MAPAS DE POSICIONAMIENTO COMPETITIVO BASADOS EN …

RESUMEN

En este trabajo se propone y aplica un procedi-miento para obtener mapas de posicionamientocompetitivo de cadenas minoristas de supermerca-dos a partir de datos sobre la distribución del pre-supuesto de los consumidores. El punto de partidaes la adaptación de los modelos logit de eleccióndiscreta al contexto de asignación de presupuestopor parte de los consumidores. La atraccióncomercial ejercida por cada cadena minorista seentiende explicada por su proximidad al consumi-dor y por su posicionamiento o atractivo intrínse-co. El atractivo intrínseco se asume, a su vez,determinado por una valoración de dimensioneslatentes de posicionamiento por parte de los con-sumidores. Asumiendo heterogeneidad latente enel mercado, es posible situar cada cadena minoris-ta en dichas dimensiones. La aplicación empíricapermite constatar la utilidad del modelo mediantela obtención de un mapa de posicionamiento bidi-mensional de las cadenas de supermercados de unárea metropolitana. La interpretación a posterioride las dimensiones refleja la importancia de lanotoriedad, precio, tamaño y proximidad comodeterminantes de la atracción comercial minorista.

Palabras clave: Mapa de posicionamiento, mode-los logit, heterogeneidad latente, cadenas de super-mercados

ABSTRACT

In this paper, we propose and exemplify a proce-dure to infer positioning maps of retail chains bymeans of data on consumer’s budget allocation. Theprocedure is based on the adaptation of discretechoice logit models to the resource allocation con-text. The retail attraction exerted by each retailchain is then assumed to be explained by the proxi-mity to consumers and its intrinsic attractive. Inturn, the intrinsic attraction is assumed to be deter-mined by the importance given by consumers tosome positioning dimensions. By assuming latentheterogeneity in consumers’ tastes, we can infer thepositioning of each chain in each dimension bymeans of data on consumers’ budget allocation. Theempirical application allows us to show the poten-tial utility of the proposed procedure. We get a two-dimensional map of supermarket chains in an urbanarea. The interpretation of the resulting dimensionspoints out the importance of notoriety, price, sizeand proximity as determinants of retail attraction.

117

R E V I S T A E S P A Ñ O L A D E I N V E S T I G A C I O N D E M A R K E T I N G E S I C

MAPAS DE POSICIONAMIENTOCOMPETITIVO BASADOS EN MODELOS

LOGIT CON HETEROGENEIDAD LATENTE: APLICACIÓN A LAS CADENAS

DE SUPERMERCADOS

Óscar González Benito1

UNIVERSIDAD DE SALAMANCA

1 Dpto. de Administración y Economía de la Empresa, Facultad de Economía y Empresa, Universidad de Salamanca, Campus Miguelde Unamuno, 37007 - Salamanca (Spain). Tfno.: +34 923 294 400 (3008); Fax: +34 923 294 715; correo electrónico: [email protected]

Keywords: Positioning maps; Logit models;Latent market heterogeneity; Supermarket chains.

1. INTRODUCCIÓN

Comprender el posicionamiento competitivo esclave para desarrollo de la estrategia comercial. Estoimplica abordar la perspectiva de la demanda, esdecir, traspasar el filtro subjetivo que supone la per-cepción del consumidor. Se trata de identificar lasdimensiones que conforman la imagen de las mar-cas competidoras, conocer la posición relativa de lasmarcas en estas dimensiones, y comprender la valo-ración de dichas dimensiones por parte del mercado.El esfuerzo investigador por facilitar estas tareas hagenerado diversos procedimientos orientados aobtener mapas de posicionamiento que reflejen laestructura competitiva existente. En particular,CHINTAGUNTA (1994) propone una metodologíabasada en la aplicación de modelos logit con hetero-geneidad latente utilizando datos de escáner.

Conocer y entender el posicionamiento competi-tivo es igualmente relevante en el contexto minoris-ta. Por ello, el objetivo de este trabajo es proponer yejemplificar una adaptación de la metodología suge-rida por CHINTAGUNTA (1994) a la competencia entrecadenas de supermercados, utilizando informaciónconsistente en la distribución del presupuesto de losconsumidores entre las cadenas, y aislando el efectode la conveniencia espacial. El resultado permiteposicionar las cadenas en dimensiones competitivasclave para el mercado, al tiempo que se identificandistintos segmentos de mercado según la importan-cia dada a dichas dimensiones, esto es, conforme alos beneficios buscados. En definitiva, se trata decontribuir al desarrollo de herramientas analíticasque faciliten la toma de decisiones estratégicas porparte de los operadores minoristas mediante la com-prensión de la estructura competitiva.

Los contenidos subsecuentes se estructuran encuatro secciones. En primer lugar, se establece elmarco conceptual y metodológico mediante unarevisión de los trabajos previos que soportan estainvestigación. En segundo lugar, se expone eldesarrollo del modelo conducente al mapa deposicionamiento. En tercer lugar, se describe unaaplicación empírica de la propuesta en un escena-

rio intraurbano real. Finalmente, se resumen lasprincipales conclusiones del estudio.

2. MAPAS DE POSICIONAMIENTOCOMPETITIVO Y CADENAS DE SUPERMERCADOS

El concepto de posicionamiento hace referenciaa la manera en que los productos son percibidospor los consumidores, esto es, la posición que ocu-pan en la mente de los consumidores en relacióncon sus competidores (KOTLER, 2000). La estrate-gia de posicionamiento se centra por tanto en laconsecución de una posición óptima a este respec-to. La secuencia segmentación del mercado, selec-ción de público objetivo, y posicionamiento delproducto, constituye la espina dorsal de la planifi-cación estratégica de marketing.

El análisis del posicionamiento competitivo deun producto o servicio constituye por tanto unaherramienta de seguimiento y control imprescin-dible para optimizar la estrategia comercial. Estáestrechamente ligado al análisis y comprensión dela estructura e interacción competitiva. HOOLEY ySAUNDERS (1993) distinguen tres actividades claveen el análisis de posicionamiento:

– Determinar las dimensiones de posiciona-miento, esto es, las dimensiones competiti-vas que aportan valor a los consumidores yque son determinantes de su comportamien-to de compra, en relación a la categoría deproductos estudiada

– Determinar la posición de las marcas, estoes, conocer la situación de las marcas en lasdimensiones de posicionamiento. Se trata deconocer la perspectiva del consumidor, estoes, la percepción de las marcas por parte delmercado.

– Determinar la posición de los consumidores.El análisis del posicionamiento tambiénimplica conocer los patrones de respuestadel mercado a dicho posicionamiento. Losconsumidores pueden diferir en cuanto a loscriterios de evaluación, valorando las cuali-dades de los productos en función de susmotivaciones específicas.

El posicionamiento competitivo es igualmenterelevante para los operadores minoristas. El posi-

118


cionamiento de un negocio minorista implica lacreación de una fórmula comercial (o conjunto deatributos que definen su oferta) y la comunicaciónde los elementos distintivos de la misma a los gru-pos de interés (MUÑOZ GALLEGO, 1993). A este res-pecto, BROWN (1995) sugiere que la diversidad deformas de venta que existen en la distribuciónminorista responde a una polarización en tres ejesde posicionamiento: orientación precio/servicio;amplitud de inventario; y tamaño del estableci-miento. Particularizando a la distribución de pro-ductos de gran consumo, en particular, al sector dealimentación, BURT y SPARKS (1995) señalan cuatroservicios clave determinantes del posicionamientocompetitivo en el sector de la alimentación euro-peo: variedad, precio, conveniencia y calidad. Noobstante, atendiendo a un planteamiento muchomás objetivo y cuantificable, señalan dos dimensio-nes o ejes especialmente relevantes en la clasifica-ción de las formas de venta: uno relativo al nivel deprecios, cuya disminución se entiende generalmen-te contrapuesta a la calidad de servicio, y otro rela-tivo a la amplitud de elección, que está relacionadacon la variedad de productos comercializados y, engran medida, con el tamaño de los establecimien-tos. Estas mismas dimensiones son también apunta-das por TORDJMAN (1994). Claramente, el conceptode formato comercial subyace al posicionamientocompetitivo de las cadenas minoristas: los formatoscomerciales pueden definirse como perfiles genéri-cos de posicionamiento competitivo.

