MSMKW
C/ Príncipe de Vergara, 43 - 28001 Madrid
T(+34) 91 781 69 62
Prohibida toda reproducción total o parcial de los textos, dibujos, fotografías o gráficos de esta publicación, cualquiera que sea el
medio de reproducción a utilizar, sin la autorización expresa de MSMK.
ÍNDICE
INTRODUCCIÓN
EL ANÁLISIS ESTRATÉGICO
3. INTRODUCCIÓN 13
4. EL ANÁLISIS DEL ENTORNO (PEST) 14
5. EL MAPA DE POSICIONAMIENTO 16
6. LA ESTRATEGIA DEL OCÉANO AZUL 17
7. LA MATRIZ DE IMPORTANCIA-DESEMPEÑO 18
8. EL MARCO VMOST 19
9. LA AUDITORÍA DE RECURSOS 21
10. LA MATRIZ DE BOSTON 22
11. LAS CINCO FUERZAS DE PORTER 24
12. EL ANÁLISIS DEL CICLO DE VIDA DE UN PRODUCTO 25
13. LA MATRIZ DE DIVERSIFICACIÓN (MATRIZ G.E.) 27
14. LA MATRIZ DE INTERNACIONALIZACIÓN 28
15. MODELO CANVAS 29
16. EL ANÁLISIS DAFO 31
17. LA MATRIZ DE ANSOFF 32
ÍNDICE
PREDICCIÓN
Introducción
¿Por qué es tan importante realizar análisis? Hacer que los
análisis formen parte, hoy en día, de la estrategia de una empresa
ofrece una ventaja competitiva extremadamente poderosa1,
dado que un buen análisis permite a las empresas tomar mejores
decisiones, lo cual significa reducir costes, aumentar márgenes,
lograr que los clientes sean más fieles o adquirir más clientes.
Además, parece que existe una escasez de recursos humanos
en el ámbito del análisis de datos (desde papeles más técnicos
a roles más orientados hacia el negocio) que durará varios años.
1
https://hbr.org/2006/01/competing-on-analytics
(Confucio) Thomas H. Davenport y Jeanne G. Harris, Competing on Analytics: The New Science of Winning (Harvard
Business School, 2007).
2
Guide to the Business Analysis Body of Knowledge: BABOK Guide (International Institute of Business Analysis,
2015).
1
8
Introducción
Lo que el BABOK® Guide denomina “técnicas” es un conjunto de modelos, centra en esos modelos y técnicas que me ayudaron a realizar
técnicas, plantillas y mejores prácticas que utilizan los analistas de predicciones, previsiones y estimaciones que necesitaba para
negocios de manera más o menos creativa para resolver un problema. tomar decisiones empresariales. Ya que he decidido centrarme
Tras haber leído varios libros, artículos y publicaciones, tras asistir a años en los modelos analíticos, este libro omite los modelos que se
de cursos empresariales y universitarios, y tras aplicar distintas técnicas centran más en otros aspectos como, por ejemplo, la gestión de
como analista de negocios, echaba claramente en falta un conjunto de proyectos.
herramientas sencillo y organizado que incluyera todos los modelos, las
Hace un año, inicié, por lo tanto, este proyecto que usted puede
técnicas y las plantillas que había utilizado y aprendido hasta el momento.
leer ahora y que tiene como objetivo crear un conjunto de
Sin embargo, lo que encontré durante mi búsqueda era o demasiado
herramientas que sea lo más completo posible, con plantillas
limitado o demasiado extenso y técnico; en otras palabras, no pude
listas para ser utilizadas en la realización de análisis descriptivos,
encontrar un conjunto de herramientas completo y equilibrado que no
predictivos y prescriptivos.
resultara demasiado complejo pero que tuviera suficientes detalles como
Introducción
Valoro mucho la sencillez, y creo que los expertos (¡y los no expertos!) a Existe un libro excelente, que recomiendo encarecidamente a
menudo tienden a complicar las cosas sencillas, quizás para demostrar todos los analistas, denominado Superforecasters4, que resume
sus conocimientos o quizás simplemente porque creemos que los un amplio estudio sobre los patrones que se esconden detrás de
problemas complejos requieren soluciones complejas. Sin embargo, las previsiones más certeras y las mejores prácticas para lograr
creo firmemente que, para resolver un problema de manera eficiente una buena predicción de los acontecimientos futuros. Entre
y eficaz, suele ser mejor simplificarlo todo lo posible, empezando por varias mejores prácticas, una que admiro es la “estimación de
plantear preguntas sencillas que reflejen el objetivo de la investigación Fermi.” Este método, atribuido al físico Enrico Fermi, consiste en
o del análisis: ¿Tenemos que aumentar o reducir los precios? ¿Cuánto? desglosar una estimación compleja en varias estimaciones más
¿Para qué producto? ¿Para qué clientes? ¿Cuándo? sencillas (véase 2. Superforecasting).
El segundo paso consiste en identificar el alcance del análisis: Antes de dejar que se sumerja en las herramientas de este
libro, me gustaría simplemente sugerirle que, siempre que esté
»» ¿Qué ha pasado? (Análisis descriptivo)
4
Philip E. Tetlock y Dan Gardner, Superforecasting: The Art and Science of Prediction (Crown, 2015).
2
10
SUPERFORECASTING
Introducción
Aunque no sea una técnica, he decidido empezar este conjunto
de herramientas con el superforecasting (las superpredicciones),
inspirándome en el libro de Philip E. Tetlock y Gardner5, que
considero imprescindible para cualquier analista. Los autores
intentan explicar por qué algunos expertos son buenos haciendo
predicciones y otros no lo son, basándose en varios experimentos
de predicción.
5
Philip E. Tetlock y Dan Gardner, Superforecasting: The Art and Science of Prediction (Crown, 2015).
(Sócrates) 6
Para más información, le recomiendo que lea el siguiente libro: Daniel Kahneman, Thinking, Fast and Slow
(Farrar, Straus y Giroux, 2011).
2
11
SUPERFORECASTING
Introducción
intuición puede ser la mejor solución ya que puede simplificar toda la Por último, una técnica maravillosa muy útil a la hora de realizar
información y analizar de manera inconsciente una cantidad de patrones predicciones complejas es la “estimación de Fermi”. Consiste
que no somos capaces de analizar de forma lógica. en desglosar un problema en varias preguntas de probabilidad
para poder plantear suposiciones más precisas y, después,
Otra de las razones que explican las previsiones desafortunadas es la
añadir esas preguntas para así obtener un resultado final más
falta de precisión y/o de medición. Las predicciones imprecisas no
realista. Esta técnica suele empezar por tomar en consideración
pueden medirse y, por lo tanto, no podemos mejorar nuestros métodos
una perspectiva externa. Por ejemplo, se nos muestra la foto de
de predicción. Un buen pronóstico tiene que incluir:
una familia y tenemos que predecir si tiene o no una mascota.
»» Un resultado medible: “la URSS se disolverá”. De manera instintiva, podemos empezar a centrarnos en las
»» Una predicción más precisa con un posible marco temporal: “en el características de la familia que podamos identificar. No obstante,
plazo de un año a partir de ahora”. deberíamos adoptar una perspectiva más amplia, por ejemplo,
»» Probabilidad: “con un 80% de probabilidad de que acabe ocurriendo”. averiguando el número de familias que tienen mascota en una
INTRODUCCIÓN
análisis estratégico
El análisis estratégico incluye todos los modelos y técnicas que estudian
el entorno en el que opera una organización. Este entorno abarca desde
El Análisis
las tendencias externas (economía, política, innovaciones tecnológicas,
etc.) hasta el entorno de la organización (misión, estrategia, objetivos,
cadena de valor, etc.) y su entorno empresarial (competidores, productos
alternativos, clientes, proveedores, etc.).
El análisis estratégico
El análisis PEST y todas sus variaciones (PESTEL, PESTLIED,
STEEPLE, etc.) se utilizan para analizar las tendencias clave que
OBJETIVO
afectan al entorno que rodea a una organización pero sobre el
IDENTIFICAR LAS TENDENCIAS EXTERNAS CLAVE Y SU IMPACTO EN UNA que esta última no tiene ningún tipo de influencia. La idea clave
ORGANIZACIÓN, EMPRESA O DEPARTAMENTO. consiste en identificar las tendencias que más pueden afectar a
la empresa, organización o departamento en diversos ámbitos:
»» Político.
»» Medioambiental.
»» Económico.
»» Sociocultural.
»» Tecnológico.
El análisis estratégico
Para evitar la utilización de este modelo como una herramienta Existen dos métodos principales para la recopilación de datos para
meramente teórica, una vez identificadas las tendencias clave, es este modelo. El primero consiste en explotar los conocimientos
necesario definir los impactos de cada una utilizando un razonamiento de los expertos de distintos ámbitos y sectores para identificar
causa-efecto e intentar cuantificar el efecto positivo o negativo que las tendencias clave que tengan un impacto sobre el futuro de
puede tener cada tendencia en la organización (en términos de ingresos la organización. Pueden aplicarse varias técnicas tales como
o costes). Algunas tendencias pueden tener un impacto prácticamente el método Delphi, el brainstorming (tormenta de ideas), y los
directo pero otras requieren distintas hipótesis, estimaciones y cálculos. think tanks (grupos de reflexión). El segundo método es más
A menudo, resulta necesario determinar el impacto sobre los indicadores bien un “DIY” (hazlo tú mismo) y consiste en la recopilación de
intermedios antes de calcular el impacto monetario. Por ejemplo, la predicciones publicadas por expertos, futuristas, organizaciones,
creciente sensibilidad con respecto al reciclaje puede influir en el gobiernos, etc. Un error común con ambos métodos es que la
empaquetado realizado por la empresa. En este caso, podemos estimar, gente suele saltar directamente a las posibles soluciones pero, al
primero, la pérdida de reputación, después, la reducción de la demanda, hacer esto, estaremos empeorando el rendimiento del modelo. En
http://analyticsmodels.blogspot.com.es/p/strategic-
analysis-templates.html
5
16
EL MAPA DE POSICIONAMIENTO
El análisis estratégico
Un mapa de posicionamiento es una herramienta que compara
una empresa o unos productos con varios competidores en
OBJETIVO
función de las características más destacadas. También podemos
ANALIZAR EL POSICIONAMIENTO DE UNA EMPRESA O UN PRODUCTO EN añadir en el mapa la importancia relativa de cada característica.
