Una investigación de Ricardo Montoya, académico de la Escuela de Administración UC e investigador del Instituto Sistemas Complejos de Ingeniería (ISCI), sugiere que esta tecnología puede aportar a identificar qué atributos del producto son considerados irrelevantes por los encuestados, ayudando a las empresas a tomar mejores decisiones sobre el diseño, precios y posicionamiento de sus productos. El paper fue publicado en el “European Journal of Operational Research” y está escrito en conjunto con Verónica Díaz (U. de Antofagasta) y Sebastián Maldonado (U. de Chile).

¿Cuál fue el objetivo que persigue este trabajo? Entiendo que, por una parte, proponen un enfoque nuevo para comprender cómo los consumidores evalúan atributos de productos, pero me gustaría que me pudieses explicar la diferencia entre los modelos y por qué el enfoque propuesto es novedoso.

El objetivo de este trabajo es comprender cómo los consumidores evalúan los atributos de productos o servicios y toman decisiones de compra. Se utiliza una herramienta llamada análisis conjunto, que es una técnica de marketing analytics para entender las preferencias de los clientes y ayudar a las empresas a tomar mejores decisiones sobre el diseño, precios y posicionamiento de sus productos en el mercado. Lo novedoso del enfoque propuesto es el uso de herramientas de machine learning para identificar qué atributos del producto son considerados irrelevantes por los encuestados. Si estos atributos irrelevantes no son identificados, las estimaciones de los métodos tradicionales se ven seriamente afectadas y, por lo tanto, las preferencias determinadas pueden presentar sesgos significativos.

¿Qué tipo de muestra utilizaron? ¿Cómo estaba compuesta?

Para validar la metodología propuesta utilizamos datos de dos encuestas de análisis conjunto sobre computadores personales y cafeteras automáticas. Y comparamos nuestra metodología con los modelos tradicionales utilizados en esta área, que no identifican atributos irrelevantes.

En ese sentido, ¿cuáles son las principales conclusiones?

Las principales conclusiones del estudio indican que la metodología propuesta mejora la caracterización de las preferencias de los consumidores sobre las características de los productos y predice mejor las elecciones que hacen los consumidores en las categorías estudiadas al identificar los atributos irrelevantes.

¿En qué ámbito este paper podría ser un aporte o en qué áreas podría tener impacto y por qué?

Este trabajo puede tener un impacto significativo en diferentes áreas del comportamiento humano, como en economía, negocios y políticas públicas. Por ejemplo, en el contexto de la ley de etiquetado de productos de consumo implementada en Chile y su próxima aplicación a bebidas alcohólicas, esta investigación podría ser relevante para determinar si los consumidores realmente toman en cuenta esta información al evaluar los productos.

Además, el enfoque de utilizar machine learning para potenciar análisis conjunto y mejorar la comprensión de las preferencias de los consumidores podría ser aplicable en diversas industrias para mejorar la toma de decisiones de marketing. Especialmente relevante en el comercio electrónico donde las preferencias de los consumidores y usuarios cambian rápidamente y las empresas introducen nuevos elementos de manera continua a sus productos y servicios.