Como vendedores e investigadores de mercado, intentamos constantemente comprender el comportamiento de los consumidores para poder adaptar mejor los productos y servicios a sus necesidades. Por eso, comprender a fondo cómo elige la gente es crucial para superar a la competencia. Una forma de entender cómo eligen los consumidores es reproducir una realidad compleja en la toma de decisiones humanas mediante un modelo que capte los principales factores de elección.
El modelo de utilidad aleatoria (Random Utility Model, RUM) es el modelo conjunto más utilizado, en el que los consumidores seleccionan el producto que les ofrece el mejor valor (es decir, utilidad) basándose en una combinación de características del producto.
Un modelo alternativo y menos conocido es el modelo de arrepentimiento aleatorio (Random Regret Modeling, RRM), que parte de la base de que, en lugar de elegir el producto óptimo, los consumidores intentan minimizar el posible arrepentimiento de no haber elegido alguna(s) característica(s) del producto.
Ambos enfoques tienen sus pros y sus contras, y cada uno es más o menos adecuado en diferentes situaciones de mercado. En un esfuerzo por mejorar la validez predictiva de los resultados conjuntos, nuestros investigadores compararon y combinaron el modelo de utilidad y el modelo de arrepentimiento mediante un estudio de caso sobre la compra de dispositivos tablet y plantearon la pregunta: ¿conduciría un modelo híbrido a resultados más realistas? Este artículo apareció posteriormente en la revista Asia Research.
"Para responder a esta pregunta, los investigadores de SKIM pusieron en marcha un estudio en el que examinaron el comportamiento de elección de los consumidores que compran tabletas. Los modelos de utilidad, arrepentimiento e híbrido se aplicaron a este mismo conjunto de datos para determinar qué modelo se ajustaba mejor a los datos y cuál tenía el mayor "índice de aciertos", una medida de la precisión predictiva.
Al revisar los resultados de los tres modelos diferentes, vimos que la diferencia tanto en el ajuste de los datos como en la validez predictiva entre el modelo híbrido y el modelo de utilidad era bastante pequeña. Sólo el modelo de arrepentimiento puro obtuvo peores resultados. Además, la correlación media entre los tres métodos fue de 0,95. En otras palabras, ninguno de los modelos superó claramente a los demás en estos términos.
Aunque la precisión de la predicción de las elecciones fue similar, las cuotas previstas para los escenarios hipotéticos en los modelos de simulación basados en cada enfoque no lo fueron. Un análisis más detallado revela que existen grandes diferencias en los porcentajes previstos.
En el ejemplo siguiente, los tres métodos predicen una cuota limitada para el producto 2. Sin embargo, utilizando el modelo de utilidad, el producto 1 resulta claramente mejor que el producto 3. Sin embargo, utilizando el modelo de utilidad, el Producto 1 obtiene claramente mejores resultados que el Producto 3. Con el modelo de arrepentimiento, el producto 3 obtiene mejores resultados. El enfoque híbrido predice que tanto el producto 1 como el 3 tendrán un rendimiento similar. Por lo tanto, los mismos datos podrían dar lugar a recomendaciones diferentes.
En términos de validez predictiva estadística, el modelo de utilidad más utilizado sigue dando buenos resultados.
Como modelo simplificado de un comportamiento de elección complejo, sigue siendo una herramienta muy fiable. Dicho esto, es más probable que el modelo de utilidad sobrestime el comportamiento "racional" de los consumidores, que maximiza la utilidad, lo que puede llevar a conclusiones sesgadas.
Siempre que sea posible, es más probable que un enfoque híbrido tenga en cuenta correctamente tanto el comportamiento de maximización de la utilidad como el de minimización del arrepentimiento para obtener predicciones más fiables de la elección. Al fin y al cabo, el objetivo de la modelización es reproducir con mayor precisión el complejo proceso de toma de decisiones en el mundo real."
Descubre cómo una marca de cerveza consolidada optimizó sus decisiones en materia de precios y distribución para impulsar un crecimiento de dos dígitos en un mercado africano.
Cómo los datos sobre las preferencias de los pacientes contribuyeron a demostrar el valor de la prevención de las enfermedades infecciosas más allá de los resultados clínicos.
Un modelo de previsión dinámico ayudó a un cliente del sector sanitario a planificar con mayor seguridad las decisiones relativas al lanzamiento, la fijación de precios y el acceso.
Descubre cómo E.ON Next utilizó los conocimientos sobre el comportamiento para lograr una diferenciación de marca más sólida, más allá del precio.