COMPARACIÓN CON OTRAS EMPRESAS O PRODUCTOS A TRAVÉS DE LA Gracias a este mapa, podemos entender cómo está posicionada
EVALUACIÓN DE VARIAS CARACTERÍSTICAS. una empresa en relación con varias características y definir
las cuestiones clave para la toma de decisiones estratégicas.
Por ejemplo, podemos decidir centrarnos en la comunicación
y la promoción sobre la calidad de nuestro producto siempre
y cuando estemos bien posicionados y sea importante para
nuestros clientes.
El análisis estratégico
Esta estrategia aparece descrita en el libro Blue Ocean Strategy
escrito por W. Chan Kim y Renée Mauborgne en 20058. Está
OBJETIVO
basada en la idea de que las empresas no deberían centrarse en
IDENTIFICAR POSIBLES IDEAS EMPRESARIALES ROMPEDORAS. vencer a los competidores (océanos rojos) sino en la creación de
“océanos azules”, es decir, nuevos mercados no disputados. En
este sentido, la competencia será irrelevante y se creará nuevo
valor tanto para la empresa como para sus clientes.
NUEVA
OFERTA
DE VALOR
El análisis estratégico
Este modelo se utiliza para evaluar el desempeño de una empresa
con respecto a varios factores de éxito o bien el desempeño de
OBJETIVO
un producto en función de distintas características. Puede formar
DECIDIR SI ES NECESARIO MEJORAR, MANTENER O REDUCIR CIERTAS parte del modelo del mapa de posicionamiento presentado en
CARACTERÍSTICAS DE PRODUCTO O ALGUNOS FACTORES DE ÉXITO este libro.
ESPECÍFICOS DE LA EMPRESA.
Los datos para la elaboración de este tipo de mapas suelen
recopilarse a través de encuestas. En caso de que la selección
5 de características no esté clara o el número de características sea
muy elevado, podemos plantear una pregunta de preselección
4.5 Precio
en la que los encuestados tengan que clasificar las características
Calidad más importantes. Después, se pedirá a los encuestados que
4
Característica 1
3
Importancia
Característica n
2.5
Servicio
2
Cliente
1.5
MANTENER REDUCIR
1
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Desempeño http://analyticsmodels.blogspot.com.es/p/strategic-
Figura 4: Matriz de importancia-desempeño analysis-templates.html
8
19
EL MARCO VMOST
El análisis estratégico
Se trata de una herramienta de análisis descriptivo que permite la
comunicación o la reflexión sobre el objetivo estratégico de una
OBJETIVO
empresa dado que incluye:
DESCRIBIR QUÉ QUIERE LOGRAR LA EMPRESA Y CÓMO TIENE PENSADO
»» Lo que la empresa quiere lograr: visión, misión y objetivos.
LOGRARLO.
»» Cómo alcanzar los obetivos: estrategias y tácticas.
Estrategia 1 Estrategia 1 Estrategia 1 Estrategia 1 Estrategia 1 Estrategia 1 »» Estrategias: acciones a medio y largo plazo para alcanzar los
Estrategia 2 Estrategia 2 Estrategia 2 Estrategia 2 Estrategia 2 Estrategia 2 objetivos.
Estrategia 3 Estrategia 3 Estrategia 3 Estrategia 3 Estrategia 3 Estrategia 3
»» Tácticas: acciones a corto plazo para alcanzar los objetivos.
Táctica 1 Táctica 1 Táctica 1 Táctica 1 Táctica 1 Táctica 1
VALORES CENTRALES
EL MARCO VMOST
El análisis estratégico
Por lo general, ni la visión ni la misión se entienden claramente aunque,
en términos sencillos, la visión es “en qué queremos convertirnos”, por
ejemplo, “estar entre las tres mejores empresas tecnológicas del mundo,”
mientras que la misión es “lo que queremos hacer”, es decir, por qué
existimos, por ejemplo, “para crear productos innovadores...”. La visión y
la misión aparecen con frecuencia acompañadas por una descripción de
los valores centrales de la empresa, es decir, los pilares de la empresa
que reflejan su cultura (por ejemplo, integridad, transparencia y respeto
medioambiental).
http://analyticsmodels.blogspot.com.es/p/strategic-
analysis-templates.html
9
21
LA AUDITORÍA DE RECURSOS
El análisis estratégico
Para definir las fortalezas y las debilidades (que pueden utilizarse
posteriormente en un análisis DAFO), deberíamos plantear varias
OBJETIVO
preguntas tales como:
IDENTIFICAR LAS DEBILIDADES Y LAS FORTALEZAS DE UNA ORGANIZACIÓN.
»» ¿Tiene la empresa suficientes recursos disponibles para la
actual situación competitiva?
»» ¿Podrán respaldar desarrollos futuros?
»» ¿Cómo de difícil es para la empresa obtener más de estos
DEBILIDADES FORTALEZAS
recursos? ¿Y para sus competidores?
»» ¿Cómo de difícil es para un competidor imitar estos recursos
Falta de Menos que los Más que los
Recursos únicos o competencias centrales?
recursos únicos competidores competidores
»» ¿Qué nivel de importancia tienen para el negocio principal?
RECURSOS
http://analyticsmodels.blogspot.com.es/p/strategic-
analysis-templates.html
10
22
LA MATRIZ DE BOSTON
El análisis estratégico
Creado por el Boston Consulting Group, este método tiene
como objetivo decidir cómo asignar recursos en función del
OBJETIVO
posicionamiento en el mercado de distintos productos o servicios.
DECIDIR LA MEJOR ASIGNACIÓN DE RECURSOS ENTRE DISTINTOS El posicionamiento en el mercado depende de dos variables:
PRODUCTOS, LÍNEAS DE PRODUCTO O UNIDADES DE NEGOCIO.
»» Cuota de mercado: más que el mero porcentaje de la cuota
de mercado, la importancia relativa depende del número de
competidores, la posición según la cuota de mercado, y cómo
5 se compara la empresa con su mayor competidor. También
hay una importante suposición que limita este modelo: la
4.5 Producto 1
cuota de mercado se relaciona en términos positivos con los
Producto 2 beneficios y la rentabilidad.
4
Producto 3
2
1.5
PERROS VACAS
1
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Cuota de mercado
Figura 7: Matriz de Boston
10
23
LA MATRIZ DE BOSTON
El análisis estratégico
Esta matriz facilita la toma de decisiones y está basada en las siguientes
cuatro categorías:
»» Vacas (cash cows): son productos con una elevada cuota de mercado
y bajo crecimiento; la inversión necesaria es limitada.
http://analyticsmodels.blogspot.com.es/p/strategic-
analysis-templates.html
11
24
El análisis estratégico
Esta herramienta forma parte del análisis estratégico externo, y resulta
útil para completar un análisis DAFO en relación con las oportunidades
OBJETIVO y las amenazas. Mientras que el análisis PESTEL se refiere a las
macrotendencias y al entorno externo, la técnica de Porter se centra en
ANALIZAR EL ENTORNO COMPETITIVO EN EL QUE OPERA LA EMPRESA.
el ámbito de la industria.
http://analyticsmodels.blogspot.com.es/p/strategic-
Figura 8: Marco de las Cinco Fuerzas de Porter analysis-templates.html
12
25
El análisis estratégico
Se han llevado a cabo diversos estudios sobre los ciclos de vida
de las industrias. Tanto los sectores como los productos suelen
OBJETIVO
arrancar desde una etapa emergente, pasando por una etapa
DEFINIR LA MADUREZ DEL SECTOR EN EL QUE ESTÁ COMPITIENDO UNA de crecimiento y, finalmente, alcanzan una etapa de madurez.
EMPRESA O LA MADUREZ DE UN PRODUCTO QUE ESTÁ VENDIENDO. Cuando llegan a este punto, o bien inician de nuevo el ciclo
gracias a las innovaciones o decaen.
DISRUPCIÓN
El análisis estratégico
»» Etapa de madurez: los ingresos globales están creciendo a un ritmo
mucho menor; tanto los márgenes como el número de empresas
están disminuyendo.
http://analyticsmodels.blogspot.com.es/p/strategic-
analysis-templates.html
13
27
El análisis estratégico
Uno de los objetivos de una empresa puede ser una expansión
mediante la diversificación de sus productos o servicios, que pueden
OBJETIVO
estar relacionados con el negocio principal o no tener ninguna
TOMAR DECISIONES SOBRE ESTRATEGIAS DE DIVERSIFICACIÓN. relación con el mismo. Para decidir si debemos mantener, crear o
cerrar unidades de negocio específicas, tenemos que empezar por
realizar un análisis detallado de las ventajas y las desventajas. Se
utiliza una simple matriz para explorar las principales oportunidades
en relación con la diversificación, que depende, por un lado, del
5 atractivo del sector de cada una de las unidades de negocio (que
Unidad 1 puede medirse a través de un análisis de las cinco fuerzas de Porter)
4.5
y, por otro lado, de la ventaja competitiva de las unidades de negocio.
Unidad 2
4
LA MATRIZ DE INTERNACIONALIZACIÓN
El análisis estratégico
Una estrategia de internacionalización conlleva varios análisis
preliminares para responder a las dos preguntas principales:
OBJETIVO
¿dónde y cómo? No obstante, la principal compensación a la
TOMAR DECISIONES SOBRE ESTRATEGIAS DE INTERNACIONALIZACIÓN. hora de internacionalizarse se encuentra entre las ventajas de la
integración global y las desventajas de la capacidad de respuesta
local (la necesidad de adaptación).
