	C2	249	16.0	15.6	-0.4
GSE	C3	491	31.6	30.9	-0.6
GSE	D	527	33.9	32.5	-1.3
Tramo de edad	18_24	221	14.2	19.9	5.7
Tramo de edad	25_34	300	19.3	20.9	1.7
Tramo de edad	35_44	289	18.6	18.2	-0.4
Tramo de edad	45_54	297	19.1	17.7	-1.3
Tramo de edad	55_64	240	15.4	14.3	-1.1
Tramo de edad	65_75	209	13.4	8.8	-4.6

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.

2.3.1.1 Ediciones ponderadas y no ponderadas en una misma serie

Con ponderador muestral: 2026. Sin ponderador, con \(m_i = 1\) para todo el mundo: 2023, 2024 y 2025.

Dos cosas acotan lo que eso implica para comparar. La primera es que las cuotas del terreno son las mismas todos los años, así que la muestra sin ponderar ya parte cerca de la composición objetivo: la corrección que introduce el ponderador es de pocos puntos, no de órdenes de magnitud. La segunda es que la comparación entre ediciones que más se usa —quién subió y quién bajó en el ranking— se apoya en diferencias dentro de la misma edición, donde el ponderador afecta a las dos marcas comparadas por igual.

Con todo, un cambio pequeño entre 2025 y 2026 en un indicador de opinión puede deberse en parte al ponderador y no a un cambio real, y así se lee: el análisis longitudinal señala como movimiento solo lo que supera el margen de las dos ediciones.

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.

Composición de los asignados frente a la de los usuarios

Industria	Usuarios	Asignados	Industrias que usa: usuarios	Industrias que usa: asignados	Ponderado
Servicios financieros	1120.2	396	3.32	2.79	3.19
Retail	1152.5	388	3.21	2.71	3.33
Servicios esenciales	1339.3	388	3.04	2.21	3.08
Aseguradoras	725.1	384	3.66	3.48	3.66

Y usar más industrias sí predice conocer más marcas: con efectos fijos de industria, cada industria adicional se asocia con conocer 2,09 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 = 0,13).

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:

Los pesos reconstruyen la base de usuarios

Industria	Usuarios declarados	Suma de los pesos	Desvío %	Efecto de diseño	Casos efectivos
Servicios financieros	1120.2	1035	-7.6	1.29	306
Retail	1152.5	1230	6.8	1.40	278
Servicios esenciales	1339.3	1379	3.0	1.72	226
Aseguradoras	725.1	725	0.0	1.12	343

1. 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 7,6%.
2. La composición ponderada coincide con la de los usuarios: en la tabla anterior, Servicios esenciales pasa de 2,21 industrias usadas en promedio (sin ponderar) a 3,08 (ponderado), frente a 3,04 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 1,12 a 1,72 según la industria, de modo que una marca con trescientos conocedores puede tener la precisión de 175.

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

Efecto de ponderar sobre el alcance

Industria	Marcas	Cambio medio (pp)	Cambio mediano (pp)	Cambio máximo (pp)
Aseguradoras	32	0.68	0.53	3.14
Retail	33	3.80	3.43	6.88
Servicios esenciales	28	6.30	5.84	11.21
Servicios financieros	32	3.14	3.37	5.86

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 6,30 puntos en promedio.

Efecto de ponderar sobre el ranking

Marcas	Cambio de puesto, mediana	Cambio de puesto, promedio	Cambio máximo	No se mueven
115	5	6.3	30	12

Las marcas que más se mueven al ponderar

Marca	Industria	Puesto sin ponderar	Puesto ponderado	Sube	Índice sin ponderar	Índice ponderado
Itaú Corpbanca	Servicios financieros	92	70	22	7.7	9.1
Banco Santander	Servicios financieros	64	43	21	10.4	11.3
Colmena	Aseguradoras	83	65	18	8.8	9.6
Copec	Servicios esenciales	17	37	-20	15.8	11.9
Enel	Servicios esenciales	46	69	-23	11.7	9.1
Jetsmart	Servicios esenciales	79	102	-23	9.4	6.3
Claro	Servicios esenciales	40	64	-24	12.2	9.6
Gasco	Servicios esenciales	68	93	-25	10.3	6.9
Aguas Andinas	Servicios esenciales	72	97	-25	10.2	6.8
Lipigas	Servicios esenciales	52	82	-30	11.2	8.1

Entre las diez primeras marcas del ranking ponderado, el mayor cambio de puesto es de 5 lugares. De las diez marcas que más se mueven, 7 son de Servicios esenciales, y el mayor salto es de 30 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. El ponderador muestral de esta edición corrige la composición por sexo, edad, GSE y región, no quién acepta contestar un panel online, 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.

La entrega de esta edición ya viene depurada por el proveedor —«sin outliers»—, así que no hay exclusiones adicionales.

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

Composición de la muestra

variable	categoria	n	porcentaje	porcentaje_muestra	base_pregunta
Genero	Hombres	773	48.9	49.7	1556
Genero	Mujeres	783	51.1	50.3	1556
GSE	AB	18	1.7	1.2	1556
GSE	C1a	109	10.2	7.0	1556
GSE	C1b	162	9.0	10.4	1556
GSE	C2	249	15.6	16.0	1556
GSE	C3	491	30.9	31.6	1556
GSE	D	527	32.5	33.9	1556
Region	I Región de Tarapacá	33	1.9	2.1	1556
Region	II Región de Antofagasta	60	3.5	3.9	1556
Region	III Región de Atacama	28	1.6	1.8	1556
Region	IV Región de Coquimbo	75	4.3	4.8	1556
Region	IX Región de La Araucanía	88	5.4	5.7	1556
Region	V Región de Valparaíso	171	10.3	11.0	1556
Region	VI Región del Libertador General Bernardo O’Higgins	80	5.2	5.1	1556
Region	VII Región del Maule	95	5.9	6.1	1556
Region	VIII Región del Bío Bío	144	8.9	9.3	1556
Region	X Región de los Lagos	77	4.7	4.9	1556
Region	XI Región de Aysén del General Carlos Ibañez del Campo	8	0.6	0.5	1556
Region	XII Región de Magallanes y la Antártica Chilena	16	0.9	1.0	1556
Region	XIII Región Metropolitana	580	40.5	37.3	1556
Region	XIV Región Los Ríos	42	2.2	2.7	1556
Region	XV Arica y Parinacota	19	1.3	1.2	1556
Region	XVI Ñuble	40	2.7	2.6	1556
Tramo de edad	18_24	221	19.9	14.2	1556
Tramo de edad	25_34	300	20.9	19.3	1556
Tramo de edad	35_44	289	18.2	18.6	1556
Tramo de edad	45_54	297	17.7	19.1	1556
Tramo de edad	55_64	240	14.3	15.4	1556
Tramo de edad	65_75	209	8.8	13.4	1556

La muestra se levanta con cuotas de sexo, edad, grupo socioeconómico y región. En esta edición las cifras usan el ponderador muestral (Sección 2.3.1), que lleva la composición a la de la población por esas cuatro variables; la columna sin ponderar describe a las personas entrevistadas tal como quedaron. 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.

