Modelos estadísticos para investigación cuantitativa y de mercado

¿Qué es un modelo estadístico?

Los modelos estadísticos son las formas matemáticas de procesar ciertos datos duros, sirviéndose de ecuaciones y fórmulas para dar explicación a eventos a partir del binomio variable de entrada/variable de salida, o, en otros términos, causa y efecto. Su finalidad es la de asumirse como un proceso mecánico que explique y replique resultados sentados en la realidad observada.

Podemos pensar en el modelo estadístico asumido como una máquina que genera datos probabilísticos en la demostración de una hipótesis previamente planteada. En ese sentido, tal máquina es capaz de generar más datos. A través del diseño de experimentos no solo es posible replicar los resultados buscados sino también manipular las variables para generar distintas respuestas que permitan estudiar a fondo los factores y llegar a eficientar los procesos. 

Existen distintos tipos de métodos estadísticos.

En investigación de mercados se utilizan principalmente tres: 

• Descriptivo
• Inferencial 
• Predictivo.

La estadística descriptiva, como su nombre lo dice, se basa en la caracterización o descripción de resultados. Esta involucra diversos métodos y técnicas de organización de datos para su representación gráfica. 

En el método inferencial, los datos descritos pueden ser utilizados como factores útiles en la comprobación de hipótesis previamente planteadas.

Finalmente, los modelos predictivos se basan en la experiencia de los resultados anteriores para realizar predicciones acerca de los eventos futuros.

En pocas palabras, los modelos estadísticos nos acercan a la realidad desde un punto de vista matemático y causal. Por ello, son herramientas que se vuelven imprescindibles al momento de dar validez y sustento a investigaciones de todos los ramos, cuyas metodologías requieran o prioricen la obtención de resultados numéricos. 

Pero, aún en este tipo de metodologías cuantitativas, resultaría imposible estudiar a la totalidad para lograr llegar a aseveraciones generales. La población, como llamamos al conjunto de elementos que son objeto de la investigación o experimento, puede reducirse a un número pequeño y representativo, con el fin de hacer de la recolección de datos un proceso más manejable. Este nuevo grupo lleva el nombre de muestra y es obtenido mediante el proceso de muestreo.

Este es un paso muy importante a tener en cuenta en la investigación de mercados, pues usando modelos estadísticos es posible realizar la caracterización de un grupo de población a través de la observación de un grupo más pequeño. Por ejemplo, al hacer un estudio acerca del posicionamiento de cierta marca de cuaderno estudiantil, en lugar de embarcarnos en la odisea de encuestar a todos y cada uno de los usuarios, nos limitaremos a seleccionar a unos cuantos individuos que compartan ciertas características, en este caso, los sujetos estarán dentro la población de estudiantes de algunas universidades, y se infiere que, a partir de sus opiniones y perspectivas, será posible hacer una imagen general sobre el alcance del producto. Existen distintos métodos para los muestreos de investigación, y su elección será definida según la naturaleza de la misma. 

Modelos predictivos

Además de la investigación, la estadística está presente en todos los ámbitos de la vida; desde lo más pequeño hasta lo colosal e infinito. Incluso llegamos a utilizarla en lo cotidiano, de forma automática y casi sin darnos cuenta. Hoy en día la tecnología ha avanzado al punto de replicar esta automaticidad mediante programas e interfaces inteligentes, logrando cálculos complejos en milésimas de segundo. 

Existen herramientas informáticas accesibles mediante las cuales es posible crear modelos predictivos y de probabilidad para predecir acontecimientos futuros o automatizar tareas. Un software de uso básico y generalizado como Excel puede ser de gran utilidad para llevar a cabo análisis estadísticos y predicciones a partir de series de datos caóticas. En él se pueden abordar modelos de regresión lineal, que, a pesar de ser el método más elemental en el Aprendizaje Automático, puede calcular por ejemplo, cuantos comensales visitarán un restaurante el próximo mes, o qué número de automovilistas preferiría el color blanco en lugar del rojo para sus autos. 

En este artículo te contamos sobre lo necesarios que son los enfoques cualitativos en función de una mayor comprensión de las tendencias, proyecciones, movimientos y oportunidades en el mercado. Sin embargo, la investigación de mercados no debe adoptar una postura ortodoxa ni dogmática, pues una metodología mixta, que combine las perspectivas cualitativa y cuantitativa puede ser mucho más enriqucedora, informativa y complementaria. La elección de un enfoque u otro, o de ambos, dependerá de la naturaleza de la investigación, de la pregunta, y objeto de estudio. 

Además del viejo amado y odiado Excel, que permite la extensión de sus funcionalidades al complejizar los cálculos mediante su complemento Analysis Toolpak, otros softwares libres que utilizan los modelos estadisticos predictivos como Matlab, R, o Phyton se han convertido en lenguajes de programación imprescindibles, pues emplean análisis estadísticos no lineales para ejercer desde múltiples paradigmas y plataformas, abriendo paso al Machine Learning, presente tanto en las interfaces de las redes sociales como en el desarrollo de robots altamente humanizados. 

¿Qué es el Aprendizaje Automático?

Recordarás aquellos algoritmos de recomendación, que pueden adivinar cuales nuevas canciones se convertirán en tus favoritas, como las lista de descubrimiento en Spotify o las de estética que clasifican tus intereses en Pinterest, pero también aquellos de publicidad que muestran el producto que tenía semanas en tu mente en un anuncio de Amazon. 

El Machine Learning o Aprendizaje Automático es la rama de la inteligencia artificial que se dedica a desarrollar la capacidad de aprendizaje de las máquinas para llegar a semejar la de los humanos. Los modelos estadísticos que, como motores, se entrenan para maquinar estas posibilidades, primero acceden a un extenso histórico de datos previamente vaciados, desde ahí se clasifican y programan los algoritmos para crear patrones que se convierten en un conjunto de experiencias sobre las cuales el sistema puede actuar o predecir. 

Hoy, el Machine Learning es una herramienta imprescindible para la toma de decisiones seguras y sustentadas de empresas de todos los rangos, pues otorga la posibilidad de inferir y predecir todo tipo eventos, desarrollando estrategias para  adelantarse a las crisis y aprovechar oportunidades. 

En sus algoritmos se encuentran diversas técnicas y métodos de modelado estadístico y de probabilidad no lineal. Dentro de ellas, quizás las más famosas sean las redes neuronales. Estas sostienen el Aprendizaje Profundo o Deep Learning, que trata de asemejar el funcionamiento cerebral mediante nodos y capas que transmiten información y la clasifican de manera independiente. 

Es posible que un Aprendizaje Automático recuerde, que sea reactivo y resuelva problemas al momento, o que funcione como una inteligencia transitoria a partir de una base conocimientos. Hasta ahora, la máquina de aprendizaje puede ser tan intuitiva y espontánea como el registro de experiencias en su banco de datos se lo permita.