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
MODELO CANVAS
El análisis estratégico
Esta herramienta, inventada por Alexander Osterwalder et al.11,
puede utilizarse para analizar cómo está creando y aportando
OBJETIVO
valor a sus clientes una organización. Aunque su propósito original
ANALIZAR NUESTRO PROPIO MODELO DE NEGOCIO O LOS MODELOS DE era ayudar a crear un nuevo producto o negocio, en este libro se
NEGOCIO DE NUESTROS COMPETIDORES10. presenta el modelo canvas como una herramienta analítica, ya
que esos tipos de modelos no están incluidos aquí. Este modelo
también puede resultar útil para entender si una empresa es
un competidor o no, dado que analiza la propuesta de valor
ACTIVIDADES PROPUESTA DE RELACIONES CON SEGMENTOS DE que responde a las necesidades de los clientes. De hecho, las
RED DE SOCIOS
PRINCIPALES VALOR LOS CLIENTES CLIENTES
empresas no compiten en productos sino en las necesidades que
satisfacen o los problemas que resuelven para sus clientes.
10
Es una herramienta que se utilizó inicialmente para la definición de nuevos productos o negocios pero, dado
que el propósito de este libro consiste en proporcionar herramientas analíticas, utilizamos el lienzo de modelo
de negocio como un modelo para el análisis de estrategias de negocio.
11
Alexander Osterwalder, Yves Pigneur, Tim Clark, y Alan Smith, Business Model Generation: A Handbook for
Visionaries, Game Changers, and Challengers (John Wiley and Sons, 2010).
Figura 12: Modelo Canvas
15
30
MODELO CANVAS
El análisis estratégico
El estudio incluye el análisis de nueve componentes clave del negocio
y cómo están relacionados entre sí. En primer lugar, definimos nuestros
segmentos de clientes y, a continuación, las propuestas de valor que
les estamos ofreciendo. La propuesta de valor es una necesidad que
satisfacemos o un problema que resolvemos para un segmento de
cliente específico. Podemos estar ofreciendo distintas propuestas de
valor a clientes diferentes; por ejemplo, un buscador proporciona, por una
parte, resultados de búsqueda a los usuarios de internet y, por otra parte,
espacios publicitarios a las empresas. Después, identificamos cómo
proporcionar este valor a nuestros clientes (canales) y cómo gestionar
nuestras relaciones con ellos (relaciones con los clientes). Llegados a
este punto, seremos capaces de describir nuestro modelo de ingresos
http://analyticsmodels.blogspot.com.es/p/strategic-analysis-
templates.html
12
http://www.businessmodelgeneration.com/canvas/bmc
13
https://www.udacity.com/course/how-to-build-a-startup--ep245
16
31
EL ANÁLISIS DAFO
El análisis estratégico
El análisis DAFO es la consolidación de análisis internos y externos, y se
OBJETIVO utiliza para el establecimiento de una estrategia, por lo general en su
fase inicial, para así fijar las bases de distintas acciones estratégicas:
EN LO QUE RESPECTA A UNA EMPRESA, IDENTIFICAR LAS PRINCIPALES
FORTALEZAS QUE HAY QUE MANTENER, LAS OPORTUNIDADES QUE HAY QUE »» Análisis externo: análisis de las oportunidades y amenazas que
APROVECHAR, LAS AMENAZAS QUE HAY QUE REDUCIR, Y LAS DEBILIDADES provienen del entorno externo (PEST, PESTEL); por ejemplo, el uso
QUE HAY QUE GESTIONAR. creciente de dispositivos móviles puede ser una oportunidad que se
debe aprovechar o el creciente coste de la energía puede ser una
amenaza potencial.
Reducir y tener en consideración como Desde esta matriz, el analista puede definir acciones estratégicas que
Mantener y usar para respaldar aprovechen oportunidades existentes, utilizando las fortalezas de la
riesgos potenciales para las acciones
las acciones estratégicas empresa como factores de éxito cruciales y reduciendo los riesgos que
estratégicas
pueden estar provocados por amenazas potenciales y por las debilidades
de la empresa. Dado que se trata de una consolidación de varios análisis,
las fuentes de información dependen de los análisis previos y de varias
OPORTUNIDADES AMENAZAS
técnicas de recopilación, tales como el brainstorming, el método Delphi
y las encuestas. El analista puede llevar a cabo directamente el proceso
de consolidación, pero suele ser una buena práctica consolidar los
Reducir y tener en consideración como
Aprovechar para el éxito resultados o compartir el análisis con otros integrantes de la empresa,
riesgos potenciales para las acciones
de las acciones estratégicas por ejemplo, a través de talleres o think tanks.
estratégicas
http://analyticsmodels.blogspot.com.es/p/strategic-
Figura 13: Análisis DAFO analysis-templates.html
17
32
LA MATRIZ DE ANSOFF
El análisis estratégico
La matriz de Ansoff suele llevarse a cabo después de realizar un análisis
DAFO, en el que las fortalezas, las debilidades, las oportunidades y las
OBJETIVO amenazas pueden transformarse en estrategias de negocio:
DEFINIR LA ESTRATEGIA DE NEGOCIO MÁS ADECUADA SOBRE LA BASE DE LA »» Penetración del mercado: la organización decide utilizar los
EXISTENCIA DE MERCADOS Y PRODUCTOS. productos existentes en el mercado existente mediante la mejora
de sus tácticas y estrategias para impulsar las ventas, por ejemplo, a
través de la publicidad, la promoción y la fijación de precios.
http://analyticsmodels.blogspot.com.es/p/strategic-
Figura 14: Matriz de Ansoff analysis-templates.html
LA FIJACIÓN DE PRECIOS
Y LA DEMANDA
18
34
INTRODUCCIÓN
INTRODUCCIÓN
INTRODUCCIÓN
ENCUESTAS INDIRECTAS
elásticas.
100€
y= -0.268x + 195.73
R2 = 0.9295
50€
0
0 100 200 300 400 500 600 700
http://analyticsmodels.blogspot.com.es/p/pricing-and-
demand-templates.html
20
39
http://analyticsmodels.blogspot.com.es/p/pricing-and-
Figura 17: Método de fijación de precios Gabor–Granger demand-templates.html
21
40
Figura 19: Ampliación del MSP de Van Westendorp con estimación de ingresos y de demanda
http://analyticsmodels.blogspot.com.es/p/pricing-and-
demand-templates.html
22
42
Cantidad
http://analyticsmodels.blogspot.com.es/p/pricing-and-
Figura 20: Curva de demanda derivada de un test monádico de precios demand-templates.html
23
43
EL ANÁLISIS CONJUNTO
EL ANÁLISIS CONJUNTO
EL ANÁLISIS CONJUNTO
50 €
seleccionadas). También deberíamos pedir un “límite”, es decir,
el puesto en la clasificación o el nivel de preferencia en el que el
y= 3.9881x + 5.4036 encuestado cambiaría su intención de compra.
40€ R2 = 0.8224
Este método también resulta útil para predecir las variaciones de la cuota
de mercado en comparación con la competencia a través de la creación
de simulaciones en las que se cambian los precios u otras características
de producto. Por ejemplo, podemos analizar si un descuento puede
atraer suficiente cuota de mercado para compensar la reducción del
precio. En este tipo de simulaciones, asumimos que los competidores
no están modificando tanto las características como el precio, aunque en
realidad este no podría ser el caso. Por ello, deberíamos simular por lo
menos varios escenarios que incluyan posibles reacciones por parte de
los competidores. Para adoptar un enfoque más complejo, tendríamos
que incluir un modelo de teoría de juegos (véase 76. Los modelos de la
teoría de juegos). 15
https://www.xlstat.com/es/soluciones/funciones/choice-based-conjoint-analysis
EL ANÁLISIS
DEL CLIENTE
25
49
INTRODUCCIÓN
EL MODELO RFM
FRECUENCIA VALOR
INDICADOR
RECENCIA INDICADOR (nº compras INDICADOR MONETARIO VALOR TOTAL
CLIENTE VALOR
(nº meses) RECENCIA últimos 12 FRECUENCIA (total últimos (de 0 a 1)
MONETARIO
meses) 12 meses)
»» Frecuencia de compra.
»» Costes de marketing.
http://analyticsmodels.blogspot.com.es/p/customer-
16
https://hbr.org/2007/10/how-valuable-is-word-of-mouth analytics-templates.html
28
53
http://analyticsmodels.blogspot.com.es/p/customer-
analytics-templates.html
29
55
http://analyticsmodels.blogspot.com.es/p/customer-
analytics-templates.html
30
56
http://analyticsmodels.blogspot.com.es/p/customer-
analytics-templates.html
31
58
18
Peter S. Fader and Bruce G.S. Hardie, Implementing the BG/BB Model for Customer-Base Analysis in Excel,
(2011) http://www.brucehardie.com/notes/010/. http://www.brucehardie.com/notes/010/
32
59
EL ANÁLISIS DE LA SUPERVIVENCIA
0.6
probabilidad de que sobreviva (no se rompa) un componente
0.4 mecánico una vez transcurridos algunos años. La wmuestra el
gráfico de la curva de supervivencia que representa la función de
0.2 supervivencia.
EL ANÁLISIS DE LA SUPERVIVENCIA
http://analyticsmodels.blogspot.com.es/p/customer-analytics-
templates.html
33
61
Frecuencia 0.22
INTRODUCCIÓN
A veces, es posible utilizar varios modelos para la misma cuestión empresarial, y »» También puede ser necesaria una transformación de variables,
la elección dependerá del tipo de variables que estemos utilizando (categóricas, o bien para cumplir los requisitos para la implementación de un
ordinales o cuantitativas) y de su distribución. modelo específico, o para mejorar el resultado del modelo.