Importancia declarada de los atributos

Atributo	Bloque	Promedio 1 a 7	Índice 0 a 100	Entre los tres (%)
Sus transacciones son seguras	EmpatIA	6.32	88.7	31.3
Que proteja mis datos cuando utiliza inteligencia artificial	IA responsable	6.23	87.2	25.4
Se hace cargo de sus errores	EmpatIA	6.17	86.2	16.5
Es honesta y transparente	Humanidad	6.12	85.4	21.2
Soluciona de manera efectiva mis problemas	EmpatIA	6.10	85.1	26.6
Es fácil de contactar	EmpatIA	5.97	82.8	13.6
Su atención y/o servicio es ágil	Tecnologia	5.96	82.7	18.4
Es amable en el trato	Humanidad	5.89	81.5	9.3
Se pone en mi lugar cuando tengo un problema	Humanidad	5.87	81.2	11.2
Su sitio web y/o aplicación son de uso fácil e intuitivo	Tecnologia	5.87	81.1	13.5
Reconoce la antigüedad de nuestra relación siendo su cliente	Humanidad	5.79	79.9	10.2
Toma en cuenta y se adapta a las contingencias (ej: pandemia)	Humanidad	5.75	79.2	5.5
Me permite contactarla a través de personas reales (ej: un ejecutivo)	Humanidad	5.74	79.0	14.4
Tiene presencia en todo Chile	EmpatIA	5.62	77.0	9.9
Se preocupa genuinamente de mi	Humanidad	5.58	76.3	6.3
Me hace sentir comprendido	Humanidad	5.55	75.9	4.1
Usa mi mismo lenguaje	Humanidad	5.54	75.6	6.6
Me ofrece servicios, productos y/o beneficios personalizados	EmpatIA	5.52	75.4	10.0
Se mantiene actualizda y a la vanguardia tecnológica	Tecnologia	5.48	74.7	7.3
Que use la inteligencia artificial sin perder el trato humano	IA responsable	5.42	73.7	7.0
Innova constantemente en sus productos y/o servicios	Tecnologia	5.38	73.1	5.5
Comparte mis valores y principios	Humanidad	5.38	73.1	5.7
Que use la inteligencia artificial sin perder autenticidad en su forma de comunicarse.	IA responsable	5.27	71.2	4.8
Me regalonea y se preocupa de los detalles	Humanidad	5.16	69.4	3.9
Sus procesos son automatizados	Tecnologia	5.14	69.0	4.3
Tiene un diseño moderno	Tecnologia	4.93	65.5	2.9

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.

Los cinco atributos más importantes en cada público

Público	Puesto	Atributo	Índice
45 o mas (Generacion)	1	Sus transacciones son seguras	89.7
45 o mas (Generacion)	2	Que proteja mis datos cuando utiliza inteli…	89.3
45 o mas (Generacion)	3	Se hace cargo de sus errores	86.8
45 o mas (Generacion)	4	Es honesta y transparente	86.3
45 o mas (Generacion)	5	Soluciona de manera efectiva mis problemas	85.8
ABC1 (GSE)	1	Sus transacciones son seguras	90.6
ABC1 (GSE)	2	Se hace cargo de sus errores	88.2
ABC1 (GSE)	3	Que proteja mis datos cuando utiliza inteli…	88.0
ABC1 (GSE)	4	Soluciona de manera efectiva mis problemas	87.7
ABC1 (GSE)	5	Es honesta y transparente	86.0
C2 (GSE)	1	Sus transacciones son seguras	88.9
C2 (GSE)	2	Que proteja mis datos cuando utiliza inteli…	87.7
C2 (GSE)	3	Es honesta y transparente	86.4
C2 (GSE)	4	Se hace cargo de sus errores	86.4
C2 (GSE)	5	Soluciona de manera efectiva mis problemas	84.6
C3 (GSE)	1	Sus transacciones son seguras	88.2
C3 (GSE)	2	Que proteja mis datos cuando utiliza inteli…	87.0
C3 (GSE)	3	Se hace cargo de sus errores	86.3
C3 (GSE)	4	Es honesta y transparente	85.2
C3 (GSE)	5	Soluciona de manera efectiva mis problemas	84.1
D/E (GSE)	1	Sus transacciones son seguras	87.7
D/E (GSE)	2	Que proteja mis datos cuando utiliza inteli…	86.5
D/E (GSE)	3	Se hace cargo de sus errores	84.8
D/E (GSE)	4	Es honesta y transparente	84.6
D/E (GSE)	5	Soluciona de manera efectiva mis problemas	84.5
Hombres (Genero)	1	Sus transacciones son seguras	87.3
Hombres (Genero)	2	Que proteja mis datos cuando utiliza inteli…	86.1
Hombres (Genero)	3	Se hace cargo de sus errores	85.0
Hombres (Genero)	4	Es honesta y transparente	84.9
Hombres (Genero)	5	Soluciona de manera efectiva mis problemas	84.2
Menores de 45 (Generacion)	1	Sus transacciones son seguras	87.9
Menores de 45 (Generacion)	2	Se hace cargo de sus errores	85.8
Menores de 45 (Generacion)	3	Que proteja mis datos cuando utiliza inteli…	85.7
Menores de 45 (Generacion)	4	Es honesta y transparente	84.7
Menores de 45 (Generacion)	5	Soluciona de manera efectiva mis problemas	84.6
Mujeres (Genero)	1	Sus transacciones son seguras	89.9
Mujeres (Genero)	2	Que proteja mis datos cuando utiliza inteli…	88.2
Mujeres (Genero)	3	Se hace cargo de sus errores	87.4
Mujeres (Genero)	4	Soluciona de manera efectiva mis problemas	85.9
Mujeres (Genero)	5	Es honesta y transparente	85.8
Total (Total)	1	Sus transacciones son seguras	88.7
Total (Total)	2	Que proteja mis datos cuando utiliza inteli…	87.2
Total (Total)	3	Se hace cargo de sus errores	86.2
Total (Total)	4	Es honesta y transparente	85.4
Total (Total)	5	Soluciona de manera efectiva mis problemas	85.1

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.