Al margen de las valoraciones subjetivas de losexpertos, se han desarrollado múltiples técnicas yprocedimientos para estudiar la estructura competi-tiva y, en particular, obtener mapas de posiciona-miento de los productos y servicios que compiten enun mercado. Generalmente se basan en informaciónsobre las preferencias, percepciones o comporta-miento de los consumidores, aunque algunas pro-puestas utilizan fuentes de información alternativas,por ejemplo el comportamiento de los competidores(MINHI HAHN et al., 2001). En su discusión sobre elestado de la cuestión en la inferencia de la estructu-ra de mercado a partir de la respuesta de los consu-midores, ELROD et al. (2002) destacan los dos enfo-ques sugeridos anteriormente por CARROLL (1972):

– Por un lado, el análisis externo, que parte deuna definición previa de los atributos de los

productos que determinan el comportamientode los consumidores. Mediante informaciónsobre la percepción de las marcas competido-ras en dichos atributos, y sobre las preferen-cias, elecciones, o patrones de gasto de losconsumidores, se analizan los criterios de eva-luación de los individuos, es decir, la impor-tancia dada a los distintos atributos que carac-terizan la oferta, así como la interacción com-petitiva derivada de posibles cambios en elposicionamiento competitivo de las marcas.Como denominador común, estos procedi-mientos de análisis parten de un mapa deposicionamiento conocido a priori.

– Por otro lado, el análisis interno, en el quetanto las dimensiones de posicionamientorelevantes como la situación de las marcas endichas dimensiones se asume desconocida(ELROD, 1991; DESARBO et al., 1993). Lafinalidad de los procedimientos es por tantoinferir estas dimensiones y determinar elposicionamiento de las marcas al tiempo quese estudian los criterios de evaluación de losconsumidores. Todo ello a partir de informa-ción sobre las preferencias o comportamien-to de compra de dichos consumidores. Lainterpretación de los mapas de posiciona-miento obtenidos mediante estas técnicasrequiere una valoración subjetiva del analis-ta o un análisis posterior al respecto.

Son múltiples los trabajos que han abordado laobtención de mapas de posicionamiento medianteel análisis interno de la estructura competitiva (ej.COOPER, 1988; DESARBO Y RAO, 1986; ERDEM yWINNER, 1999; GREEN et al., 1987; HOFFMAN yFRANKE, 1986; HOLBROOK et al., 1982; MOORE yRUSSELL, 1987; SHUGAN, 1987). Basados en lasdiscusiones al respecto de ELROD (1988 y 1991) yELROD et al. (2002), cabe señalar al menos trescuestiones clave para la clasificación de las meto-dologías propuestas:

– Los datos de partida. Algunos procedimien-tos parten de datos agregados sobre el mer-cado, basando la estimación en series tem-porales. Otros utilizan información indivi-dualizada de los consumidores, bien seanpreferencias o historiales de compra, tantoen escenarios reales como en diseños expe-

119


rimentales. Es destacable, por ejemplo, lautilización datos de panel.

– El modelo descriptivo/explicativo. El núcleocentral de cualquier procedimiento es elmecanismo mediante el cual se infiere elposicionamiento competitivo de los datosutilizados. Son habituales los métodos cen-trados en el escalamiento multidimensionalo el análisis de correspondencias. Tambiénson muy habituales los métodos basados enmodelos de elección, tanto descriptivo-esto-cásticos como explicativo-probabilísticos.

– La heterogeneidad de mercado. Los procedi-mientos también difieren en cuanto a cómoincorporan la diversidad en las preferenciasy criterios de decisión de los consumidores.Algunos modelos asumen que las preferen-cias son homogéneas mientras que otrosestiman parámetros de respuesta específicospara cada consumidor. Otros procedimien-tos asumen una posición intermedia enten-diendo que las diferencias entre los consu-midores son explicadas por un conjunto decaracterísticas observadas. Otro plantea-miento intermedio muy difundido es asumirque los parámetros de respuesta están distri-buidos sobre la población conforme a unadistribución continua conocida –por ejem-plo una distribución normal–, o una distri-bución discreta –que implica la existenciade segmentos latentes con distintos benefi-cios buscados (CHINTAGUNTA et al., 1991).

CHINTAGUNTA (1994), ELROD (1988) y ELROD yKEANE (1995) desarrollan un enfoque metodológi-co centrado en la explotación de datos sobre el his-torial de elección de los consumidores, como losdisponibles en paneles de consumidores. Se basaen los modelos de elección discreta enmarcadosen la teoría de utilidad aleatoria como herramien-ta para relacionar el comportamiento de los con-sumidores con el posicionamiento de las marcasofertadas. Concretamente, se centran en las ver-siones más conocidas: CHINTAGUNTA (1994) yELROD (1988) consideran modelos logit, y ELROD

y KEANE (1995) consideran modelos probit. Losejes de posicionamiento, así como la situación delas marcas en dichos ejes, surgen de asumir unaestructura factorial en la utilidad percibida por los

consumidores. Su estimación es posible asumien-do que la heterogeneidad de los consumidores escapturada por una distribución de los parámetrosde respuesta sobre la población. ELROD (1988) yELROD y KEANE (1995) asumen distribucionescontinuas conocidas, concretamente la distribu-ción normal, mientras que CHINTAGUNTA (1994)propone un aproximación semiparamétrica de laverdadera distribución mediante una distribucióndiscreta. Como se ha mencionado antes, esto con-lleva asumir que existen segmentos latentes condistintos criterios de evaluación de las alternativasde compra.

El propósito de este trabajo es adaptar la meto-dología de CHINTAGUNTA (1994) al ámbito mino-rista, concretamente a la obtención de mapas deposicionamiento de las cadenas de supermerca-dos. El marco metodológico viene definido, portanto, por los modelos logit de elección discretacon heterogeneidad latente. Sin embargo, laestructura competitiva entre cadenas minoristasimplica al menos dos diferencias sustanciales conrespecto a las aplicaciones habituales centradas enuna categoría de productos:

– En primer lugar, las cadenas minoristas ofre-cen una agregación de servicios. La impor-tancia de esta matización está implícitamen-te contemplada en ELROD et al. (2002),cuando afirman que en el análisis de la es-tructura de mercados debe tenerse en cuentaque la oferta a la que se enfrentan los con-sumidores es algo más complejo que unconjunto de productos simples. En este sen-tido, el historial de elección de cadena mino-rista por parte de los consumidores puededar una idea sesgada de la respuesta de mer-cado, al menos en lo que respecta a la factu-ración de las cadenas implicadas. Puesto quelas ocasiones de compra pueden diferir encuanto al contenido y volumen de la com-pra, resulta mucho más interesante conside-rar datos relativos al gasto realizado por losconsumidores en las distintas cadenas. Estoconlleva la necesidad de adaptar los mode-los logit de elección discreta a datos sobre laasignación de recursos realizada por losconsumidores. Los estudios de BATSELL

120


(1980) o LOUVIERE AND WOODWORTH (1983)describen aplicaciones en esta línea.

– En segundo lugar, la importancia de la con-veniencia espacial en la competencia entreestablecimientos minoristas, especialmenteen el caso de supermercados, requiere aislaresta circunstancia del posicionamiento per-cibido por los consumidores. En línea conlos modelos gravitaciones basada en la teo-ría de interacción espacial (FOTHERINGHAM yO’KELLY, 1989; HAYNES y FOTHERINGHAM,1984; HUFF, 1962), es preciso contemplarexplícitamente el efecto disuasorio de la dis-tancia entre los consumidores y las cadenasofertadas.