Una vez elegido el modelo, los pasos siguientes son verificar las condiciones, Hay una página web útil que muestra paso a paso cómo crear modelos
llevar a cabo el análisis, comprobar su significado y validez, confirmarlo y de análisis estadístico en Excel: http://blog.excelmasterseries.com.
perfeccionarlo.
35
65
Media Promedio aritmético de los datos. Tal y como se muestra en la plantilla, estas estadísticas pueden
Error estándar Representa la diferencia entre el valor esperado y el valor real. calcularse, o bien utilizando el complemento de Excel Análisis
http://analyticsmodels.blogspot.com.es/p/statistical-
analysis-templates_2.html
36
67
entrada, es decir, la variable explicativa. Antes de llevar a cabo el análisis, 0 20 40 60 80 100 120 140
21
Para mejorar las condiciones de normalidad y varianza, podemos intentar aplicar una transformación
logarítmica (log) a la variable (dependiente) de respuesta. También podemos utilizar otros tipos de
transformaciones, aunque es importante recordar que la interpretación de los resultados es más compleja
cuando transformamos nuestras variables.
36
68
-2
-3
-4
-5
X1
LA CORRELACIÓN DE PEARSON
http://analyticsmodels.blogspot.com.es/p/statistical-
analysis-templates_2.html
38
70
LA REGRESIÓN LINEAL
OBJETIVO Y = α α + βx
DEFINIR LA RELACIÓN LINEAL ENTRE UNA VARIABLE DE ENTRADA (X) Y UNA en la que y es la variable de resultado, α α es el punto de intercepción,
VARIABLE DE RESULTADO (Y) PARA CREAR UN MODELO PREDICTIVO DE β es el coeficiente, y x es la variable de predicción. Este modelo
REGRESIÓN LINEAL. se utiliza para predecir los valores de y para los valores x que no
están incluidos en el conjunto de datos o, en general, de qué
manera se ve afectado el resultado cuando cambia la variable de
entrada. Por ejemplo, este tipo de modelo puede predecir cuánto
RESUMEN aumentarían las ventas como consecuencia de un aumento del
Estadísticas de la regresión gasto en publicidad.
Grados de Suma de Promedio de los cua- F Valor crítico de F Tras comprobar las condiciones (véase la 36. Introducción a las
libertad cuadrados drados
Regresión 1 1778.623142 1778.623142 204.4761356 1.70776614
regresiones), la regresión lineal puede llevarse a cabo utilizando
el complemento de Análisis de datos de Excel (Figura 35) o
Residuos 9 78.28594879 8.698438754
utilizando las fórmulas estadísticas de Excel tales como “=COEF.
Total 10 1856.909091
DE.CORREL()” para R, “=INTERSECCION.EJE()” para el coeficiente
del punto de intercepción, y “=ESTIMACION.LINEAL()” para el
Coeficien- Error Estadísti- Probabili- Inferior Superior Inferior Superior
tes típico co t dad 95% 95% 95.0% 95.0% coeficiente X (y otras estadísticas). Si un diagrama de dispersión
Intercep- 58.70551543 6.452374608 9.09828071 7.811505 44.10922999 73.30180086 44.1092299 73.3018008 que contenga las dos variables parece indicar que la relación no
ción
1.463230466 0.102327278 14.29951522 1.707766146 1.23175008 1.6947108 1.2317500818 1.69471085
es lineal, podemos o bien transformar la variable independiente
X1
(logarítmica, potencia, etc.) o bien intentar utilizar una regresión
Figura 35: Resultado de un análisis de regresión lineal no lineal (39. Otras regresiones).
38
71
LA REGRESIÓN LINEAL
http://analyticsmodels.blogspot.com.es/p/statistical-analysis-
templates_2.html
39
72
OTRAS REGRESIONES
OTRAS REGRESIONES
EL ANÁLISIS DE RUTAS
EL ANÁLISIS DE RUTAS
»» Variables observadas: son las variables que se miden y se representan Este modelo requiere el cumplimiento de las mismas condiciones
mediante rectángulos. que las regresiones (véase la 36. Introducción a las regresiones)
y utiliza una regresión múltiple y una matriz de correlación para
»» Variables latentes: son las variables que no se pueden medir, por
encontrar todos los parámetros del modelo. Para este paso,
ejemplo, “errores”22 (varianzas que no están explicadas por el modelo),
recomiendo consultar el artículo de Akinnola Akintunde24 que lleva
que se representan mediante círculos o elipses.
por título “Path Analysis Step by Step Using Excel” (El análisis de
»» Coeficientes de regresión: las relaciones causales entre dos variables rutas paso a paso utilizando Excel). Para obtener los parámetros:
representadas por flechas rectas (también denominadas coeficientes
»» Normalizar todas las variables utilizando la función de Excel
de ruta o efectos directos).
“=NORMALIZACION” (usando el valor x, la media de la variable,
»» Coeficientes de correlación: las relaciones no causales entre dos y su desviación estándar).
22
Los errores solo se representan para las variables endógenas (las variables que reciben flechas) y no para
las variables exógenas (que son variables independientes).
23
Randall E. Schumacker y Richard G. Lomax, A Beginner’s Guide to Structural Equation Modeling (Routledge,
2016).
24
https://www.researchgate.net/publication/270887299_Path_Analysis_Step_by_Step_Using_Excel
40
76
EL ANÁLISIS DE RUTAS
El modelo puede probarse utilizando, por ejemplo, la prueba de chi- Aunque resulte posible crear modelos sencillos de análisis de rutas en Excel, mi
sugerencia sería utilizar una herramienta estadística apropiada que nos ayude a
cuadrado para la “maldad de ajuste” (véase 48. La prueba de chi-cuadrado)
construir y calcular el modelo. La parte más importante es entender el razonamiento
u otros métodos (RMSEA o GFI). Los valores recomendados para que el que hay detrás de este tipo de modelo para que la parte del cálculo pueda realizarse
modelo funcione bien son: más rápido y con mayor precisión utilizando una herramienta adecuada. La plantilla
»» Valor p del chi-cuadrado > 0,05. asociada no incluirá el cálculo del modelo sino simplemente el diagrama de rutas
presentado en este apartado.
»» RMSEA < 0,05.
»» GFI > 0,95.
http://analyticsmodels.blogspot.com.es/p/statistical-
analysis-templates_2.html
41
77
La técnica de muestreo es extremadamente importante; debemos estar Una vez recopilados todos los datos, resulta necesario hacer una
seguros de que la muestra se elige de manera aleatoria (en general) y, comprobación para buscar los valores atípicos y los datos que
en el caso de un experimento, los participantes no deben saber a qué faltan (véase la 36. Introducción a las regresiones) y elegir así la
grupo pertenecen. Dependiendo del problema que se esté analizando prueba más adecuada en función del problema que queramos
y de la prueba que se esté realizando, se utilizarán distintas técnicas examinar, el tipo de variables y su distribución. Existen dos
para calcular el tamaño de la muestra necesaria (consulte la página enfoques principales para realizar una prueba de hipótesis:
www.powerandsamplesize.com que permite el cálculo del tamaño de la
»» El enfoque frecuentista: se realizan suposiciones sobre la
muestra para distintos tipos de pruebas).
distribución de la población y se utiliza una hipótesis nula y
un valor p para extraer conclusiones (casi todos los métodos
CARACTERÍSTICAS DE LA MUESTRA (VARIABLES INDEPENDIENTES)
presentados aquí son frecuentistas).
Prueba
Prueba de de Schei-
Prueba de
Kruskal-Wallis, rer-Ray-Hare Correlación
Prueba U de los rangos
ORDINAL X² prueba de la (bidireccional), de Spear-
Mann-Whitney con signo de
suma de rangos prueba de Fried- man
Wilcoxon
de Wilcoxon man (unidirec-
cional)
Prueba t
o prueba Prueba t de dos Prueba t em- ANOVA unidirec- ANOVA de me-
DE INTERVALO z de una muestras parejada cional didas repetidas Correlación
O RATIO muestra de Pearson
ANOVA bidireccional
»» αα: la hipótesis nula es verdadera (no hay diferencia) pero la rechazamos Si la prueba es relevante, también deberíamos calcular el tamaño
(falso positivo). del efecto. No solo es importante el hecho de que la diferencia
sea o no relevante sino también cómo de significativa es esta
»» β: la hipótesis nula es falsa (sí hay diferencia) pero no la rechazamos
diferencia. El tamaño del efecto puede calcularse dividiendo la
(falso negativo).
diferencia entre las medias por la desviación estándar del grupo de
NO SE RECHAZA LA SE RECHAZA LA HIPÓTESIS control (para ser más precisos, deberíamos utilizar una desviación
HIPÓTESIS NULA NULA estándar agrupada, pero se necesitarán algunos cálculos).
LA HIPÓTESIS NULA ES Como norma general, un tamaño del efecto de 0,2 se considera
1-αα Tipo de error I: α
PADECE NO PADECE
TOTAL
ENFERMEDAD ENFERMEDAD
TEST
0.45% 10% 10.45%
POSITIVO
TEST
0.05% 89.50% 89.55%
NEGATIVO
LA PRUEBA t (t-TEST)
En algunos casos, también resulta posible utilizar dos muestras y emparejar a cada componente en una
26
determinada dimensión.