Indicadores de contexto, con su pregunta de origen y su base

Indicador	Pregunta	%	Base
Espera marcas tecnologicas	P1_1	63.169	1556
Espera marcas cercanas	P1_2	83.359	1556
Prefiere marcas tecnologicas	P2	33.046	1556
Prefiere marcas cercanas	P2	66.954	1556
Importante balancear cercania y tecnologia	P3	75.827	1556
No esta dispuesto a pagar	P6	14.830	1556
Paga si no le cuesta mas	P6	70.959	1556
Paga incluso si le cuesta mas	P6	14.211	1556
Dispuesto a pagar	P6	85.170	1556
Uso malintencionado (ej. manipulación de información, ciberataques)	P20_1	71.594	1556
Pérdida de empleos debido a la automatización	P20_2	57.020	1556
Violación de la privacidad y uso indebido de datos personales	P20_3	70.430	1556
Generación de información incorrecta o imprecisa por parte de la Inteligencia Artificial	P20_4	63.890	1556
Falta de regulación o supervisión ética	P20_7	64.811	1556
Disminución de nuestra capacidad cognitiva por depender demasiado de la Inteligencia Artificial	P20_8	61.908	1556
Los sistemas automatizados son eficientes en la resolución de problemas o consultas	P17_1	39.823	1556
Los sistemas automatizados pueden tener la empatía o comprensión que tienen los humanos	P17_2	24.680	1556
Hay situaciones en que los seres humanos son insustituibles en la atención al cliente	P17_3	74.554	1556
Me da miedo que los robots terminen reemplazando a los humanos en el futuro	P17_4	49.405	1556
La inteligencia artificial no tiene sentido sin ser complementada con inteligencia humana	P17_5	69.469	1556
Mi nivel de confianza en la Inteligencia Artificial ha aumentado en los últimos 12 meses	P17_6	35.976	1556
Los sistemas automatizados me hacen sentir que la marca es moderna y eficiente	P17_7	35.576	1556
Me preocupa que las marcas usen inteligencia artificial para manipular mis decisiones de compra	P17_8	59.926	1556
Las marcas deberían informarme cuándo estoy hablando con una inteligencia artificial	P17_9	78.516	1556
Mi nivel de desconfianza en la Inteligencia Artificial ha aumentado en los últimos 12 meses	P17_10	45.122	1556
Me siento entusiasmado frente a los aportes que la Inteligencia Artificial puede generar en nuestras vidas	P17_11	43.103	1556
Me siento nervioso / preocupado por la entrada de la Inteligencia Artificial en nuestras vidas	P17_12	46.023	1556
Hoy muchas marcas empiezan a parecerse entre sí.	P17_13	67.332	1556
Mientras la experiencia sea buena, me da lo mismo cuánta Inteligencia Artificial utilice una marca.	P17_14	35.566	1556
Una marca puede utilizar Inteligencia Artificial para crear publicidad sin perder autenticidad.	P17_15	44.411	1556
Una publicidad creada completamente con Inteligencia Artificial me genera menos confianza que una creada con participación humana.	P17_16	59.295	1556
Estaría dispuesto(a) a pagar un poco más por marcas que usan la Inteligencia Artificial de forma ambientalmente responsable.	P17_17	32.131	1556
Aceptaría respuestas más lentas o experiencias más simples si eso reduce el impacto ambiental de la Inteligencia Artificial.	P17_18	54.508	1556
Los beneficios que entrega la Inteligencia Artificial compensan su impacto en el medio ambiente.	P17_19	26.000	1556
El impacto ambiental de la Inteligencia Artificial es un problema exagerado.	P17_20	29.808	1556
El uso de la Inteligencia Artificial genera un consumo de grandes cantidades de energía y agua	P17_21	52.748	1556
Prefiere una persona - Para un tramite	P21	59.422	1556
Prefiere servicio automatizado - Para un tramite	P21	19.625	1556
Le da lo mismo - Para un tramite	P21	20.952	1556
Prefiere una persona - Para un problema	P23	78.579	1556
Prefiere servicio automatizado - Para un problema	P23	10.741	1556
Le da lo mismo - Para un problema	P23	10.680	1556
Conoce Chat GPT (OpenAI)	P18#1	83.450	1556
Conoce Google Gemini (Google)	P18#2	80.370	1556
Conoce Grok (xAI)	P18#3	20.197	1556
Conoce Meta AI (Meta)	P18#4	72.066	1556
Conoce Copilot (Microsoft)	P18#5	33.206	1556
Conoce DeepSeek	P18#6	14.885	1556
Conoce Perplexity	P18#7	11.434	1556
Conoce Claude (Anthropic)	P18#8	28.513	1556
Conoce Otro, ¿Cuál?	P18#98	1.325	1556
Conoce Ninguna	P18#99	5.200	1556
Usa Chat GPT (OpenAI)	P19_1	57.395	1269
Usa Google Gemini (Google)	P19_2	53.174	1223
Usa Meta AI (Meta)	P19_4	30.647	1115
Usa Copilot (Microsoft)	P19_5	30.854	490
Usa Perplexity	P19_7	26.500	169
Usa Claude (Anthropic)	P19_8	33.114	399
Usa Grok (xAI)	P19_3	15.707	283
Usa DeepSeek	P19_6	16.940	208
Usa [Otro P13]	P19_98	66.648	19

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 P17 a P27 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.

Esta edición incluye tres atributos sobre uso responsable de la inteligencia artificial (26–28). Forman un bloque propio, IA responsable, fuera de los tres anteriores, de modo que Humanidad, Tecnología y EmpatIA tienen la misma composición en todas las ediciones. El índice no los usa, y toda comparación entre ediciones se hace sobre los atributos comunes a las ediciones comparadas.

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.

Peso relativo de cada bloque en la elección (diagnóstico, no ponderadores del índice)

dimension	peso	error	p	peso_relativo	ic_bajo	ic_alto
Tecnologia	2.150	0.212	0.000	0.442	1.734	2.566
EmpatIA	1.769	0.237	0.000	0.364	1.306	2.233
Humanidad	1.072	0.344	0.002	0.220	0.398	1.746
IA responsable	-0.128	0.217	0.554	-0.026	-0.554	0.297

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.

Ranking general con márgenes del índice

Puesto	Marca	Índice	Desde	Hasta	Conocedores	Casos efectivos
1	Mercado Libre	25.7	20.8	30.7	335	246
2	Bupa	22.8	17.4	28.2	169	153
3	Lider	20.1	16.0	24.3	363	263
4	Tenpo	19.5	15.0	24.1	248	193
5	UC Christus	18.8	12.6	24.9	120	106
6	Compraqui	18.5	13.3	23.6	176	144
7	Cencopay	18.2	13.6	22.8	196	152
8	Mach	17.9	13.5	22.4	240	187
9	Banco Estado	17.7	13.8	21.5	371	290
10	Uno	17.0	12.2	21.8	182	165
11	Paris	17.0	12.7	21.3	331	241
12	Entel	16.5	12.5	20.4	348	207
13	Spid	16.2	9.2	23.2	90	65
14	Fonasa	15.8	12.4	19.2	345	308
15	Tapp	15.8	9.1	22.4	121	97
16	Uber	15.5	11.3	19.7	304	184
17	Copec Pay	15.5	10.0	21.0	132	106
18	Mercado Pago	15.5	12.0	18.9	344	269
19	Wom	15.4	11.4	19.4	326	192
20	Banco Falabella	15.3	11.3	19.2	317	249

Cuántos puestos del top 10 se solapan entre sí

Puesto	Marca	Índice	Se solapa con
1	Mercado Libre	25.7	9
2	Bupa	22.8	9
3	Lider	20.1	9
4	Tenpo	19.5	9
5	UC Christus	18.8	9
6	Compraqui	18.5	9
7	Cencopay	18.2	9
8	Mach	17.9	9
9	Banco Estado	17.7	9
10	Uno	17.0	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.

Índice EmpatIA promedio por edición, hasta esta

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
2026	115	10.79	0.33	-0.41	0.3650	52.5/47.5

Índice EmpatIA promedio en cada público de esta edición

Segmento	Público	Marcas	Promedio	Error est.
GSE	C3	59	11.13	0.64
GSE	D/E	73	11.92	0.60
Generacion	45 o mas	106	10.89	0.44
Generacion	Menores de 45	106	10.30	0.42
Genero	Hombres	107	10.96	0.42
Genero	Mujeres	103	10.25	0.45
Total	Total	115	10.79	0.33

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.