SINHA (2000) propone y ejemplifica un modeloen la línea de esta investigación. Asumiendo quelas dimensiones de posicionamiento conllevan unaestructura factorial en las utilidades percibidas porlos consumidores, plantea un modelo anidado deelección de supermercado que permite obtenermapas de posicionamiento de dichos supermerca-dos y de las áreas metropolitanas donde están ubi-cados. Aunque el modelo contempla explícita-mente el efecto de la proximidad a los consumi-dores, la estimación de basa en datos sobre laelección de establecimientos por parte de los con-sumidores y no en la distribución de recursos entreellos. Además, la heterogeneidad en las preferen-cias de los consumidores se asume distribuida nor-malmente sobre la población. Este supuesto resul-ta mucho más restrictivo que asumir la existenciade segmentos latentes con distintos criterios deevaluación. La propuesta desarrollada y ejemplifi-cada en este trabajo complementa la de SINHA

(2000) a este respecto: utilización de datos deasignación de presupuesto, e incorporación de lasegmentación latente.

3. PROPUESTA METODOLÓGICA

El desarrollo de la propuesta metodológica hasido estructurado en tres fases concatenadas: (1)adaptación de la modelización logit al contexto dedistribución de gasto entre las cadenas minoristas;(2) configuración explicativa basada en la existen-cia de dimensiones latentes de posicionamiento de

las cadenas minoristas; y (3) generalización trans-versal del modelo a todo el mercado basada ensupuestos de heterogeneidad latente.

3.1. Modelización logit de la distribución del presupuesto

El planteamiento de los modelos de eleccióndiscreta basados en la teoría de utilidad aleatoriapuede ser adaptado al contexto de la distribuciónde un presupuesto entre distintas alternativas decompra. En particular, puede ser adaptado a la dis-tribución del gasto entre las distintas cadenasminoristas que conforman la infraestructuracomercial de un área metropolitana. La utilidadUi(j) de una cadena j para un consumidor i puedeasumirse conformada por dos componentes. Porun lado, una componente determinista Vi(j). querecoge el efecto de las variables explícitamentecontempladas en el estudio. Por otro lado, unacomponente aleatoria ei(j), que recoge el efecto deotros factores determinantes no consideradosexplícitamente. Resumidamente, se tiene:

[1]

Asumiendo que el consumidor selecciona laalternativa de compra que le proporciona mayorutilidad, la probabilidad Pi(j) de que un consumi-dor i asigne una unidad porcentual de su presu-puesto a la cadena j viene dada por:

[2]

Asumiendo también que los términos de erroren [1] son independientes e idénticamente distri-buidos Gumbel, la expresión [2] desemboca en elmodelo logit (MANSKI, 1977; MCFADDEN, 1974):

[3]

Otros modelos habituales en el marco de laelección discreta, como el modelo probit (DAGAN-ZO, 1979) o el modelo de valor extremo generali-zado (MCFADDEN, 1978), únicamente difieren delmodelo logit en cuanto a la distribución asumidaen los términos de error.

( ) ( )( )( )( )∑

=’

’exp

exp

j i

ii

jV

jVjP

( ) ( ) ( )( )’cadena todapara’ jjUjUPjP iii ≥=

( ) ( ) ( )jjVjU iii ε+=

121


De la misma manera que en el ámbito de laelección discreta se puede obtener la probabili-dad de una secuencia o historial de elección delconsumidor, en el ámbito de la asignación derecursos se puede obtener la probabilidad de ladistribución de presupuesto realizada por el con-

sumidor. Si Gi={gij} es la asignación de presu-puesto realizada por el consumidor i, siendo gij elporcentaje de gasto en la cadena j, la probabili-dad Pi(Gi) de dicha asignación viene dada, a par-tir de la expresión [3], por la siguiente formula-ción:

La variable dependiente propuesta es, por tanto,la distribución relativa del presupuesto entre losdistintos establecimientos. No obstante, debeapuntarse que el mismo planteamiento metodoló-gico es aplicable a otras definiciones de la varia-ble dependiente basadas en la distribución del pre-supuesto. GONZÁLEZ-BENITO y SANTOS-REQUEJO

(2002a) proponen distintas alternativas al respectoy analizan sus implicaciones en la interpretacióndel modelo. Cabe destacar dos posibilidades:

– Por un lado, puede plantearse una simplifi-cación traduciendo la asignación del presu-puesto en variables dicotómicas, de manerasimilar a una elección discreta. Por ejemplo,se puede considerar que el consumidor eligela cadena a la que asigna un mayor porcen-taje de gasto. Sin embargo, en este caso lavariable dependiente se centraría únicamen-te en el gasto prioritario, obviando el com-portamiento desleal de los consumidoresque es habitual en el contexto de selecciónde establecimiento.

– Por otro lado, puede plantearse una exten-sión utilizando gastos absolutos (cuantíagastada) en lugar de gastos relativos (por-centaje de gasto). En este caso, la variabledependiente no solamente tendría en cuentala deslealtad de los consumidores, sino tam-bién la selectividad de los mismos, es decir,el hecho de que el gasto total difiere de unosconsumidores a otros. Si bien este enfoquees el que más se aproxima a la cuota de mer-cado de las cadenas, no se ha considerado enla exposición previa para ser coherentes conla aplicación empírica posterior, donde no sedispone de datos sobre la asignación absolu-

ta de gasto, solo de la asignación relativa degasto.

3.2. Configuración explicativa: dimensioneslatentes de posicionamiento

La utilidad empírica del modelo reside en suconfiguración explicativa. La parametrización dela utilidad determinista contemplada en la expre-sión [4] permite valorar el efecto de los atributoscaracterizadores de las cadenas o de los consumi-dores sobre las compras atraídas por cada una deellas. En esta aplicación al contexto minorista, lautilidad de una cadena minorista percibida por losconsumidores se asume explicada por dos compo-nentes. Por un lado, el atractivo intrínseco αij de lacadena j percibido por el consumidor i, que repre-senta la valoración por parte del consumidor delos atributos que conforman la imagen de laempresa. Por otro lado, la conveniencia espacial,que puede formalizarse mediante la valoración βirealizada por el consumidor i de la distancia Dijque lo separa de la cadena j. La idea subyacente esque la decisión del consumidor está condicionadapor el conjunto de servicios que caracterizan lacadena, pero también por la accesibilidad espacialde la misma. Es decir, la proximidad al estableci-miento actúa como un factor potenciador de suatractivo al margen de la imagen que es capaz detransmitir. Concretamente, se propone la siguienteconfiguración:

[5]

Debe apuntarse que se adopta una transforma-ción logarítmica de la variable distancia para sercongruentes con la especificación multiplicativa

( ) ( )ijiiji DjV lnβα +=

122


[4]( ) ( ) ( )( )( )( )

ij

ij

g

jj i

i

j

g

iii jV

jVjPGP ∏ ∑∏

==

’’exp

exp

habitual en los modelos gravitacionales basadosen la teoría de interacción espacial (HUFF, 1962).La transformación exponencial de esta configura-ción implica que el efecto bi de la distancia sobrela asignación de gasto viene dado por el exponen-te de dicha variable.

El interés de este trabajo está en identificar lasdimensiones latentes que subyacen al atractivointrínseco de la cadena percibido por el consumi-dor. Dicho de otro modo, se trata de capturar lasdimensiones clave valoradas por el consumidor enla distribución de su presupuesto. La situación decada cadena en dichas dimensiones conforma elmapa de posicionamiento competitivo percibidopor los consumidores. Para tal fin, se asume la exis-tencia de una estructura factorial latente que deter-mina el atractivo intrínseco percibido por el consu-midor (CHINTAGUNTA, 1994). Concretamente:

– Se asume la existencia de K dimensioneslatentes caracterizadoras de las distintascadenas minoristas. Estos serán los ejes delmapa de posicionamiento.