43
83
LA PRUEBA t (t-TEST)
Significación Si
Unilateral (una cola)
Two-tailed Left-tailed Right-tailed
Intervalos de confianza 3.02
H0 µ = µ0 H0: µ ≥ µ0 H0: µ ≤ µ0
Límite superior 297.58
Ha µ ≠ µ0 Ha: µ < µ0 Ha: µ > µ0
Media población 300 300 300 Figura 44: Resultados de una prueba t de una muestra
Media muestra 295 295 295
Desviación estándar 11 11 11 Puesto que el valor p es menor que el alfa (0,05), llegamos a la
Tamaño muestra 50 50 50 conclusión de que la diferencia en las medias es significativa
y que deberíamos arreglar nuestra línea de producción. Los
Nivel de significación (α) 0.05 0.05 0.05 resultados también incluyen un intervalo de confianza del 95%, lo
cual significa que tenemos un nivel de confianza del 95% en que
Figura 43: Datos de entrada de una prueba t de una muestra
los envases se llenan con un volumen mínimo de 292 ml y uno
máximo de 298 ml.
Dado que queremos poder parar y arreglar la línea de producción
en caso de que la cantidad de champú sea menor o mayor que la
cantidad esperada (300 ml), tendremos que llevar a cabo una prueba
de dos colas. La Figura 43 incluye los datos de entrada así como la
desviación estándar calculada y la media de la muestra que es de 295.
43
84
LA PRUEBA t (t-TEST)
Un ejemplo práctico sería tener que determinar si los clientes masculinos MUJERES HOMBRES
compran más o menos que los clientes femeninos. Media 33.5 11.1
Varianza 401.6111111 18.76666667
En primer lugar, deberíamos definir nuestra hipótesis. En nuestro ejemplo,
Observaciones 10 10
nuestra hipótesis consiste en que los clientes masculinos y los femeninos
Diferencia hipotética de las medias 0 291.54
no compran la misma cantidad de productos, así que deberíamos usar
Grados de libertad 10
una prueba de dos colas; es decir, no deducimos que un grupo específico
compre más que el otro. Por otro lado, nos gustaría analizar si los hombres Estadístico t 3.454841624
compran más, por lo que, en este caso, usaríamos una prueba de una P (T ≤ t) una cola 0.00308794
cola. Valor crítico de t (una cola) 1.812461123
P (T ≤ t) dos colas 0.006175881
43
85
LA PRUEBA t (t-TEST)
Queremos analizar dos productos diferentes entre varios posibles Los resultados del ejemplo muestran que no hay ninguna
consumidores para decidir cuál es mejor, pidiendo a los participantes que diferencia significativa en la clasificación de los dos productos ya
prueben cada uno y lo clasifiquen en una escala del 1 al 10. Dado que que el valor p (de dos colas) es mayor que el alfa (0,05). La plantilla
hemos decidido utilizar al mismo grupo para probar ambos productos, también contiene el intervalo de confianza de la diferencia media,
vamos a llevar a cabo una prueba t emparejada de dos colas. El alfa que en este caso incluye el 0 ya que no hay ninguna diferencia
elegido es 0,05. significativa.
http://analyticsmodels.blogspot.com.es/p/statistical-
analysis-templates_2.html
44
86
LA PRUEBA DE PROPORCIONES
OBJETIVO El jefe de una empresa asegura que el 80% de los empleados están muy
satisfechos con sus condiciones de trabajo. Nuestra hipótesis nula es
COMPROBAR SI DOS PROPORCIONES SON SIGNIFICATIVAMENTE que la satisfacción es igual al 80%, y nuestra hipótesis alternativa es que
DIFERENTES. el índice de satisfacción es distinto del 80%. El departamento de RR.HH.
decide encuestar a 100 empleados y obtiene un resultado del 73%. A un
nivel de relevancia del 0,05, no podemos rechazar la hipótesis nula por
lo que no podemos afirmar que la satisfacción de nuestra encuesta sea
Esta prueba tiene el mismo objetivo que una prueba t pero se aplica para
significativamente distinta del 80%. En la Figura 47 podemos ver que el
comparar proporciones, es decir, cuando los elementos pueden tener el valor de
intervalo de confianza (95%) incluye el 80%.
0 o 1. Por ejemplo, podemos comparar la tasa de conversión de dos campañas de
publicidad (prueba de proporciones de dos muestras) o comparar la mejora de Dos colas (H0: p - P = 0)
Otras diferencias con respecto a la prueba t consisten en que resolveremos la Una empresa ha lanzado una nueva campaña de marketing online y
prueba calculando el valor crítico z en lugar del valor crítico t, y que el cálculo quiere compararla con una campaña de marketing online convencional.
será ligeramente diferente porque utilizaremos proporciones en lugar de medias, El objetivo consiste en aumentar la tasa de conversión de los usuarios
varianzas y desviaciones estándar. Además, tendremos que comprobar que el online, y las tasas de conversión de las dos campañas se comparan
número de eventos (conversiones) y el número de “no eventos” (usuarios que no utilizando una prueba de proporciones. Los resultados no se presentan
compraron nada) es de, por lo menos, 10. aquí ya que esta prueba se explica en mayor detalle en el apartado 45.
El test A/B.
http://analyticsmodels.blogspot.com.es/p/statistical-
analysis-templates_2.html
45
87
EL TEST A/B
EL TEST A/B
http://analyticsmodels.blogspot.com.es/p/statistical-
analysis-templates_2.html
27
http://conversionxl.com/ab-testing-statistics
https://www.optimizesmart.com/understanding-ab-testing-statistics-to-get-real-lift-in-conversions/
46
89
RESUMEN
Figura 50: Resultado de un análisis de la varianza bidireccional Figura 51: Resultados de un análisis de la varianza de factor único con medidas repetidas
46
91
ANÁLISIS DE LA VARIANZA
Origen de las Suma de Grados de Promedio de los Probabili- Valor crítico
F
variaciones cuadrados libertad cuadrados dad de F
Total 39541.58333 59
Figura 52: Resultados de un análisis de la varianza de dos factores con varias muestras por grupo http://analyticsmodels.blogspot.com.es/p/statistical-
analysis-templates_2.html
47
92
LA PRUEBA DE CHI-CUADRADO
Casados 21 15 22 48
Una prueba de chi-cuadrado se utiliza para analizar las frecuencias de Solteros 39 22 22 83
observaciones independientes con dos objetivos principales:
Divorciados 8 15 24 47
»» La prueba de la bondad de ajuste: para determinar la diferencia Casados 18.34 14.02 15.64 48
entre los valores observados y los valores esperados (por ejemplo, Solteros 31.71 24.25 27.04 83
si una muestra tomada de una población sigue la distribución de la Divorciados 17.96 13.73 15.31 47
población esperada o una distribución teórica). Total 68 52 58 178
En cualquiera de los casos, el método utilizado es el mismo; Figura 54: Valores observados frente a valores esperados en una prueba de chi-cuadrado
LA PRUEBA DE CHI-CUADRADO
OBJETIVO 10
8
COMPROBAR SI DOS VARIABLES ESTÁN CORRELACIONADAS (SIEMPRE
Satisfacción
6
QUE NO SE CUMPLAN LOS SUPUESTOS NECESARIOS PARA LAS PRUEBAS
PARAMÉTRICAS). 4
EL COEFICIENTE PHI
http://analyticsmodels.blogspot.com.es/p/statistical-
Figura 57: Tabla de contingencia
analysis-templates_2.html
51
97
LA PRUEBA U DE MANN–WHITNEY
Las suposiciones para esta prueba son las siguientes: las muestras
deben provenir de la misma población, las parejas tienen que
Clasificac.
Persona
Satisfac. Satisfac.
Diferencia
Diferencia
diferencia
Clasificac. Clasificac. elegirse de manera independiente, los datos deben medirse,
verano invierno absoluta positivas negativas
15 1 3 2 2 6 6 sig si
16 10 9 -1 1 2.5 2.5
http://analyticsmodels.blogspot.com.es/p/statistical-
Figura 60: Prueba de los rangos con signo de Wilcoxon analysis-templates_2.html
53
99
LA PRUEBA DE KRUSKAL–WALLIS
42 25 33 18 4 12
El ejemplo recogido en la plantilla se refiere al lanzamiento de
47 19 50 24 1,5 27
han seguido notando el efecto de la misma. Se clasifican después
49 40 25,5 16 los resultados y se lleva a cabo la prueba. En caso de que el
41 17 valor p sea inferior al alfa (0,05), rechazaremos la hipótesis nula
y podremos afirmar que hay una diferencia significativa entre los
Media 42,10 30.33 36,25 Suma clasificación R 187,5 76,5 114 tres grupos; en otras palabras, las pastillas tienen efectos distintos.
Var 27,21 63,75 122,21 Tamaño grupo 10 9 8 27
En cuanto a la relevancia, podremos realizar una comparación por
R2/n 3.515,63 650,25 1.624,50 5.970,38
pares utilizando la prueba U de Mann–Whitney.
H 7,91071429
grados de libertad 2
p 0,01915183
alfa 0,05
sig si
http://analyticsmodels.blogspot.com.es/p/statistical-
Figura 61: Prueba de Kruskal–Wallis analysis-templates_2.html
54
100
LA PRUEBA DE FRIEDMAN
2 8 5 5 2 3 1.5 1.5 m 15
4 9 6 4 4 3 2 1 grados l. 2
7 5 8 3 7 2 3 1 sig si
8 4 6 7 8 1 2 3
9 5 4 6 9 2 1 3
10 9 9 4 10 2.5 2.5 1
11 4 7 4 11 1.5 3 1.5
12 7 3 3 12 3 1.5 1.5
13 8 2 7 13 3 1 2
14 9 8 8 14 3 1.5 1.5
15 10 8 1 15 3 2 1
R 37.5 28.5 24
R 2
1406.25 812.5 576 2794.5
http://analyticsmodels.blogspot.com.es/p/statistical-
Figura 62: Prueba de Friedman analysis-templates_2.html
55
101
LA PRUEBA DE SCHEIRER–RAY–HARE
H Valor P Sig
mismo tamaño y por lo menos cinco observaciones cada una. Muestras 4004.25 2 2002.2125 9,854115186 0.002596 3.190727
En el ejemplo incluido en la plantilla, tenemos tres tipos de Interacción 2893.641 6 482.273 2.373564102 0.0434701 2.2946013
anuncios publicitarios (filas) y cuatro productos distintos (columnas). Dentro grupo 9752.9 48 203.1854
Total 17990 59
Persona Prod A Prod B Prod C Prod D Persona Prod A Prod B Prod C Prod D
Figura 64: Prueba de Scheirer–Ray–Hare
Anuncio 1 123 128 166 151 Anuncio 1 8 11 22 23
156 150 178 125 28.5 22 45.5 9
112 184 187 117 3 40 52.5 5
100 116 153 155 1 4 24 26.5 En el ejemplo, solo el parámetro de las “filas” es significativo, lo
168 109 195 158 36.5 2 59 30
LA PRUEBA DE MCNEMAR
Binomial 0.001345739
Significación si
Significación
si
http://analyticsmodels.blogspot.com.es/p/statistical-
Figura 65: Datos y resultados de una prueba de McNemar analysis-templates_2.html
57
103
LA PRUEBA Q DE COCHRAN
9 0 1 1 2
McNemar.