Cuántas marcas aportan a cada referencia (total del estudio)

Con referencia de categoría	Mediana de marcas en la categoría	Con referencia de industria	Mediana de marcas en la industria	Con referencia del estudio
115	5	115	28	115

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.

Recorrido en el público total, marcas con mayor conocimiento

Marca	Conoce %	Compra %	Prefiere %	Base expuesta
Lider	94.7	61.0	12.9	388
Banco Estado	94.5	63.6	21.2	396
Falabella	92.8	39.8	11.6	388
Jumbo	91.7	35.9	10.6	388
Entel	91.5	40.5	15.0	388
Mercado Libre	91.2	50.4	17.6	388
Unimarc	90.8	28.0	2.3	388
Santa Isabel	90.2	31.2	5.9	388
Mercado Pago	89.8	41.1	12.5	396
Fonasa	89.5	53.4	19.2	384
Cruz verde	89.5	29.5	1.5	388
Movistar	88.8	25.5	5.5	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.

Marcas con mayor ventaja de conversión, de conocer a usar

Marca	Categoría	Observado %	Esperado %	Diferencial	Fuera de la banda
Fonasa	Isapres	61.2	34.1	27.1	Sí
Banco Estado	Bancos	68.7	44.1	24.6	Sí
Enel	Servicios básicos	28.3	9.5	18.8	Sí
Lider	Supermercados	62.8	44.6	18.3	Sí
Aguas Andinas	Servicios básicos	29.1	10.9	18.2	Sí
Compraqui	Servicios de pago	23.9	7.9	16.0	Sí
Mach	Fintech	26.2	10.9	15.3	Sí
Dr. Simi	Farmacias	42.9	28.7	14.2	Sí
Webpay	Servicios de pago	39.2	25.2	14.0	Sí
Integramedica	Prestadores	23.1	9.2	13.9	Sí
Mercado Libre	Marketplace	50.7	37.3	13.5	Sí
Bupa	Prestadores	18.3	7.9	10.5	Sí

Resumen de las dos curvas

Etapa	Marcas	Diferencial mediano	Con ventaja (≥5 puntos)	Fuera de la banda
De conocer a usar	122	-2.0	27	91
De usar a preferir	121	-1.2	31	94

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 28 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.

Importancia declarada frente a derivada

Atributo	Bloque	Declarada	Derivada	Puesto decl.	Puesto deriv.	Salto	Respaldado
Sus transacciones son seguras	EmpatIA	88.7	100.0	1	1	0	Sí
Su sitio web y/o aplicación son de uso fá…	Tecnologia	81.1	96.3	10	2	8	Sí
Tiene un diseño moderno	Tecnologia	65.5	62.2	26	3	23	Sí
Sus procesos son automatizados	Tecnologia	69.0	60.3	25	4	21	Sí
Tiene presencia en todo Chile	EmpatIA	77.0	56.5	14	5	9	Sí
Es amable en el trato	Humanidad	81.5	55.4	8	6	2	No
Soluciona de manera efectiva mis problemas	EmpatIA	85.1	53.7	5	7	-2	No
Me permite contactarla a través de person…	Humanidad	79.0	53.5	13	8	5	No
Es fácil de contactar	EmpatIA	82.8	53.4	6	9	-3	No
Es honesta y transparente	Humanidad	85.4	52.1	4	10	-6	No
Su atención y/o servicio es ágil	Tecnologia	82.7	51.7	7	11	-4	No
Toma en cuenta y se adapta a las continge…	Humanidad	79.2	50.4	12	12	0	No
Que use la inteligencia artificial sin pe…	IA responsable	71.2	47.3	23	13	10	No
Innova constantemente en sus productos y/…	Tecnologia	73.1	46.6	21	14	7	No
Me ofrece servicios, productos y/o benefi…	EmpatIA	75.4	45.6	18	15	3	No
Me hace sentir comprendido	Humanidad	75.9	43.4	16	16	0	No
Me regalonea y se preocupa de los detalles	Humanidad	69.4	43.1	24	17	7	No
Comparte mis valores y principios	Humanidad	73.1	39.2	22	18	4	No
Reconoce la antigüedad de nuestra relació…	Humanidad	79.9	38.5	11	19	-8	No
Se hace cargo de sus errores	EmpatIA	86.2	36.3	3	20	-17	No
Usa mi mismo lenguaje	Humanidad	75.6	35.2	17	21	-4	No
Se mantiene actualizda y a la vanguardia …	Tecnologia	74.7	35.0	19	22	-3	No
Que use la inteligencia artificial sin pe…	IA responsable	73.7	20.3	20	23	-3	No
Que proteja mis datos cuando utiliza inte…	IA responsable	87.2	18.1	2	24	-22	No
Se preocupa genuinamente de mi	Humanidad	76.3	9.8	15	25	-10	No
Se pone en mi lugar cuando tengo un problema	Humanidad	81.2	0.0	9	26	-17	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.

Reducción del error al usar el ranking completo en vez de solo la favorita

Atributo	Error solo favorita	Error ranking	Reducción %
Sus procesos son automatizados	0.1654	0.1053	3632
Me ofrece servicios, productos y/o benefi…	0.1658	0.1066	3571
Se preocupa genuinamente de mi	0.2080	0.1365	3439
Comparte mis valores y principios	0.2036	0.1351	3364
Usa mi mismo lenguaje	0.1754	0.1178	3283
Se pone en mi lugar cuando tengo un problema	0.2027	0.1369	3244
Me hace sentir comprendido	0.1813	0.1232	3203
Sus transacciones son seguras	0.1716	0.1184	3100
Toma en cuenta y se adapta a las continge…	0.1534	0.1062	3080
Me permite contactarla a través de person…	0.1492	0.1033	3075
Su sitio web y/o aplicación son de uso fá…	0.1481	0.1027	3066
Es amable en el trato	0.1560	0.1083	3057

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: veintiocho atributos no se sostienen con esa base.

Los cinco atributos de mayor peso en cada ámbito, para la preferencia

Ámbito	Atributo	Peso	Índice	Respaldado	Comparaciones
Aseguradoras	Tiene presencia en todo Chile	0.56	100	Sí	595
Aseguradoras	Es honesta y transparente	0.54	98	No	595
Aseguradoras	Me permite contactarla a través de pe…	0.44	88	No	595
Aseguradoras	Es cercana	0.41	84	No	595
Aseguradoras	Sus procesos son automatizados	0.39	82	No	595
Retail	Sus transacciones son seguras	0.84	100	Sí	520
Retail	Su sitio web y/o aplicación son de us…	0.75	93	Sí	520
Retail	Me permite contactarla a través de pe…	0.56	80	No	520
Retail	Su atención y/o servicio es ágil	0.47	73	No	520
Retail	Me ofrece servicios, productos y/o be…	0.45	72	No	520
Servicios esenciales	Sus transacciones son seguras	1.16	100	Sí	573
Servicios esenciales	Su sitio web y/o aplicación son de us…	0.79	77	Sí	573
Servicios esenciales	Innova constantemente en sus producto…	0.67	70	Sí	573
Servicios esenciales	Tiene un diseño moderno	0.59	65	No	573
Servicios esenciales	Comparte mis valores y principios	0.57	63	No	573
Servicios financieros	Su sitio web y/o aplicación son de us…	0.87	100	Sí	646
Servicios financieros	Soluciona de manera efectiva mis prob…	0.54	78	No	646
Servicios financieros	Es cercana	0.52	77	Sí	646
Servicios financieros	Es honesta y transparente	0.52	76	No	646
Servicios financieros	Sus procesos son automatizados	0.48	74	No	646
Total	Sus transacciones son seguras	0.74	100	Sí	2334
Total	Su sitio web y/o aplicación son de us…	0.70	96	Sí	2334
Total	Tiene un diseño moderno	0.33	62	Sí	2334
Total	Sus procesos son automatizados	0.31	60	Sí	2334
Total	Es cercana	0.28	57	Sí	2334