– El posicionamiento de las distintas cadenasen estas dimensiones vendrá dado por una

matriz A=(ajk) de coordenadas con Kcolumnas y tantas filas como el númerocadenas minoristas J. Cada filaAj=[aj1,aj2,…,ajK] se corresponderá, portanto, con la situación de la cadena j en cadauna de las dimensiones de posicionamiento,esto es, sus coordenadas en el mapa de posi-cionamiento.

– La valoración que realiza el consumidor i deestas dimensiones vendrá dada por un vectorde ponderaciones wi=[ wi1,wi2,…,wiK]’, don-de wik denota la importancia relativa dada ala dimensión k.

– Así, el atractivo intrínseco contemplado enla expresión [5] puede entenderse la suma deposicionamiento de la cadena en las distin-tas dimensiones, ponderado por la importan-cia que da el consumidor de dichas dimen-siones. Es decir:

[6]

Con la parametrización sugerida en [5] y [6], elmodelo propuesto en la expresión [4] queda comosigue:

ijij wA=α

3.3. Heterogeneidad latente del mercado

La utilidad práctica del modelo propuesto en[7] pasa por la capacidad para estimar sus pará-metros a partir la información relativa a la distri-bución del gasto de los consumidores. Puesto queel parámetro βi, relativo al efecto de la convenien-cia espacial, y los parámetros wi, de importanciarelativa de cada dimensión de posicionamiento,son específicos de cada consumidor, una posibili-dad es basar la estimación en datos históricossobre la asignación de presupuesto por parte delconsumidor. Sin embargo, el volumen de informa-ción necesario para estimar parámetros individua-

lizados hace ineficiente este enfoque. Otra alter-nativa más plausible es la utilización de datostransversales, es decir, información sobre la distri-bución del gasto de una muestra de consumidores.El planteamiento más sencillo consistiría en asu-mir parámetros comunes para todos los consumi-dores. Esto es, un parámetro común β para el efec-to de la conveniencia espacial y parámetros comu-nes w sobre la ponderación de las dimensiones deposicionamiento. Así, el procedimiento de máxi-ma verosimilitud seleccionaría aquellos valores delos parámetros que maximizan la probabilidad dela muestra, esto es, maximizan la siguiente fun-ción de verosimilitud:

123


[7]( ) ( )( )

ij

i

i

g

j

j ijij

ijij

iiDwA

DwAGP ∏ ∑

⋅

⋅=

’ ’’exp

expβ

β

[8]( ) ( )( )∏ ∏ ∑∏

⋅

⋅==

i

g

j

j ijj

ijj

i ii

ij

DwA

DwAGPL

’ ’’exp

expβ

β

Esta extensión del modelo asumiendo heteroge-neidad latente permite estimar la estructura facto-rial latente asumida en el atractivo intrínseco y,consecuentemente, obtener el mapa de posiciona-miento subyacente al comportamiento de comprade los consumidores. No obstante, es precisogarantizar que el número de parámetros implicadosen este modelo no excede el número de parámetrosimplicados en el modelo sin la estructura factorialpropuesta en [6], es decir, el modelo con paráme-tros de atractivo intrínseco en cada segmento.

Si se pretende obtener un mapa de posiciona-miento bidimensional (K=2) que permita unarepresentación gráfica en un plano, el número deparámetros implicados en el modelo es la suma de:

– (2J-3) parámetros correspondientes a lascoordenadas A de las cadenas en el mapa deposicionamiento. La matriz de coordenadasconlleva 2J parámetros. Sin embargo, es

preciso establecer tres restricciones para quesea posible identificar los parámetros. Lanecesidad de fijar el origen del mapa deposicionamiento implica fijar las dos coor-denadas de una de las marcas. Adicional-mente, la necesidad de fijar el mapa de posi-cionamiento con respecto a rotaciones,requiere fijar una coordenada más.

– 2(S-1) parámetros correspondientes a laponderación ws de los ejes de posiciona-miento en los segmentos latentes. Con el finde fijar la escala de los ejes, es preciso fijarlas ponderaciones de uno de los segmentos.

– (S-1) parámetros correspondientes al tama-ño relativo λ s de los segmentos. Debe tener-se en cuenta la restricción consistente en quedichos parámetros deben sumar la unidad.

– 1 parámetro correspondiente al efecto β dela distancia.

Sin embargo, este procedimiento permitiríaidentificar directamente parámetros de atractivointrínseco común αj, pero no su descomposiciónfactorial, esto es, las coordenadas A de las cadenasen los ejes de posicionamiento y la importanciarelativa w de estos ejes.

Una alternativa para resolver esta circunstanciaes adoptar el enfoque de heterogeneidad latente oefectos aleatorios (CHINTAGUNTA et al., 1991;GONUL y SRINIVASAN, 1993; JAIN et al., 1994;KAMAKURA y RUSSELL, 1989). Concretamente, sepuede asumir las ponderaciones w están distribui-das sobre la población conforme a una función dedensidad. Puesto que esta distribución es desco-nocida, se puede adoptar una distribución conti-nua conocida. Sin embargo, otra posibilidadmenos restrictiva es aproximar la distribuciónmediante una distribución discreta. Esto implicaasumir la existencia de S segmentos latentes conparámetros específicos. Es decir, cada segmento scomparte un vector ws de parámetros comunes.Bajo este enfoque semiparamétrico, el modelodescrito en [7] permite formalizar la probabilidad

Pi(Gi|s) de la distribución de gasto de un consu-midor cuando pertenece a un segmento concreto scomo sigue:

[9]

Consecuentemente, la probabilidad Pi (Gi) de ladistribución de gasto de un consumidor, indepen-dientemente del segmento latente en que seencuentra, viene dada por una ponderación de [9]a través de todos los segmentos, esto es:

[10]

donde λ s denota la probabilidad de pertenecer alsegmento s, es decir, su tamaño relativo.

De esta manera, la función de verosimilitud quedebe ser maximizada para la estimación de losparámetros consiste en una adaptación directa dela función [8] incorporando los planteamientosasumidos en [9] y [10]:

[11]

( ) ( ) ss iiii sGPGP λ⋅= ∑ |

( ) ( )( )

ijg

j

j ijsj

ijsj

iiDwA

DwAsGP ∏ ∑

⋅

⋅=

’ ’’exp

exp| β

β

124


[7]( ) ( ) ( )( )∏ ∑ ∏ ∑∏ ∑∏ ⋅

⋅

⋅=⋅==

i s s

g

j

j ijsj

ijsj

i ss iii ii

ij

DwA

DwAsGPGPL λλ β

β

’ ’’exp

exp|

Por otro lado, el número de parámetros impli-cados en el modelo sin estructura factorial es lasuma de:

– S(J-1) parámetros correspondientes a losparámetros de atractivo intrínseco αsj. Debeapuntarse que la invarianza del modelo portraslaciones de estos parámetros requierefijar el de una de las marcas en cada seg-mento.

– (S-1) parámetros correspondientes al tama-ño relativo λ s de los segmentos. Debe tener-se en cuenta la restricción consistente en quedichos parámetros deben sumar la unidad.

– 1 parámetro correspondiente al efecto β dela distancia.

Consecuentemente, debe cumplirse (2J-3)+2(S-1) ≤ S(J-1). Esto implica, por un lado, que almenos debe considerarse la existencia 3 segmen-tos (S=3). Por otro lado, al menos deben conside-rarse 4 cadenas minoristas (J=4).

4. APLICACIÓN EMPÍRICA

Con el fin de ejemplificar y evaluar las posibili-dades explicativas del modelo propuesto, se exponeuna aplicación empírica en el ámbito de las com-

pras de alimentación. El desarrollo se estructura endos apartados: (1) la descripción del escenario deestudio y de las fuentes de información utilizadas, y(2) la aplicación de la metodología propuesta, y lainterpretación y discusión de los resultados.