10 0 0 0 0
11 1 1 0 2
12 0 1 1 2
13 0 0 0 0
14 1 0 1 2
15 0 1 1 2
16 0 1 1 2
17 0 0 1 1
18 0 1 1 2
19 1 0 1 2
20 0 1 1 2
http://analyticsmodels.blogspot.com.es/p/statistical-
TOTAL 5 12 15 32
analysis-templates_2.html
Figura 66: Datos y resultados de una prueba Q de Cochran
58
104
LA CLASIFICACIÓN BINARIA
Figura 67).
59
106
LA CLASIFICACIÓN BINARIA
LA REGRESIÓN LOGÍSTICA
http://analyticsmodels.blogspot.com.es/p/statistical-
Figura 69: Regresión logística analysis-templates_2.html
61
108
EL ANÁLISIS DE GRUPOS
EL ANÁLISIS DE GRUPOS
http://analyticsmodels.blogspot.com.es/p/statistical-
analysis-templates_2.html
62
110
EL ANÁLISIS DE PERFILES
Para comparar los datos entre grupos, el análisis de perfiles utiliza tanto
representaciones gráficas (diagramas) como métodos estadísticos
que analizan la varianza. Los diagramas suelen representarse con Figura 71: Ejemplo de niveles iguales en un análisis de perfiles (en términos promedios, los
niveles son iguales aunque no haya paralelismo)
puntuaciones o respuestas en el eje y, así como puntos temporales
(o pruebas u observaciones) en el eje x. Estas representaciones nos
permiten hacernos una idea de la similitud/diferencia entre los grupos.
Sin embargo, utilizando métodos estadísticos (como un análisis de la
varianza o un análisis multivariante de la varianza, entre otros), podremos
contestar en términos estadísticos a las tres principales preguntas que
plantea un análisis de perfiles:
62
111
EL ANÁLISIS DE PERFILES
http://analyticsmodels.blogspot.com.es/p/statistical-
analysis-templates_2.html
63
112
29
Pese a este ejemplo, un ACP suele llevarse a cabo cuando tenemos un mayor número de variables.
30
http://www.real-statistics.com/multivariate-statistics/factor-analysis/principal-component-analysis/
63
113
31
http://www.real-statistics.com/multivariate-statistics/factor-analysis/
64
115
los factores de carga. El método más popular y, probablemente más Variable 3 0.2070 0.5232 0.316554488
utilizado, es la rotación Varimax, pero podemos investigar las ventajas y
Variable 4 0.1391 0.4247 0.199701685
las desventajas de los demás métodos.
Variable 5 -0.6965 0.1851 0.519315314
Llegados a este punto, tendremos una matriz de correlación, un gráfico
Variable 6 -0.5433 0.2379 0.3517505543
de sedimentación y una tabla que recogerá todos los componentes
Variable 7 0.8473 0.0000 0.717893717
junto con sus eigenvalores y el porcentaje de la varianza explicado. La
siguiente tabla que tendremos que utilizar es una matriz con factores y Variable 8 -0.6884 0.2942 0.560470279
http://analyticsmodels.blogspot.com.es/p/statistical-
32
A modo de guía, podemos considerar un KMO superior a 0,8 como un índice adecuado para un análisis factorial, de entre
0,7 y 0,8 como un índice suficiente, y entre 0,7 y 0,5 un índice entre bajo y muy bajo para un análisis factorial. analysis-templates_2.html
65
117
INTRODUCCIÓN
Predicción
El objetivo de las predicciones es producir pronósticos e indicaciones MÉTODOS Y TÉCNICAS DE PREDICCIÓN
(normalmente en relación con la demanda o las ventas) para periodos
Existen varios métodos33 disponibles, y la elección de uno de ellos
futuros utilizando datos históricos y planteando suposiciones. Por
dependerá de cinco factores principales:
ejemplo, queremos predecir las ventas mensuales del año +1 y tomamos
como referencia las ventas mensuales del año actual. Un supuesto podría »» La fase del ciclo de vida de nuestro producto o servicio (fase
ser que las ventas no van a cambiar el año que viene y nuestro pronóstico emergente, de crecimiento o madurez).
será simplemente equivalente a los datos históricos. Otra suposición »» El tipo de producto.
sencilla de implementar puede ser establecer un aumento fijo de las »» La precisión mínima necesaria y cuánto estamos dispuestos a
ventas cada mes o un aumento proporcional, por ejemplo, del 10%. Las invertir en tiempo y en dinero.
suposiciones pueden volverse mucho más complejas cuando utilizamos »» La disponibilidad de datos (y el coste de obtener más datos, si
modelos causales o de tendencia. existe la posibilidad de hacerlo).
INTRODUCCIÓN
Predicción
»» Las proyecciones y series temporales: el pronóstico estará basado en de la gestión de ingresos (los modelos pickup y las regresiones).
el reconocimiento de patrones sobre datos pasados (estacionalidad, No voy a incluir modelos de fijación de precios ni de análisis de
ciclos y tendencias) y la proyección de estos patrones en el futuro. clientes puesto que ya los he incluido en anteriores apartados.
Su nivel de exactitud es mayor cuando el producto ya ha entrado
EL CUMPLIMIENTO DE LA PREVISIÓN
en la etapa estable (la fase madura). Estos métodos pueden ser
más continuos o más sensibles frente a los cambios; no obstante, Para elegir el mejor método que decidamos utilizar, en primer
no pueden predecir puntos de inflexión basados en acontecimientos lugar deberíamos considerar el tipo de negocio y los datos
especiales y solo pueden reaccionar de manera más o menos rápida disponibles. Sin embargo, esta información no suele ser suficiente
ante un cambio en los datos medidos. Algunos ejemplos son la media y necesitamos comparar distintos métodos basándonos en su
móvil, la suavización exponencial y el análisis de series temporales. nivel de cumplimiento.
»» Los modelos causales: el pronóstico estará basado en la relación El cumplimiento se calcula a través del error de pronóstico, es
Predicción
deberíamos identificar la tendencia en el número de empresas,
ingresos y márgenes. No obstante, podemos complementar este
OBJETIVO
análisis con un enfoque estadístico que nos ayude a predecir el
IDENTIFICAR LA MADUREZ DE UN PRODUCTO O SERVICIO Y PRONOSTICAR futuro crecimiento.
LA DEMANDA DE LOS SIGUIENTES PERIODOS.
Si nuestro producto se encuentra en la etapa emergente o
simplemente en la etapa de crecimiento, no tendremos suficientes
datos para calcular la curva S por lo que deberíamos utilizar los
El supuesto que subyace a este modelo es que, normalmente, un datos de productos que tengan características parecidas y analizar
producto tiene un ciclo de vida que sigue una curva con forma de S con sus curvas de ciclo de vida de producto. Resulta importante
tres fases principales (véase 12. El análisis del ciclo de vida de un producto): plantear buenas suposiciones sobre el nivel de saturación del
mercado y las diferencias entre nuestro producto y los productos
»» Etapa emergente: está caracterizada por un número pequeño
Predicción
Si consideramos que nuestro producto ya está en la etapa de crecimiento, Si creemos que la curva S no se ajusta de forma adecuada al
además de compararlo con otros productos similares, podremos construir pronóstico, entonces podremos cambiar nuestras suposiciones
nuestra curva S utilizando, por ejemplo, una estimación lineal logarítmica sobre el nivel de saturación del mercado (que cambiará los datos
(ver plantilla) y predecir las futuras ventas. Tal y como aparece en la Figura transformados y, por lo tanto, nuestra predicción). En la plantilla,
78, los datos de las ventas para cada periodo (años34) se introducen en se calcula el R2 y podemos utilizarlo como una medida de hasta
la tabla y, después, se transforman para calcular una tendencia lineal. qué punto se ajusta bien la curva de pronóstico a los datos reales
En la última fila de la tabla, la transformación logarítmica se invierte y se de venta. No obstante, cabe recordar que nuestras suposiciones
predicen las ventas (ver gráfico situado a la derecha en la Figura 79). sobre los niveles de saturación del mercado son más importantes
que alcanzar el ajuste “perfecto” de la curva de pronóstico.
Por ejemplo, podemos alcanzar un R2 mayor pero con un nivel
Periodos Ventas Transformación LN Tendencia LN Previsión elevado de saturación del mercado altamente improbable.
De hecho, existen distintos factores que pueden afectar a la
Figura 78: Pronóstico y datos de venta utilizando una transformación logarítmica Figura 79: Línea de tendencia lineal y datos transformados según el registro..