Los cinco atributos de mayor peso en cada ámbito, para la habitualidad

Ámbito	Atributo	Peso	Índice	Respaldado	Comparaciones
Aseguradoras	Tiene presencia en todo Chile	0.70	100	Sí	228
Aseguradoras	Me permite contactarla a través de pe…	0.61	90	Sí	228
Aseguradoras	Sus procesos son automatizados	0.51	80	Sí	228
Aseguradoras	Reconoce la antigüedad de nuestra rel…	0.44	74	No	228
Aseguradoras	Soluciona de manera efectiva mis prob…	0.41	71	No	228
Retail	Su sitio web y/o aplicación son de us…	0.60	100	Sí	224
Retail	Es amable en el trato	0.46	86	Sí	224
Retail	Es cercana	0.42	82	No	224
Retail	Es tecnológica	0.38	79	No	224
Retail	Tiene presencia en todo Chile	0.36	76	No	224
Servicios esenciales	Sus transacciones son seguras	0.80	100	Sí	236
Servicios esenciales	Su atención y/o servicio es ágil	0.51	78	Sí	236
Servicios esenciales	Tiene un diseño moderno	0.41	70	Sí	236
Servicios esenciales	Su sitio web y/o aplicación son de us…	0.40	69	No	236
Servicios esenciales	Tiene presencia en todo Chile	0.39	68	No	236
Servicios financieros	Su sitio web y/o aplicación son de us…	0.79	100	Sí	254
Servicios financieros	Sus procesos son automatizados	0.63	86	Sí	254
Servicios financieros	Tiene presencia en todo Chile	0.57	80	Sí	254
Servicios financieros	Toma en cuenta y se adapta a las cont…	0.44	69	No	254
Servicios financieros	Sus transacciones son seguras	0.43	69	No	254
Total	Sus transacciones son seguras	0.52	100	Sí	942
Total	Su sitio web y/o aplicación son de us…	0.51	99	Sí	942
Total	Tiene presencia en todo Chile	0.46	93	Sí	942
Total	Su atención y/o servicio es ágil	0.32	76	Sí	942
Total	Sus procesos son automatizados	0.32	76	Sí	942

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

Peso relativo de los bloques de atributos en la elección

dimension	peso	error	p	peso_relativo	ic_bajo	ic_alto
Tecnologia	2.150	0.212	0.000	0.442	1.734	2.566
EmpatIA	1.769	0.237	0.000	0.364	1.306	2.233
Humanidad	1.072	0.344	0.002	0.220	0.398	1.746
IA responsable	-0.128	0.217	0.554	-0.026	-0.554	0.297

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.

Reparto de los atributos entre cuadrantes, para las marcas del top 5

Marca	Debilidades	Fortalezas	Recursos	Sin importancia declarada	Latentes
Bupa	1	12	13	2	0
Lider	0	13	13	2	0
Mercado Libre	0	13	13	2	0
Tenpo	4	9	10	2	3
UC Christus	2	11	10	2	3

Cuántas fortalezas superan el margen de la encuesta

Pares marca-atributo	En Fortalezas	Fortalezas respaldadas	En Debilidades	Debilidades respaldadas
3220	641	89	854	124

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 14% de los pares en Fortalezas o Debilidades, con bases medianas de 195 casos efectivos y veintiocho 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.

Mayor apropiación por categoría (primeras categorías del listado)

Categoría	Marca	Atributo	Apropiación	Importancia
Servicios de pago	Compraqui	Tiene presencia en todo Chile	10.3	77
Fintech	Copec Pay	Tiene presencia en todo Chile	8.9	77
Mejoramiento del hogar	Sodimac	Tiene presencia en todo Chile	8.8	77
Seguros	Penta Vida	Sus procesos son automatizados	8.5	69
Servicios básicos	Enel	Sus procesos son automatizados	8.0	69
Tiendas de conveniencia	Pronto	Tiene presencia en todo Chile	7.8	77
Mejoramiento del hogar	Ikea	Tiene un diseño moderno	7.8	66
Farmacias	Dr. Simi	Es cercana	7.7	NA
Marketplace	Ali Express	Es tecnológica	7.7	NA
Isapres	Fonasa	Tiene presencia en todo Chile	7.6	77
Fintech	Cencopay	Tiene presencia en todo Chile	7.4	77
Tiendas de conveniencia	Spid	Sus transacciones son seguras	7.1	89

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 veintiocho. 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 28 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 veintiocho 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.

Magnitud de cada dimensión

Dimensión	Cuánto explica
1	19.033
2	0.648
3	0.378
4	0.168
5	0.083
6	0.066
7	0.052
8	0.041

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.

Resumen de la estructura

indicador	valor
Evaluaciones persona-marca	20007.000
Correlacion tipica entre atributos	0.680
Importancia de la primera dimension	19.030
Importancia de la segunda dimension	0.650
Varianza comun explicada por una sola dimension	68.000
Proporcion atribuible a la dimension general	0.818
Confiabilidad del conjunto de atributos	0.986

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.

Discriminación y dificultad por atributo

Atributo	Bloque	Discriminación	Dificultad
Se pone en mi lugar cuando tengo un problema	Humanidad	3.57	1.45
Soluciona de manera efectiva mis problemas	EmpatIA	3.53	1.29
Comparte mis valores y principios	Humanidad	3.45	1.40
Me hace sentir comprendido	Humanidad	3.42	1.38
Su atención y/o servicio es ágil	Tecnologia	3.38	1.11
Se preocupa genuinamente de mi	Humanidad	3.38	1.47
Me ofrece servicios, productos y/o benefici…	EmpatIA	3.15	1.26
Se hace cargo de sus errores	EmpatIA	3.14	1.37
Es cercana	Humanidad	3.13	1.27
Es honesta y transparente	Humanidad	3.10	1.30
Es fácil de contactar	EmpatIA	3.08	1.20
Me regalonea y se preocupa de los detalles	Humanidad	3.05	1.58
Reconoce la antigüedad de nuestra relación …	Humanidad	2.99	1.48
Es amable en el trato	Humanidad	2.98	1.08
Su sitio web y/o aplicación son de uso fáci…	Tecnologia	2.94	1.01
Que use la inteligencia artificial sin perd…	IA responsable	2.78	1.41
Innova constantemente en sus productos y/o …	Tecnologia	2.78	1.16
Que proteja mis datos cuando utiliza inteli…	IA responsable	2.73	1.40
Se mantiene actualizda y a la vanguardia te…	Tecnologia	2.71	1.05
Que use la inteligencia artificial sin perd…	IA responsable	2.62	1.47
Tiene un diseño moderno	Tecnologia	2.56	1.16
Sus transacciones son seguras	EmpatIA	2.43	0.93
Toma en cuenta y se adapta a las contingenc…	Humanidad	2.40	1.12
Usa mi mismo lenguaje	Humanidad	2.34	1.01
Es tecnológica	Tecnologia	2.24	1.06
Me permite contactarla a través de personas…	Humanidad	2.18	1.24
Sus procesos son automatizados	Tecnologia	2.14	1.04
Tiene presencia en todo Chile	EmpatIA	1.50	0.70