4.1. Escenario de estudio y datos

El escenario de estudio consistió en la ciudadde Salamanca (España). Los datos facilitados porel Servicio de Estadística del Ayuntamiento deSalamanca correspondientes a junio de 2000,reflejan una población de 61.669 hogares. En abrilde 2002, momento en que se recogió la informa-ción primaria, la infraestructura minorista de esta-blecimientos de alimentación no especializada enrégimen de autoservicio consistía en 63 estableci-mientos, operados por 16 cadenas minoristas.Algunas cadenas estaban integradas en el mismogrupo empresarial. El nombre comercial y elnúmero de establecimientos de cada cadena semuestran en la Tabla 1. A partir del Censo deSupermercados publicado por Alimarket, y el tra-bajo de campo realizado, se obtuvo informaciónsobre la ubicación precisa y el tamaño de cada unode los establecimientos.

125


Tabla 1Infraestructura comercial y asignación relativa de gasto en el escenario de estudio

Cadenas minoristas Número de establecimientos

Asignación porcentual de gasto

Media D.T. Máximo Mínimo

CARREFOUR 1 18,06 27,56 100 0

LECLERC 1 4,25 14,41 100 0

CAPRABO 1 1,65 9,76 100 0

CHAMPION 2 6,77 19,78 100 0

CONSUM 9 8,35 21,53 100 0

EL ARBOL 18 24,12 30,22 100 0

GADIS 2 1,98 10,03 100 0

GAMA 2 0,47 5,03 75 0

HERBU’S 3 1,17 7,30 80 0

HERMANOS COSME 1 0,17 4,15 100 0

La información relativa al comportamiento decompra de los hogares fue recogida medianteencuesta personal a domicilio en abril de 2002. Laselección de la muestra partió de una estratificaciónpor barrios con afijación proporcional. La selecciónde hogares en cada barrio se basó en un procedi-miento de rutas aleatorias. El proceso se completócon la obtención de 580 cuestionarios válidos.

El cuestionario, dirigido a la persona responsa-ble de las compras de alimentación dentro delhogar, solicitaba una estimación de la distribucióndel gasto mensual en alimentación entre los esta-blecimientos existentes. Esto es, se preguntó por laproporción de gasto asignada a cada uno de losestablecimientos. Esta información da lugar a ladistribución del presupuesto a nivel de cadena alu-dida en la propuesta metodológica (Gi). La Tabla1 también incluye descriptivos sobre la asignaciónde gasto a cada cadena. La mayor asignaciónmedia de gasto corresponde a las cadenas conmayor número de establecimientos (El Arbol, Día)y la enseña de hipermercados Carrefour. Adicio-nalmente, se dispone de información sobre eldomicilio de los hogares entrevistados.

Debe apuntarse que también se preguntó por elgasto total en productos de alimentación. Sinembargo muchos hogares no contestaron a estapregunta, y el análisis posterior de las respuestasútiles hizo dudar de la precisión o sinceridad delos hogares al facilitar esta cantidad. Como conse-cuencia, se descartó la utilización del gasto abso-luto asignado a cada cadena como variable depen-diente.

Tanto establecimientos como consumidoresfueron referenciados geográficamente mediante elSistema de Información Geográfica MOSAIC,operado por Experian Marketing Services. Laasignación de coordenadas espaciales permitiócalcular distancias euclídeas entre consumidores yestablecimientos. Las variables de distancia a lascadenas minoristas (Dij) se calcularon consideran-do la distancia al establecimiento más próximodentro de la cadena. El alto grado de homogenei-dad entre establecimientos de una misma cadenajustifica este planteamiento. Sería aconsejable uti-lizar medidas de accesibilidad espacial que tuvie-ran en cuenta las barreras de desplazamiento exis-tentes, por ejemplo tiempos de desplazamiento.Sin embargo, esta información no estaba disponi-ble en la fuente utilizada.

Como información de apoyo para la interpre-tación de los ejes de posicionamiento, la infor-mación disponible a través del Censo de Super-mercados y el Sistema de Información Geográfi-ca fue completada con los indicadores de preciosde supermercados publicados en 2002 por laOrganización de Consumidores y Usuarios(OCU). Anualmente, esta organización mide elnivel de precios de una muestra representativa delos supermercados españoles utilizando dos indi-cadores. Por un lado, se calcula el coste de unacesta de compra constituida por marcas líderesen cada categoría de productos. Por otro lado, secalcula el coste de la misma cesta, pero conside-rando la marca más barata dentro de la categoríade productos. En ambos casos, los valores obte-

126


Tabla 1 (Continuación)Infraestructura comercial y asignación relativa de gasto en el escenario de estudio

Cadenas minoristas Número de establecimientos

Asignación porcentual de gasto

Media D.T. Máximo Mínimo

MAXCOOP 2 1,17 8,09 100 0

SUPER CHAMBERÍ 1 0,28 3,89 60 0

SUPERSOL 2 0,42 4,22 80 0

DIA 16 28,03 31,55 100 0

LIDL 1 1,62 7,24 70 0

PLUS SUPERDESCUENTO 1 1,51 9,35 100 0

nidos se relativizan comparándolos con el esta-blecimiento más barato. Así, un valor de 115implica que el precio de la cesta es un 15% máscaro que en el supermercado más barato de todala muestra.

4.2. Análisis, resultados e interpretación

Con el fin de facilitar la representación gráficadel posicionamiento de las distintas cadenas mino-ristas, se planteó la obtención de un mapa bidi-mensional (K=2). Para poder identificar los pará-metros implicados en el modelo, se consideró laexistencia de tres segmentos latentes (S=3). Estadecisión se justifica en los siguientes argumentos:(1) es el número mínimo se segmentos que permi-te la identificación de todos los parámetros delmodelo; (2) la consideración de más segmentoslatentes reduce la parsimonia del modelo y difi-

culta el proceso de estimación; y (3) el modelopara cuatro segmentos (S=4) no supone un mejoraconforme la los criterios estadísticos habituales,en particular, el Criterio de Información de Bayes.La estimación se basó en el procedimiento demáxima verosimilitud. La maximización de lafunción de verosimilitud descrita en [11] se pro-gramó directamente en GAUSS, y se basó en larutina de optimización OPTMUN. Este procedi-miento es habitual en la aplicación de este tipo demodelos (JAIN et al., 1994).

Los resultados de estimación se resumen en laTabla 2. El parámetro β asociado a la variable dis-tancia es negativo y altamente significativo. Comocabía esperar, una mayor distancia al estableci-miento más próximo dentro de una cadena impli-ca menores probabilidades de comprar en él. Esteresultado no hace más que constatar la importan-cia de la proximidad a los consumidores en el mar-co de las compras de alimentación.

127


Tabla 2Resultados de estimación

Distancia al establecimiento más próximo (b)

-1,3898 *

Posicionamiento de las cadena (ajk)

Dimensión 1(aj1) Dimensión 2(aj2)

CARREFOUR 2,4804 0 b

LECLERC 2,4665 -0,6980

CAPRABO 0,7726 -2,5807

CHAMPION 1,9079 -2,7321

CONSUM 0,0885 -1,8639

EL ARBOL -1,4236 1,4917

GADIS -1,6460 -1,2551

GAMA -2,9220 -2,8839

HERBU’S -2,5683 -2,3016

HERMANOS COSME -5,5009 -8,5797

MAXCOOP -1,8571 -1,5960

SUPERCHAMBERÍ -3,5779 -1,8076

SUPERSOL -5,5626 0,1387

DIA -2,1124 1,9851

Las coordenadas A=(ajk) permiten posicionarcada cadena minorista en el mapa bidimensionalestimado. El resultado aparece en el Gráfico 1.