67
124
Predicción
Sin embargo, a veces esto no es suficiente ni para seguir
aumentando las ventas ni para evitar el declive. En este caso,
deberíamos considerar acciones que sean capaces de “empujar
hacia arriba” la curva S, ampliando el ciclo de vida del producto:
evolución del producto, innovación, nuevos mercados, nueva
utilización del producto, etc.
http://analyticsmodels.blogspot.com.es/p/forecasting-
templates.html
68
125
LA MEDIA MÓVIL
Predicción
La previsión de la demanda (F) para el siguiente periodo (t + 1) se
pronostica a través del promedio de la demanda (X) a lo largo de
OBJETIVO
un determinado número de periodos (n) incluido el periodo actual
PRONOSTICAR LA DEMANDA PARA LOS PRÓXIMOS PERIODOS. (t). Aquí, la elección del número de periodos resulta fundamental.
Cuantos más periodos incluyamos en la media, más reduciremos
el carácter aleatorio del modelo, pero, por otro lado, perderemos
información importante sobre la estacionalidad. Una variación
de este modelo es un modelo de media móvil ponderado en el
El supuesto que subyace a este modelo es que la demanda reciente es
que distintos periodos tienen diferentes impactos sobre la media
un buen dato de predicción de la demanda futura. La fórmula es:
móvil. Por lo general, se suele asignar más peso a los periodos
más recientes pero es posible elegir un enfoque diferente en
función del tipo de negocio.
http://analyticsmodels.blogspot.com.es/p/forecasting-
Figura 80: Ejemplo de medias móviles de tres y cinco periodos templates.html
69
126
LA SUAVIZACIÓN EXPONENCIAL
Predicción
OBJETIVO
PRONOSTICAR LA DEMANDA PARA LOS PRÓXIMOS PERIODOS.
Predicción
El análisis de series temporales es útil para realizar predicciones
basándose en los patrones que subyacen a los datos del pasado.
OBJETIVO
Existen cuatro componentes principales:
PRONOSTICAR LA DEMANDA PARA LOS PRÓXIMOS PERIODOS.
»» Tendencia: un movimiento a largo plazo relativo a las series
temporales que puede ser ascendente, descendente o fijo (un
ejemplo puede ser la tendencia ascendente del crecimiento
de la población).
Predicción
Existen dos tipos de modelos principales en función de cómo se incluyan Un buen análisis de series temporales conlleva varios análisis
los cuatro componentes anteriores: exploratorios y validaciones de modelo, lo cual requiere
experiencia y conocimientos estadísticos. La plantilla contiene
»» Modelos multiplicativos: los cuatro componentes se multiplican, y
una simplificación de un modelo de series temporales en el que
en este caso, asumimos que los componentes pueden afectarse los
la estacionalidad y las tendencias se aíslan para predecir futuras
unos a los otros.
ventas.
Y(t) =T(t) x S(t) x C(t) x I(t)
Los datos pueden recopilarse en cada periodo de tiempo (series
»» Modelos aditivos: asumimos que los componentes son temporales continuas), por ejemplo, una lectura de temperaturas,
independientes. o bien en puntos temporales separados (series temporales
discretas), cuando se observan diariamente, semanalmente,
Y(t)=T(t) + S(t) + C(t) + I(t) mensualmente, etc.
http://analyticsmodels.blogspot.com.es/p/forecasting-
templates.html
71
129
Predicción
de anticipación (PUDB(X,O)). En la segunda fórmula (pickup
multiplicativo), el pronóstico se calcula multiplicando las reservas
OBJETIVO
actuales por el ratio de pickup medio (PURDB(X,0)).
PRONOSTICAR LA DEMANDA PARA LOS PRÓXIMOS PERIODOS.
Para realizar buenas predicciones, resulta muy importante calcular
con cuidado o bien el pickup medio o el ratio de pickup. Tomemos
como ejemplo una compañía aérea. Si estamos utilizando el
pickup medio, entonces deberíamos tomar en consideración
Los modelos pickup son modelos de predicción que se utilizan en la estacionalidad a distintos niveles: hora del día, día de la
la gestión de ingresos (revenue management), y pueden aplicarse en semana, mes, vacaciones, etc. La cantidad de reservas graduales
negocios que suelen reservar el servicio con antelación (aerolíneas, dependerá fuertemente de la demanda por una hora de salida
hoteles, teatros, etc.). El pronóstico se calcula utilizando las reservas específica por lo que deberíamos calcular la media utilizando días
LAS REGRESIONES
Predicción
OBJETIVO
PRONOSTICAR LA DEMANDA PARA LOS PRÓXIMOS PERIODOS.
BDB0 = β0 + β1 B〗DBX
http://analyticsmodels.blogspot.com.es/p/forecasting-
templates.html
LOS ANÁLISIS Y SI (WHAT-IF) Y
LOS MODELOS DE OPTIMIZACIÓN
73
132
INTRODUCCIÓN
EL ANÁLISIS DE ESCENARIOS
EL ANÁLISIS DE ESCENARIOS
En un árbol de decisiones, tenemos distintos tipos de nodos: »» Para cada evento, definir todos los posibles resultados (si son
numerosos o infinitos, tendremos que simplificarlos hasta
»» Nodo raíz: se trata del primer nodo y suele representar la cuestión de obtener un número reducido y manejable de resultados
si invertir o no. discretos) y asignar una probabilidad a cada uno de ellos (la
»» Nodos de posibilidad o evento (representados por círculos): son probabilidad tendrá que ascender a 1).
eventos con varios resultados posibles (cada uno con una probabilidad
»» Definir los puntos de decisión, es decir, las decisiones que
asociada).
pueden tomarse cuando ya se conoce un resultado exacto.
»» Nodos de decisión (representados por cuadrados): representan todas
las posibles decisiones que pueden tomarse después del resultado
de un evento.
http://analyticsmodels.blogspot.com.es/p/what-if-analysis-and-
optimization-models.html
76
137
Por otro lado, los juegos secuenciales suelen representarse mediante Algunas aplicaciones frecuentes en el ámbito empresarial son:
árboles de decisión que incluyen las recompensas y las decisiones »» Toma de decisiones sobre la entrada a un mercado.
de los jugadores. En el siguiente ejemplo, un nuevo competidor tiene
que decidir si entrar o no en un mercado, además eligiendo si invertir »» Modificaciones de precio.
en una tecnología moderna (entrar con bajos costes operativos) o con
»» Modificaciones de cantidad.
la tecnología actual (altos costes operativos). En este otro mercado, la
empresa actual puede reaccionar o bien de manera agresiva o bien de
manera moderada. En este caso, el nuevo competidor decidirá entrar
porque una vez que entre, la decisión más rentable para la empresa actual
será de reaccionar de manera moderada (en cada pareja de valores, el
valor de la derecha representa las pérdidas o ganancias de la empresa
actual).
76
139
http://analyticsmodels.blogspot.com.es/p/what-if-analysis-and-
optimization-models.html
77
140
»» Analizar y optimizar.
»» Distribución uniforme: cada valor variable tiene probabilidades parecidas »» El valor esperado: el promedio de todos los resultados con sus
(por ejemplo, cuando tiramos un dado, cada número tiene 1/6 de probabilidad intervalos de confianza.
de salir).
»» El riesgo: en el ejemplo propuesto, se trata de la probabilidad de
»» Distribución de Bernoulli: solo tenemos dos resultados exclusivos y obtener beneficios negativos (% de resultados < 0), pero también
alternativos (0 o 1). podemos elegir un valor específico.
»» Distribución normal: los valores centrales son los más probables (definidos También es posible comparar diferentes simulaciones con distribuciones
0 0% 55% 0% 45% 0%
1 0% 0% 0% 5% 95%
En este caso, el precio y la calidad son los principales motores pero aquí
se comparan con otras alternativas (es un concepto similar al del precio
de referencia frente al precio máximo explicado en la introducción a los
modelos de fijación de precios y demanda). El efecto de una modificación
del precio puede derivarse de varios modelos de elasticidad y fijación de
precios.
LA OPTIMIZACIÓN
Una vez que hayamos definido la estructura de los costes y los ingresos
relacionados con el modelo, podremos utilizar el Solver de Excel para
encontrar el plan de inversiones óptimo (véase 80. Optimización).
http://analyticsmodels.blogspot.com.es/p/what-if-analysis-and-
optimization-models.html
80
147
OPTIMIZACIÓN
60% 56%
70%
La optimización significa encontrar los valores de determinadas variables 40%
80%
de decisión que optimizan el resultado (o la variable de salida). Las 20%
10%
variables de decisión son elementos en los que podemos intervenir, por 5,6%
en el modelo después de modificar nuestras variables de decisión (un Figura 91: Embudo de ventas de la situación de partida (escenario 0)
ejemplo podría ser “beneficios”).