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:

\[ \begin{aligned} I^{\text{pub}}_j &= w_c\, p_{j,\text{cercana}} + w_t\, p_{j,\text{tecnologica}} \\ I^{\text{prom}}_j &= \tfrac{1}{28}\textstyle\sum_{k} p_{jk} \\ I^{\text{pond}}_j &= \textstyle\sum_{k} \beta_k\, p_{jk} \\ I^{\text{modelo}}_j &= \tfrac{1}{n_j}\textstyle\sum_{i \in C_j} \hat{\theta}_{ij} \end{aligned} \]

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.

Comparación completa de los cuatro índices

Índice	Con share	Con tasa	Estabilidad
Promedio de todos los atributos	0.554	0.621	0.663
Todos los atributos ponderados por la eleccion	0.534	0.600	0.663
Indice publicado (2 atributos)	0.493	0.565	0.653
Puntuacion del modelo de items	0.357	0.441	0.592

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

Marcas con mayor cambio de puesto

Marca	Industria	Base	Puesto publicado	Puesto con todos	Cambio
Temu	Retail	291	56	86	-30
Scotiabank	Servicios financieros	251	90	61	29
Consalud	Aseguradoras	245	62	90	-28
Aramco	Servicios esenciales	229	63	89	-26
Farmacias Ahumada	Retail	314	109	83	26
Habitat	Aseguradoras	266	76	53	23
Cruz Blanca	Aseguradoras	221	85	108	-23
Chilexpress	Servicios esenciales	311	86	66	20
Banmedica	Aseguradoras	218	75	95	-20
Cabify	Servicios esenciales	174	61	80	-19
Servipag	Servicios financieros	257	88	70	18
Easy	Retail	324	94	76	18
Uber	Servicios esenciales	304	16	33	-17
Didi	Servicios esenciales	236	48	64	-16
Metrogas	Servicios esenciales	134	98	114	-16

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.

Concordancia de las discriminaciones entre públicos

Públicos comparados	Concordancia mínima	Concordancia media
8	0.718	0.872

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.

Cobertura del ranking por público

Clasificación	Público	Marcas con puesto	Conocimiento mediano
GSE	ABC1	125	53
GSE	C2	125	44
GSE	C3	125	81
GSE	D/E	125	84
Generacion	45 o mas	125	129
Generacion	Menores de 45	125	133
Genero	Hombres	125	125
Genero	Mujeres	125	130
Total	Total	125	259

10 El mapa de calor por público y su descomposición

10.1 La matriz

Para la marca \(m\) se arma una matriz \(G\) de 28 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.

Precisión del mapa por tipo de público

segmento	celdas	distinguibles	proporcion	error_mediano	brecha_mediana
Genero	5880	827	0.14	2.63	3.01
Generacion	5936	942	0.16	2.61	3.07
GSE	3696	252	0.07	3.31	3.21

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.

Resultado de la descomposición

marcas	varianza_perfil_mediana	marcas_con_perfil_estable	variacion_mediana
105	0.797	80	0.415

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.

Correlación de los ejes entre públicos

eje	segmentos	correlacion_media	correlacion_minima
Eje 1	6	0.929	0.841
Eje 2	6	0.360	-0.402

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.

Selección del número de componentes por BIC

grupos	bic	elegido
1	-17867	FALSE
2	-17440	FALSE
3	-17233	FALSE
4	-17169	FALSE
5	-17129	FALSE
6	-17157	FALSE
7	-17118	TRUE
8	-17182	FALSE

Búsqueda de grupos por densidad (HDBSCAN)

minimo_por_grupo	grupos	sin_grupo
30	2	78.5
60	0	100.0
120	0	100.0
250	0	100.0

acuerdo_medio	acuerdo_minimo	repeticiones	grupos	certeza_media	sin_grupo_densidad
0.344	0.231	10	7	0.77	78.46

grupo	personas	certeza	porcentaje
1	76	0.83	5.68
2	365	0.90	27.30
3	66	0.86	4.94
4	195	0.75	14.58
5	99	0.73	7.40
6	351	0.62	26.25
7	185	0.79	13.84

Estabilidad y tamaño de los perfiles

Coincidencia con las segmentaciones demográficas

segmentacion	acuerdo	cramer
genero	-0.001	0.048
generacion	0.003	0.124
grupo_nse	0.001	0.079

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: número, forma y marcas sin asignación clara

territorios	modelo	certeza_media	marcas_ambiguas
4	EEI	0.906	6

Probabilidad de pertenencia por marca (primeras filas)

marca	territorio_1	territorio_2	territorio_3	territorio_4
Cruz verde	0.990	0.000	0.003	0.006
Farmacias Ahumada	0.978	0.000	0.020	0.002
Dr. Simi	1.000	0.000	0.000	0.000
Salcobrand	0.986	0.000	0.012	0.002
Easy	0.769	0.000	0.002	0.229
Sodimac	0.850	0.000	0.025	0.126
Casa Ideas	0.000	1.000	0.000	0.000
Ikea	0.000	1.000	0.000	0.000
Mercado Libre	0.000	0.000	1.000	0.000
Falabella	0.660	0.000	0.140	0.200
Hites	0.658	0.000	0.001	0.340
Paris	0.806	0.001	0.123	0.070

13 Posicionamiento: cómo se construye el mapa

13.1 El espacio de forma

Cada marca es un vector de 28 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.

Varianza de cada eje frente al azar

eje	varianza	umbral_azar	es_real
1	28.97	10.26	TRUE
2	12.33	8.88	TRUE
3	9.80	7.99	TRUE
4	6.49	7.32	FALSE
5	4.98	6.64	FALSE
6	4.24	6.12	FALSE
7	3.96	5.64	FALSE
8	3.20	5.24	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.

Error de reconstrucción en la mitad que no generó el mapa

componentes	error_estandar	error	divisiones	recomendado
0	0.00001	0.00100	20	FALSE
1	0.00001	0.00089	20	FALSE
2	0.00001	0.00087	20	TRUE
3	0.00001	0.00088	20	FALSE
5	0.00001	0.00091	20	FALSE
8	0.00001	0.00097	20	FALSE
12	0.00001	0.00104	20	FALSE
20	0.00001	0.00113	20	FALSE
24	0.00001	0.00116	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.