Como es habitual en este tipo de técnicas, lainterpretación de los mapas de posicionamientodebe ser realizada a posteriori y basarse en el jui-cio subjetivo del analista. Es más, puesto que losejes estimados dependen directamente de las res-tricciones asumidas en los parámetros, tambiéndeben valorarse las posibles rotaciones de dichos

ejes. Aunque con la cautela propia de una inter-pretación subjetiva de los resultados obtenidos, seha hecho un esfuerzo por explicar el significadode las dimensiones de posicionamiento obtenidas.Tras una observación del mapa, cabe destacar ladisposición de las marcas en las dos diagonales.La interpretación del mapa resulta más intuitiva sise atiende a dichos ejes, tal y como se representanen el Grafico 2, en lugar de a los identificados ini-cialmente.

128


Tabla 2 (Continuación)Resultados de estimación

LIDL 0,2712 -1,5814

PLUS SUPERDESCUENTO 0 a 0 a

Posicionamiento de las cadena (wsk)

Dimensión 1(ws1) Dimensión 2(ws2)

Segmento 1 1 c 1 c

Segmento 2 0,4813 -0,0478

Segmento 3 0,3284 0,9057

Tamaño relativo de los segmentos (λs)

Segmento 1 27,75 %

Segmento 2 29,55 %

Segmento 3 42,71 %

* Parámetro asociado a la distancia significativo (p<0.01).a Parámetros nulos para fijar el origen del mapa de posicionamiento.b Parámetro nulo para fijar el mapa de posicionamiento respecto a rotacionesc Parámetros unitarios para fijar el mapa de posicionamiento respecto a la escala de las dimensiones.

129


Gráfico 1

Dimensión 1

420-2-4-6-8-10

Dim

ensi

on 2

4

2

0

-2

-4

-6

-8

-10

CARREFOUR

LECLERC

CAPRABOCHAMPION

CONSUM

EL ARBOL

GADIS

GAMA

HERBU'S

HERMANOS COSME

MAXCOOPSUPER CHAMBERI

SUPERSOL

DIA

LIDL

PLUS SUPERDESCUENTO

Gráfico 2

Dimensión combinadaNOTORIEDAD / PRECIO

Dimensión combinadaTAMAÑO / PROXIMIDAD

Dimensión 1

Dimensión 2

– La diagonal ascendente parece estableceruna discriminación entre las cadenas en fun-ción de la intensidad de cobertura del mer-cado estudiado, y consecuentemente la noto-riedad de las cadenas en el mercado estudia-do. La Tabla 3 cuantifica esta intensidad decobertura considerando los metros cuadra-dos de superficie de venta ofertados. Lascadenas con mayor presencia aparecen en unextremo de la diagonal. Este es el caso de ElArbol, Carrefour, Leclerc, Consum, Día oChampion. Por el contrario, las cadenas demenor presencia se sitúan hacia el otroextremo. Este es el caso de Super Chamberí,Hermanos Cosme o Gama. La relación entreambas dimensiones es significativa (t deKendall = 0,487; sign. 0,009).Sorprende, no obstante, que la posición dealgunas cadenas no responde a este patrón.Por ejemplo, contrariamente a lo reflejado enla Tabla 3, el posicionamiento gráfico de Lidly Plus Superdescuento implicaría una mayorpresencia que la cadena Supersol. Dada lacondición de descuento duro de las dos pri-meras, resulta lógico intuir que la variableprecio subyace a esta circunstancia. La Tabla

4, clasifica las cadenas estudiadas conformea los índices de precios publicados por laOCU. Estos datos permiten apreciar ciertacoherencia entre los niveles de precios tantoen el escenario de estudio (locales) como enel total nacional, y las inconsistencias detec-tadas en la interpretación inicial de la diago-nal. Mientras que Lidl y Plus Superdescuentoson las cadenas más baratas, Supersol es unade las cadenas más caras. Los resultadosparecen indicar que unos precios mas ajusta-dos tienen a ascender la posición de la cade-na en la diagonal. La relación entre el eje dia-gonal y el nivel de precios local para la cestacon las marcas mas baratas (t de Kendall = -0,398; sign. 0,048).En definitiva, la diagonal mencionadapodría responder a una combinación entre lanotoriedad de la cadena, y su nivel de pre-cios. Un mayor peso de esta dimensión en elesquema de valoración del consumidorimplicaría una mayor preferencia por lascadenas más conocidas, reduciendo por tan-to el riesgo percibido, y una mayor preferen-cia por precios bajos, aunque sea a costa delos servicios ofrecidos.

130


Tabla 3Intensidad de cobertura de las cadenas estudiadas

Cadena de supermercados Superficie total de venta (m2)EL ARBOL 13.187

CARREFOUR 8.129

LECLERC 7.200

CONSUM 5.910

DIA 3.879

CHAMPION 3.577

SUPERSOL 2.250

GADIS 1.580

CAPRABO 1.500

HERBU’S 1.382

MAXCOOP 1.235

LIDL 750

131


Tabla 3 (Continuación)Intensidad de cobertura de las cadenas estudiadas

Cadena de supermercados Superficie total de venta (m2)PLUS SUPERDESCUENTO 730

GAMA 480

HERMANOS COSME 360

SUPER CHAMBERI 160

Fuente: Elaborado a partir de Publicaciones ALIMARKET.

Tabla 4Nivel de precios en las cadenas estudiadas

Evidencia local Evidencia nacional

Cesta Cesta Cesta Cesta

Cadena marcas Cadena marcas Cadena marcas Cadena marcas

fijas más fijas más baratas baratas

CONSUM 116,00 CAPRABO 148,00 CAPRABO 117 CAPRABO 147

CAPRABO 115,00 HERMANOS HERMANOS COSME 145,00 CHAMPION 115 COSME 145

EL ARBOL 114,67 SUPERSOL 139,00 CONSUM 114 SUPERSOL 138

CHAMPION 114,00 EL ARBOL 136,67 EL ARBOL 114 EL ARBOL 131

SUPERSOL 113,00 HERBU’S 136,00 HERBU’S 113 HERBU’S 131

LECLERC 112,00 CHAMPION 133,00 SUPERSOL 113 MAXCOOP 130

HERBU’S 112,00 MAXCOOP 132,50 CARREFOUR 112 CHAMPION 129

HERMANOS COSME 111,00 GADIS 131,00 LECLERC 112 LECLERC 128

MAXCOOP 111,00 CONSUM 128,00 GADIS 111 GADIS 125

CARREFOUR 110,00 LECLERC 125,00 HERMANOS COSME 111 CONSUM 124

GADIS 107,00 DIA 122,00 MAXCOOP 111 CARREFOUR 114

GAMA n.d. CARREFOUR 110,00 GAMA n.d. DIA 107

SUPER SUPER CHAMBERI n.d. LIDL 107,00 CHAMBERI n.d. LIDL 105

DIA n.p. PLUS PLUS SUPERDESCUENTO106,00 DIA n.p. SUPERDESCUENTO 100

LIDL n.p. GAMA n.d. LIDL n.p. GAMA n.d.

PLUS SUPER PLUS SUPER SUPERDESCUENTO n.p. CHAMBERI n.d. SUPERDESCUENTO n.p. CHAMBERI n.d.

n.d.: no disponible; n.p.: cálculo imposible por surtido limitado.Fuente: Elaborado a partir de Compra Maestra, abril 2002, Organización de Consumidores y Usuarios (OCU).