El primer paso consiste en definir el modelo que vamos a
Voy a utilizar aquí el mismo ejemplo que en el apartado 79. El análisis optimizar mediante la identificación de las relaciones entre las
del embudo de ventas en el que he definido las cuatro etapas de un variables (Figura 92). La variable objetivo es “beneficios” que, a
cliente potencial: mercado, conocimiento, consideración y conversión. La su vez, depende de tres variables: los costes variables (que no
relación entre los elementos aparece representada mediante ratios; por cambian), el precio y el número de productos vendidos. El número
ejemplo, el 70% de las personas del mercado conoce nuestro producto, de productos vendidos depende de la tasa de conversión y el
el 80% de las personas que conoce nuestro producto lo considera a número de personas que consideren nuestro producto. Podemos
la hora de comprar, y el 10% de los que consideran nuestro producto continuar con este razonamiento hasta llegar al final del diagrama.
acaba comprándolo. Para mejorar nuestras ventas, podemos actuar Se han definido todas las conexiones del diagrama a través de
sobre tres variables de decisión: aumentar el conocimiento, aumentar funciones en la plantilla, y en particular, estamos interesados en
la consideración o aumentar la conversión. En aras de la simplicidad, las relaciones con nuestras tres principales variables de decisión
asumiremos que podemos aumentar directamente el concoimiento de (precio, comunicación y publicidad). Estas son las variables
la marca invirtiendo en publicidad, podemos aumentar la consideración que podemos modificar en función de nuestras decisiones
invirtiendo en comunicación y podemos mejorar la conversión bajando los empresariales para aumentar nuestros beneficios:
80
148
OPTIMIZACIÓN
36
Asegúrese de tener el complemento Solver instalado y habilitado; para más información,
Figura 92: Definición del modelo (optimización) visite www.solver.com
80
149
OPTIMIZACIÓN
MÁX INVER. PUBLI + COM 120.000€ Figura 94: Embudo de ventas después de la optimización (escenario 1)
37
Siempre que todas las funciones sean lineales (objetivo, variables de decisión y limitaciones), será más
eficiente utilizar el método Simplex LP. Suele ser el caso cuando estamos utilizando fórmulas sencillas con
sumas, restas, divisiones o multiplicaciones. Para fórmulas más complejas (y especialmente para potencias o
raíces), deberíamos utilizar un método no lineal de Gradiente Reducido Generalizado (GRG). En caso de que
tengamos datos discontinuos o no atenuados (por ejemplo, si utilizamos fórmulas con SI, ELEGIR, REDONDEAR,
CONTAR, ENTERO, ABS, MIN, MAX, etc.), deberíamos utilizar el método evolutivo que encontrará una “buena
solución” pero seguramente no la mejor solución en términos globales (se recomienda intentarlo varias veces
con distintos puntos de partida). Un método más complejo para una solución más sencilla (como por ejemplo,
el método no lineal GRG para un problema lineal) funcionará pero no será el método más eficiente. En caso http://analyticsmodels.blogspot.com.es/p/what-if-
de que Solver produzca un error, habrá que seleccionar los informes facilitados para obtener más información
acerca del problema. Hay más información disponible en www.solver.com. analysis-and-optimization-models.html
ANEXO
151
ÍNDICE DE MODELOS
Anexo
Análisis conjunto 43 Análisis multivariante de escenarios 134
ÍNDICE DE MODELOS
Anexo
Matriz de Boston 22 Pickup multiplicativo 129
Método de fijación de precios Gabor Granger 39 Prueba de proporciones con dos muestras 86
ÍNDICE DE MODELOS
Anexo
Regresión logística 107
Regresiones no lineales 73
Shuffling (redistribución) 80
Superforecasting 10
Tabla de contingencia 96
Test A/B 87
ÍNDICE DE FIGURAS
Anexo
Figura 1: Modelo PEST (tendencias políticas) 14 Figura 18: Medidor de sensibilidad de precios de Van
Westendorp 40
Figura 2: Mapa de posicionamiento 16
Figura 19: Ampliación del MSP de Van Westendorp con
Figura 3: Marco de cuatro acciones para la implementación
estimación de ingresos y de demanda 41
de una estrategia del océano azul 17
Figura 20: Curva de demanda derivada de un test monádico
Figura 4: Matriz de importancia-desempeño 18
de precios 42
Figura 5: Análisis VMOST 19
Figura 21: Combinaciones y preferencias expresadas en un
Figura 6: Ejemplo de auditoría de recursos 21 análisis conjunto 44
ÍNDICE DE FIGURAS
Anexo
Figura 32: Gráfico de dispersión con línea de ajuste óptimo 67 Figura 48: Resultado de un test A/B sobre tasas de
conversión 87
Figura 33: Gráfico de los residuales estandarízados 68
Figura 49: Resultado de un análisis de la varianza
Figura 34: Matriz de correlación 69
unidireccional 89
Figura 35: Resultado de un análisis de regresión lineal 70
Figura 50: Resultado de un análisis de la varianza
Figura 36: Resultado de un análisis de regresión con múltiples bidireccional 90
variables 72
Figura 51: Resultados de un análisis de la varianza de factor
Figura 37: Regresión exponencial 73 único con medidas repetidas 90
Figura 38: Diagrama de un análisis de rutas 74 Figura 52: Resultados de un análisis de la varianza de dos
factores con varias muestras por grupo 91
Figura 44: Resultados de una prueba t de una muestra 83 Figura 56: Coeficiente de correlación de Spearman 95
Figura 45: Resultado de una prueba t con dos muestras suponiendo Figura 57: Tabla de contingencia 96
varianzas desiguales 84 Figura 58: Interpretación de los coeficientes Phi y V de
Figura 46: Resultado de una prueba t emparejada 85 Cramer 96
Figura 47: Resultados de una prueba de proporciones con una Figura 59: Prueba U de Mann–Whitney 97
muestra 86 Figura 60: Prueba de los rangos con signo de Wilcoxon 98
156
ÍNDICE DE FIGURAS
Anexo
Figura 61: Prueba de Kruskal–Wallis 99 Figura 77: Diagrama de rutas de un análisis factorial
confirmatorio 117
Figura 62: Prueba de Friedman 100
Figura 78: Pronóstico y datos de venta utilizando una
Figura 63: Datos para la prueba de Scheirer–Ray–Hare 101
transformación logarítmica 123
Figura 64: Prueba de Scheirer–Ray–Hare 101
Figura 79: Línea de tendencia lineal y datos transformados
Figura 65: Datos y resultados de una prueba de McNemar 102 según el registro 123
Datos reales de venta y ventas pronosticadas 124
Figura 66: Datos y resultados de una prueba Q de Cochran 103
Figura 80: Ejemplo de medias móviles de tres y cinco
Figura 67: Tabla para el cálculo de la curva ROC 105 periodos 125
Figura 68: Curva ROC 106 Figura 81: Suavización exponencial con un alfa más bajo (0,2)
Figura 70: Análisis sencillo de grupos utilizando un diagrama de Figura 82: Análisis de series temporales 127
dispersión 108 Figura 83: Resumen de escenarios 134
Figura 71: Ejemplo de niveles iguales en un análisis de perfiles Figura 84: Árbol de probabilidad 135
(en términos promedios, los niveles son iguales aunque no haya
paralelismo) 110 Figura 85: El dilema del prisionero 138
Figura 72: Ejemplo de paralelismo en un análisis de perfiles 111 Figura 86: Árbol de decisiones con las recompensas de los
jugadores 138
Figura 73: Ejemplo de planitud en un análisis de perfiles 111
Figura 87: Resultado de una simulación de Montecarlo 140
Figura 74: Resultados de un ACP 112
Figura 88: Matriz de transición de probabilidades 142
Figura 75: Gráfico de sedimentación 113
Figura 89: Resultado de una cadena de Markov 143
Figura 76: Factores de carga y comunalidades 115
Figura 90: Embudo de ventas 144
157
ÍNDICE DE FIGURAS
Anexo
Figura 91: Embudo de ventas
de la situación de partida (escenario 0) 147
BIBLIOGRAFÍA
Anexo
Breidert, Christoph. Estimation of Willingness-to-Pay: Theory, Schumacker, Randall E., and Richard G. Lomax. A Beginner’s
Measurement, Application. Deutscher Universitätsverlag, 2006. Guide to Structural Equation Modeling. Routledge, 2016.
Cadle, James, Debra Paul, and Paul Turner. Business Analysis Tetlock, Philip E., and Dan Gardner. Superforecasting: The Art
Techniques: 99 Essential Tools for Success. 2nd ed. BCS Learning & and Science of Prediction. Crown, 2015.
Development Limited, 2014.
https://hbr.org/2006/01/competing-on-analytics
Davenport, Thomas H., and Jeanne G. Harris. Competing on Analytics:
http://www.excelmasterseries.com/
The New Science of Winning. Harvard Business School, 2007.
http://blog.excelmasterseries.com/
Fader, Peter S., and Bruce G.S. Hardie. “Implementing the BG/
BB Model for Customer-Base Analysis in Excel”, 2011. http://www. http://www.real-statistics.com/
brucehardie.com/notes/010/
Kahneman, Daniel. Thinking, Fast and Slow. Farrar, Straus and Giroux, https://www.udacity.com/course/how-to-build-a-startup--
2011. ep245
Kim, W. Chan, and Renée Mauborgne. Blue Ocean Strategy: How to https://www.xlstat.com/es/soluciones/funciones/choice-
Create Uncontested Market Space and Make the Competition Irrelevant. based-conjoint-analysis
Harvard Business School, 2005. https://hbr.org/2007/10/how-valuable-is-word-of-mouth
Kumar, V., J. Andrew Petersen, and Robert P. Leone. “How Valuable is http://www.quantitativeskills.com/sisa/rojo/distribs.htm
Word of Mouth?” HBR (2007).
https://www.researchgate.net/publication/270887299_Path_
Osterwalder, Alexander, Yves Pigneur, Tim Clark, and Alan Smith. Analysis_Step_by_Step_Using_Excel
Business Model Generation: A Handbook for Visionaries, Game
Changers, and Challengers. John Wiley and Sons, 2010. http://www.watoowatoo.net/sem/sem.html
159
BIBLIOGRAFÍA
Anexo
www.powerandsamplesize.com
http://conversionxl.com/ab-testing-statistics/
https://www.optimizesmart.com/understanding-ab-testing-statistics-
to-get-real-lift-in-conversions/
http://www.real-statistics.com/multivariate-statistics/factor-analysis/
principal-component-analysis/
http://www.real-statistics.com/multivariate-statistics/factor-analysis/
https://www.researchgate.net/publication/7151927_Confirmatory_
factor_analysis_using_Microsoft_Excel
http://people.stern.nyu.edu/adamodar/pdfiles/papers/probabilistic.
pdf
http://econpapers.repec.org/software/uthexclio/
https://www.me.utexas.edu/~jensen/ORMM/excel/markov.html
www.solver.com
CONTACTA CON NOSOTROS
www.msmk.es
info@msmk.es
Teléfono: (+34) 91 781 69 62
MADRID: C/Príncipe de Vergara, 43 – 28001, Madrid (España)