Silueta de cada número de grupos frente al azar

grupos	silueta	umbral_azar	supera_azar
2	0.165	0.050	TRUE
3	0.082	0.044	TRUE
4	0.082	0.041	TRUE
5	0.099	0.040	TRUE
6	0.089	0.039	TRUE
7	0.079	0.041	TRUE
8	0.080	0.040	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.

Estabilidad de los grupos entre mitades de la muestra

grupos	acuerdo	silueta_externa	estabilidad_suficiente
2	0.210	0.117	FALSE
3	0.166	0.066	FALSE
4	0.151	0.050	FALSE
5	0.145	0.044	FALSE
6	0.132	0.037	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.

UMAP + HDBSCAN sobre datos reales y barajados

datos	grupos_min	grupos_max	grupos_medio	sin_grupo_medio
Reales	2	8	3.4	10
Barajados	2	6	3.2	55

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	10.06	9.56	10.62	985
Indice EmpatIA	24.69	21.58	27.81	985
Marca mas conocida	22.23	19.36	25.32	985
Modelo de eleccion	50.97	47.24	54.57	985

perdida	brier
1.586	0.6674

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 0,315 a 0,045: la relación entre percepción y preferencia es sobre todo simultánea, y la parte que anticipa al año siguiente es pequeña.

Escenarios de la marca mejor rankeada

Atributo	Palanca	No se lo asocian	Share actual	Puntos asociados
Me permite contactarla a través de person…	1	95	3.145	0.022
Sus transacciones son seguras	2	59	3.145	0.019
Es amable en el trato	3	79	3.145	0.017
Tiene un diseño moderno	4	68	3.145	0.015
Es fácil de contactar	5	70	3.145	0.013
Su sitio web y/o aplicación son de uso fá…	6	45	3.145	0.013
Es cercana	7	71	3.145	0.013
Sus procesos son automatizados	8	62	3.145	0.013
Soluciona de manera efectiva mis problemas	9	72	3.145	0.012
Me ofrece servicios, productos y/o benefi…	10	77	3.145	0.012
Es honesta y transparente	11	77	3.145	0.012
Su atención y/o servicio es ágil	12	62	3.145	0.011

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.

Selección de especificación por BIC

especificacion	parametros	bic	elegido
Solo diferencias entre marcas	2	2908	FALSE
Percepcion y ano	4	2698	FALSE
Con alcance e industria	6	2605	FALSE
Separando entre marcas y dentro	8	2576	TRUE

Efectos estimados, ambas especificaciones

Modelo	Término	Efecto	Error est.	z	p	IC bajo	IC alto	exp(efecto)
Modelo elegido	percepcion_marca	0.599	0.045	13.214	0.000	0.510	0.688	1.821
Modelo elegido	percepcion_desvio	0.315	0.027	11.586	0.000	0.262	0.369	1.371
Modelo elegido	alcance_marca	0.680	0.054	12.605	0.000	0.574	0.785	1.973
Modelo elegido	alcance_desvio	0.342	0.074	4.626	0.000	0.197	0.487	1.408
Modelo elegido	t	0.034	0.013	2.683	0.007	0.009	0.058	1.034
Entre marcas y dentro	percepcion_marca	0.599	0.045	13.214	0.000	0.510	0.688	1.821
Entre marcas y dentro	percepcion_desvio	0.315	0.027	11.586	0.000	0.262	0.369	1.371
Entre marcas y dentro	alcance_marca	0.680	0.054	12.605	0.000	0.574	0.785	1.973
Entre marcas y dentro	alcance_desvio	0.342	0.074	4.626	0.000	0.197	0.487	1.408
Entre marcas y dentro	t	0.034	0.013	2.683	0.007	0.009	0.058	1.034

Componentes de varianza

nivel	desviacion
marca	0.396
industria	0.394

15.4 Robustez

Cuatro estimaciones del mismo efecto bajo decisiones distintas:

prueba	efecto	observaciones
Modelo principal	0.315	455
Remuestreo de marcas (mediana)	0.336	40
Percepcion del ano anterior	0.045	320
Solo marcas con base holgada	0.367	433

ic_bajo	ic_alto	replicas
0.284	0.393	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 0,315 a 0,045: 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 4 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 41 indicadores a la vez. Sin corrección, con \(\alpha = 0{,}05\) se esperarían 2,1 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.

Todos los cambios evaluados, incluidos los no concluyentes

Indicador	Antes	Ahora	Cambio	Error est.	p	p ajustado	Lectura
Conoce Claude (Anthropic)	3.944	28.513	24.569	1.281	0.000	0.000	Sube
Usa DeepSeek	29.798	16.940	-12.858	4.226	0.002	0.018	Baja
Usa Perplexity	32.979	26.500	-6.478	5.993	0.280	0.428	Dentro del margen
Espera marcas tecnologicas	69.338	63.169	-6.170	1.718	0.000	0.003	Baja
Conoce Perplexity	5.980	11.434	5.455	1.026	0.000	0.000	Sube
Prefiere una persona - Para un problema	82.888	78.579	-4.309	1.435	0.003	0.018	Baja
Prefiere marcas cercanas	62.914	66.954	4.041	1.733	0.020	0.081	Dentro del margen
Prefiere marcas tecnologicas	37.086	33.046	-4.041	1.733	0.020	0.081	Dentro del margen
Conoce Ninguna	8.779	5.200	-3.579	0.921	0.000	0.001	Baja
Paga si no le cuesta mas	74.237	70.959	-3.278	1.623	0.043	0.137	Dentro del margen
Le da lo mismo - Para un problema	7.761	10.680	2.919	1.054	0.006	0.033	Sube
Mi nivel de desconfianza en la Inteligencia…	42.239	45.122	2.883	1.804	0.110	0.276	Dentro del margen
No esta dispuesto a pagar	12.023	14.830	2.807	1.241	0.024	0.081	Dentro del margen
Dispuesto a pagar	87.977	85.170	-2.807	1.241	0.024	0.081	Dentro del margen
Generación de información incorrecta o impr…	61.132	63.890	2.758	1.760	0.117	0.276	Dentro del margen
Pérdida de empleos debido a la automatización	59.606	57.020	-2.585	1.793	0.149	0.306	Dentro del margen
Usa Claude (Anthropic)	30.645	33.114	2.469	6.344	0.697	0.808	Dentro del margen
Hay situaciones en que los seres humanos so…	76.972	74.554	-2.418	1.559	0.121	0.276	Dentro del margen
Los sistemas automatizados pueden tener la …	22.265	24.680	2.415	1.542	0.117	0.276	Dentro del margen
Importante balancear cercania y tecnologia	78.117	75.827	-2.290	1.532	0.135	0.291	Dentro del margen
Conoce DeepSeek	12.595	14.885	2.290	1.253	0.068	0.198	Dentro del margen
Los sistemas automatizados son eficientes e…	37.595	39.823	2.227	1.772	0.209	0.357	Dentro del margen
La inteligencia artificial no tiene sentido…	71.565	69.469	-2.096	1.659	0.207	0.357	Dentro del margen
Las marcas deberían informarme cuándo estoy…	80.471	78.516	-1.955	1.469	0.183	0.357	Dentro del margen
Falta de regulación o supervisión ética	63.041	64.810	1.770	1.746	0.311	0.428	Dentro del margen
Los sistemas automatizados me hacen sentir …	37.341	35.576	-1.765	1.750	0.313	0.428	Dentro del margen
Mi nivel de confianza en la Inteligencia Ar…	34.224	35.976	1.752	1.736	0.313	0.428	Dentro del margen
Uso malintencionado (ej. manipulación de in…	69.911	71.594	1.683	1.654	0.309	0.428	Dentro del margen
Prefiere servicio automatizado - Para un tr…	21.183	19.625	-1.558	1.465	0.288	0.428	Dentro del margen
Prefiere servicio automatizado - Para un pr…	9.351	10.741	1.390	1.095	0.204	0.357	Dentro del margen
Me da miedo que los robots terminen reempla…	50.700	49.405	-1.295	1.819	0.477	0.611	Dentro del margen
Prefiere una persona - Para un tramite	58.142	59.422	1.280	1.790	0.475	0.611	Dentro del margen
Me siento nervioso / preocupado por la entr…	47.074	46.023	-1.051	1.814	0.562	0.699	Dentro del margen
Conoce Otro, ¿Cuál?	0.509	1.324	0.816	0.349	0.020	0.081	Dentro del margen
Violación de la privacidad y uso indebido d…	69.720	70.430	0.710	1.666	0.670	0.808	Dentro del margen
Paga incluso si le cuesta mas	13.741	14.211	0.471	1.262	0.709	0.808	Dentro del margen
Disminución de nuestra capacidad cognitiva …	61.578	61.908	0.331	1.768	0.852	0.895	Dentro del margen
Espera marcas cercanas	83.079	83.359	0.280	1.359	0.837	0.895	Dentro del margen
Le da lo mismo - Para un tramite	20.674	20.952	0.278	1.477	0.851	0.895	Dentro del margen
Me preocupa que las marcas usen inteligenci…	60.114	59.926	-0.188	1.782	0.916	0.939	Dentro del margen
Me siento entusiasmado frente a los aportes…	43.130	43.103	-0.027	1.802	0.988	0.988	Dentro del margen