– En cuanto a la diagonal descendente, lainterpretación encontrada se ajusta funda-mentalmente a las marcas más conocidas enel escenario estudiado, es decir, según locomentado previamente, a aquellas situadasen la parte superior-derecha del gráfico. Eneste caso, la disposición de las marcas guar-da cierta relación con el tamaño medio delos establecimientos reflejado en la Tabla 5.El tamaño se asocia generalmente con lavariedad de productos que conforman el sur-tido del establecimiento y con la posibilidadde realizar compras multi-propósito. Lascadenas que operan en un formato de mayortamaño tienden a situarse en el extremo infe-rior de la diagonal. Este es el caso de Carre-four, Leclerc, o Champion. Por otro lado, lascadenas con establecimientos más peque-ños, como Dia, se sitúan en el extremo supe-rior de la diagonal. La relación entre ambasdimensiones es significativa (t de Kendall =0,383; sign. 0,042).Sin embargo, también en este caso, se obser-van resultados inconsistentes. Por ejemplo,la representación gráfica haría suponer quela cadena El Arbol opera con supermercadoscon un tamaño menor al reflejado en laTabla 5. A este respecto, resulta importantedestacar el papel jugado por la proximidad alos consumidores. La Tabla 6 ordena las

cadenas estudiadas conforme a la distanciamedia a los consumidores. Puesto que unmayor tamaño implica un área de influenciamayor, existe una relación directa entre eltamaño y esta variable. Sin embargo, estarelación depende también de la intensidadde cobertura de las cadenas. Puesto que Elárbol es la cadena con mayor presencia en elescenario estudiado, la proximidad a losconsumidores es mayor que la de otras cade-nas con establecimientos de tamaño similar.Esta circunstancia podría explicar su despla-zamiento hacia la parte superior de la diago-nal. Consecuentemente, una mayor distanciaa los consumidores implicaría acercar elposicionamiento al extremo inferior de ladiagonal. La relación entre ambas dimensio-nes es significativa (t de Kendall = 0,366;sign. 0,052).En definitiva, la diagonal descendentepodría entenderse como una combinaciónentre tamaño y proximidad al consumidor.Aunque el efecto de la distancia ya ha sidocontemplado explícitamente en el modeloexplicativo, este efecto se ha asumido homo-géneo en todo el mercado. Consecuente-mente, el peso dado por los consumidores aesta diagonal captura la importancia dada alas ventajas de un mayor tamaño frente a lasventajas de una mayor proximidad.

132


Tabla 5Tamaño de establecimientos en las cadenas estudiadas

Cadena de supermercados Superficie de venta media por establecimiento (m2)

CARREFOUR 8.129

LECLERC 7.200

CHAMPION 1.789

CAPRABO 1.500

SUPERSOL 1.125

GADIS 790

LIDL 750

EL ARBOL 733

133


Tabla 5 (Continuación)Tamaño de establecimientos en las cadenas estudiadas

Cadena de supermercados Superficie de venta media por establecimiento (m2)

PLUS SUPERDESCUENTO 730

CONSUM 657

MAXCOOP 618

HERBU’S 461

HERMANOS COSME 360

DIA 242

GAMA 240

SUPER CHAMBERI 160

Fuente: Elaborado a partir de Publicaciones ALIMARKET.

Tabla 6Proximidad de las cadenas estudiadas

Cadena de supermercados Distancia media al establecimiento más próximo (km)

LECLERC 4,162

PLUS SUPERDESCUENTO 2,567

SUPER CHAMBERI 2,397

CAPRABO 1,603

CARREFOUR 1,508

LIDL 1,480

GAMA 1,241

MAXCOOP 1,084

HERMANOS COSME 1,076

SUPERSOL 1,029

HERBU’S 0,908

CHAMPION 0,903

GADIS 0,833

CONSUM 0,521

EL ARBOL 0,357

DIA 0,348

Fuente: Elaborado a partir de Publicaciones ALIMARKET y referenciación geo-gráfica con MOSAIC de EXPERIAN Marketing Services.

Volviendo a los resultados de estimación pre-sentados en la Tabla 2, los parámetros ws relativosa la ponderación de los ejes de posicionamientoimplican importantes diferencias entre los esque-mas de valoración de la oferta por parte de los tressegmentos detectados. Puesto que la interpreta-ción de los ejes responde a criterios subjetivos,resulta mucho más intuitivo conocer las pautas degasto dentro de cada uno de ellos. Con este fin, laTabla 7 presenta la distribución de gasto estimadadentro de cada segmento asumiendo condicionesmedias en cuanto a la proximidad a los estableci-mientos. Una rápida valoración de los resultadoscon el fin de caracterizar cada uno de estos seg-mentos permite observar una mayor presencia delos hipermercados (Carrefour, Leclerc) en el pri-

mer segmento, una mayor presencia de las media-nas superficies en el segundo segmento (Cham-pion, Caprabo), y una mayor presencia de los esta-blecimientos de descuento suave (Día) en el tercersegmento. Adicionalmente, los segmentos parecendistinguirse claramente en cuanto a las cadenas desupermercados tradicionales predominantes en elescenario de estudio: El Arbol y Consum. El pri-mer y tercer segmento apuesta por la primeracadena, mientras que el segundo segmento apues-ta por la segunda cadena. Los parámetros λ s rela-tivos al tamaño de los segmentos indican que losdos primeros segmentos tienen un tamaño muysimilar, en torno al 30% de los hogares, mientrasque el último tiene un tamaño mayor, en torno al40%.

134


Tabla 7Cuotas de gasto de cadenas en segmentos latentes

Segmento 1(Pi(j|1)) Segmento 2(Pi(j|2)) Segmento 3(Pi(j|3))

CARREFOUR 0,3880 CHAMPION 0,2126 DIA 0,4954

EL ARBOL 0,2571 CONSUM 0,1822 EL ARBOL 0,3830

DIA 0,2194 EL ARBOL 0,1267 CARREFOUR 0,0483

LECLERC 0,0464 CARREFOUR 0,1205 CONSUM 0,0178

CHAMPION 0,0291 DIA 0,0921 PLUS SUPERDESCUENTO 0,0102

CONSUM 0,0241 CAPRABO 0,0550 GADIS 0,0091

PLUS SUPERDESCUENTO 0,0155 LIDL 0,0461 CHAMPION 0,0069

LIDL 0,0090 GADIS 0,0400 SUPERSOL 0,0066

CAPRABO 0,0049 LECLERC 0,0302 LECLERC 0,0062

GADIS 0,0041 MAXCOOP 0,0255 LIDL 0,0057

MAXCOOP 0,0016 HERBU’S 0,0240 MAXCOOP 0,0043

HERBU’S 0,0005 PLUS SUPERDESCUENTO 0,0174 CAPRABO 0,0024

SUPERSOL 0,0002 GAMA 0,0135 HERBU’S 0,0023

GAMA 0,0001 HERMANOS COSME 0,0062 GAMA 0,0008

SUPERCHAMBERÍ 0,0001 SUPERSOL 0,0042 SUPERCHAMBERÍ 0,0007

HERMANOS COSME 0,0000 SUPERCHAMBERÍ 0,0037 HERMANOS COSME 0,0000

Se asumen valores medios en las variables de distancia al más próximo.

Estos resultados permiten constatar que los seg-mentos detectados no solamente son afines a dis-tintas cadenas sino también a distintos formatos.Consecuentemente, resultan de utilidad estratégi-ca para los operadores minoristas tanto en la defi-nición de una cartera de formatos como en la con-figuración de la red de establecimientos dentro decada formato. Adicionalmente resultan de interéspara el desarrollo de acciones promocionalesespecíficas para cada segmento a nivel de forma-to, enseña e incluso establecimiento concreto. Noobstante, la puesta en práctica de estas implicacio-nes pasa por caracterizar los segmentos latentesmediante variables geodemográficas, socioeconó-micas e incluso psicográficas, de manera que pue-dan ser identificados y se les puedan dirigir accio-nes específicas de manera eficiente. Algunos estu-dios previos ya han abordado esta cuestión en elmarco de la segmentación latente (GUPTA y CHIN-TAGUNTA 1994; KAMAKURA et al., 1994), tambiénen el contexto minorista (GONZÁLEZ-BENITO ySANTOS-REQUEJO, 2002b).