Brecha entre expectativa de cercanía y de tecnología

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
2026	1455	83.36	63.17	20.19	1.60

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)	\(\sum_k \beta_k x_k\)	28
Aditivo + interacciones	lo anterior, más cercana × tecnologica y el producto de los promedios de los bloques Humanidad y Tecnología	30
Red de 4 unidades	\(w_2' \tanh(W_1 x + b_1)\)	120
Red de 8 unidades	lo mismo, con 8 unidades ocultas	240

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 240 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 2.334 comparaciones y veintiocho 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.

Desempeño fuera de muestra de cada forma funcional

Especificación	Parámetros	Log-verosimilitud	± error	Acierto %	± error
Red de 8 unidades	240	-1.630	0.0105	44.1	0.61
Red de 4 unidades	120	-1.631	0.0110	43.9	0.52
Aditivo + interacciones	30	-1.678	0.0153	44.3	0.55
Aditivo (especificacion vigente)	28	-1.695	0.0151	44.2	0.35

Ventaja pareada sobre la especificación vigente

Especificación	Ganancia en log-verosimilitud	± error pareado	Ganancia en acierto (pp)	p	Supera su margen
Red de 8 unidades	0.0654	0.0064	-0.17	0.0005	Sí
Red de 4 unidades	0.0639	0.0070	-0.35	0.0008	Sí
Aditivo + interacciones	0.0170	0.0017	0.09	0.0005	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 veintiocho 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 8 unidades, gana 0,065 de log-verosimilitud por comparación y −0,2 puntos de acierto, a cambio de pasar de 28 parámetros interpretables a 240 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.

Términos de interacción entre humanidad y tecnología

Término	Coeficiente	Error	p	Supera su margen
cercana x tecnologica	-0.025	0.177	0.886	No
Humanidad x Tecnologia	-4.788	0.529	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 (-4,79, 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:

1. 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.
2. 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.
3. El producto de los dos atributos del Índice —cercana × tecnologica, el que corresponde exactamente a la fórmula publicada— no supera su margen (-0,03, p = 0,89). 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.

Importancia por permutación en la forma ganadora

Término	Bloque	Pérdida al barajar	± error	Índice 0-100
Su sitio web y/o aplicación son de uso fáci…	Tecnologia	0.0321	0.0008	100
Sus transacciones son seguras	EmpatIA	0.0215	0.0012	67
Me hace sentir comprendido	Humanidad	0.0196	0.0008	61
Me ofrece servicios, productos y/o benefici…	EmpatIA	0.0151	0.0005	47
Me permite contactarla a través de personas…	Humanidad	0.0124	0.0008	39
Es cercana	Humanidad	0.0120	0.0007	37
Comparte mis valores y principios	Humanidad	0.0114	0.0011	35
Me regalonea y se preocupa de los detalles	Humanidad	0.0107	0.0004	33
Su atención y/o servicio es ágil	Tecnologia	0.0099	0.0007	31
Es amable en el trato	Humanidad	0.0089	0.0006	28
Se pone en mi lugar cuando tengo un problema	Humanidad	0.0087	0.0007	27
Es tecnológica	Tecnologia	0.0087	0.0004	27
Es fácil de contactar	EmpatIA	0.0086	0.0007	27
Es honesta y transparente	Humanidad	0.0083	0.0007	26
Tiene presencia en todo Chile	EmpatIA	0.0072	0.0007	22

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.

Atributos cuyo aporte más depende del resto del perfil

Atributo	Bloque	Aporte medio	Dispersión del aporte
Me hace sentir comprendido	Humanidad	0.667	0.280
Comparte mis valores y principios	Humanidad	0.537	0.257
Se pone en mi lugar cuando tengo un problema	Humanidad	0.434	0.241
Me ofrece servicios, productos y/o benefici…	EmpatIA	0.523	0.231
Me regalonea y se preocupa de los detalles	Humanidad	0.502	0.219
Se preocupa genuinamente de mi	Humanidad	0.327	0.206
Es cercana	Humanidad	0.491	0.204
Su sitio web y/o aplicación son de uso fáci…	Tecnologia	0.655	0.191
Me permite contactarla a través de personas…	Humanidad	0.436	0.183
Su atención y/o servicio es ágil	Tecnologia	0.413	0.170
Reconoce la antigüedad de nuestra relación …	Humanidad	0.414	0.158
Innova constantemente en sus productos y/o …	Tecnologia	0.231	0.157

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

1. No es inferencia de diseño. Muestra con cuotas de un panel online. El ponderador muestral de esta edición corrige su composición, pero no la vuelve probabilística.
2. Todo es simultáneo. Percepción, preferencia y uso se declaran en la misma entrevista. Ninguna asociación identifica una dirección causal.
3. Las bases son moderadas. La marca mediana del ranking la conocen 268 personas. Con veintiocho atributos y tres referencias, la mayoría de las diferencias individuales cae dentro del margen.
4. El listado de marcas cambia. Entre ediciones entran y salen marcas. Un cambio de puesto puede venir de eso y no del mercado.
5. Los públicos se solapan. Una misma persona está en varios. Las diferencias entre niveles de una segmentación no controlan por las otras.
6. 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).