5. CONCLUSIONES

En este trabajo se ha propuesto y aplicadoempíricamente una metodología para la obtenciónde mapas de posicionamiento de los operadoresminoristas, concretamente las cadenas de super-mercados, que compiten en un determinado mer-cado intra-urbano. Consiste en una adaptación alcontexto minorista de la metodología propuestapor CHINTAGUNTA (1994), que permite identificarun mapa de posicionamiento a partir de un mode-lo logit de elección discreta con heterogeneidadlatente. La principal diferencia es que, en lugar departir de información sobre la elección de estable-cimiento por parte del consumidor, se parte deinformación relativa a la distribución del gastoentre dichos establecimientos. Además, se ha ais-lado el efecto de la conveniencia espacial del aná-lisis de posicionamiento. El mapa de posiciona-miento se obtiene asumiendo una estructura facto-rial latente en la utilidad percibida en cada una delas cadenas.

La aplicación empírica en un escenario urbanoreal, y en el marco de las compras de alimenta-

ción, ha permitido ejemplificar la capacidad expli-cativa y funcionalidad del método. Conocer lasdimensiones que subyacen al valor percibido porlos consumidores, hacer un seguimiento constantedel posicionamiento relativo de las distintas cade-nas que compiten en el mercado, y familiarizarsecon los distintos esquemas de valoración quecaracterizan a los consumidores, constituyen tare-as clave para el desarrollo de una estrategia mino-rista exitosa. La propuesta de este trabajo consti-tuye una herramienta analítica para la consecuciónde estas actividades. Puesto que la información departida puede obtenerse de fuentes de informaciónsecundaria, como los paneles de hogares habitual-mente comercializados, su implantación comoapoyo a la toma de decisiones por parte de los ope-radores minoristas, o de la Administración Públi-ca en su actividad reguladora, resulta sencilla.

La aplicación empírica también ha permitidovisualizar el posicionamiento de algunas cadenasde supermercados relevantes en el sector de la dis-tribución española. Aunque la interpretación reali-zada debe ser asumida con cautela por su elevadocomponente subjetivo, resulta consistente con lasdimensiones de clasificación habitualmente men-cionadas en la literatura (BURT y SPARKS, 1995):variedad, precio, conveniencia y calidad. Además,resulta especialmente destacable el papel de lanotoriedad de la cadena minorista, entendidacomo la intensidad de cobertura del mercado estu-diado. Este resultado es consistente con HARTUNG

y FISHER (1965) en cuanto que una distribuciónmás intensiva genera un efecto multiplicativosobre la cuota de mercado. Adicionalmente, losresultados evidencian la existencia de distintosperfiles de consumidores en cuanto a la importan-cia que atribuyen a estas dimensiones de posicio-namiento.

En cualquier caso, este estudio está sujeto aalgunas limitaciones relevantes, tanto en la pro-puesta metodológica como en su aplicación empí-rica, que implican posibles líneas de investigaciónfutura. Cabe destacar que la información sobre ladistribución del gasto de un hogar puede agregardistintas situaciones de compra y consecuente-mente distintas necesidades, incluso dentro de unmismo tipo de productos. Ignorar esta circunstan-cia puede conllevar que el mapa de posiciona-

135


miento obtenido confunda el grado de sustituibili-dad entre las cadenas minoristas, por satisfacer demanera similar una misma necesidad, con el gradode complementariedad, por satisfacer necesidadesdistintas de los consumidores. Consecuentemente,explorar el impacto de las distintas situaciones decompra puede mejorar sustancialmente las capaci-dades explicativas de la propuesta metodológica.Otra cuestión importante es la dimensionalidaddel posicionamiento competitivo. La aplicaciónempírica se ha centrado en un mapa bidimensionalporque resulta mucho más fácil de interpretar através de su representación gráfica. Sin embargo,el posicionamiento de las cadenas de supermerca-dos es algo sustancialmente más complejo, siendopreciso considerar más dimensiones de posiciona-miento para comprender a fondo la estructuracompetitiva. Aunque la metodología propuestacontempla esta posibilidad, sería importante eldesarrollo de procedimientos que faciliten lavisualización e interpretación del mapa multidi-mensional más allá de las proyecciones bidimen-sionales. Finalmente, sería interesante aplicar lametodología a otras actividades minoristas. El sec-tor de alimentación no especializada es probable-mente uno de los más conocidos en cuanto a losprincipales atributos que diferencian los distintosestablecimientos y cadenas. La aplicación a otrossectores minoristas probablemente aportaría infor-mación mucho más novedosa.

AGRADECIMIENTOS

El autor agradece la colaboración de Publica-ciones Alimarket, Experian Marketing Services yla Organización de Consumidores y Usuarios en laaplicación empírica de este estudio.

REFERENCIAS BIBLIOGRÁFICAS

BATSELL, R.R. (1980): “Consumer ResourceAllocation Models at the Individual Level”, Jour-nal of Consumer Research, 7 (June), 78-87.

BROWN, S. (1995): “An Integrated Approach toRetail Change: The Multipolarisation Model”, en

Akehurst, G. y Alexander, N. (eds.), Retail Mar-keting, Frank Cass & Co. Ltd., 15-26.

BURT, S. y SPARKS, L. (1995): “Understandingthe Arrival of Limited Line Discount Stores inBritain”, European Management Journal, 13 (1),110-19.

CARROLL, J.D. (1972): “Individual Differencesand Multidimensional Scaling”, en SHEPARD,R.N.; ROMNEY, A.K. y NERLOVE, S.B. (eds.), Mul-tidimensional Scaling: Theory and Applications inthe Behavioral Sciences, 1, Seminar Press, NewYork.

CHINTAGUNTA, P.K. (1994): “HeterogeneousLogit Model Implications for Brand Positioning”,Journal of Marketing Research, 31 (May), 304-311.

CHINTAGUNTA, P.K.; JAIN, D.C. y VILCASSIM,N.J. (1991): “Investigating Heterogeneity in BrandPreferences in Logit Models for Panel Data”,Journal of Marketing Research, 28 (November),417-428.

COOPER, L.G. (1988): “Competitive Maps: TheStructure Underlying Asymmetric Cross Elastici-ties”, Management Science, 34 (6), 707-723.

DAGANZO, C. (1979): Multinomial Probit: TheTheory and Its Applications to Demand Forecas-ting, Academic Press, New York.

DESARBO, W.; MANRAI, A.K. y MANRAI, L.A.(1993): “Non-Spatial Tree Models for the Assess-ment of Competitive Market Structure: An Inte-grated Review of the Marketing and PsychometricLiterature”, en Eliashberg, J. y Lilien, G.L. (eds.),Handbooks in Operations Research and Manage-ment Science, 5, North-Holland, New York.

DESARBO, W. y RAO, V.R. (1986): “A Constrai-ned Unfolding Methodology for Product Positio-ning”, Marketing Science, 5, 1-19.

ELROD, T. (1988): “Choice Map: Inferring aProduct-Market Map from Panel Data”, Marke-ting Science, 7 (Winter), 21-40.

ELROD, T. (1991): “Internal Analysis of MarketStructure: Recent Developments and Future Pros-pects”, Marketing Letters, 2, 253-266.

ELROD, T. y KEANE, M.P. (1995): “A Factor-Analytic Probit Model for Representing the Mar-ket Structure in Panel Data”, Journal of MarketingResearch, 32 (February), 1-16.

136


ELROD, T.; RUSSELL, G.J.; ANDREWS, R.L.;BACON, L.; BAYUS, B.L.; CARROLL, J.D.; JOHNSON,R.M.; KAMAKURA, W.A.; LENK, P.; MAZANEC,J.A.; RAO, V.R.; SHANKAR, V. (2002): “InferringMarket Structure from Customer Response toCompeting and Complementary Products”, Mar-keting Letters, 13 (3), 221-232.

ERDEM, T. y WINNER, R.S. (1999): “Econome-tric Modelling of Competition: A Multi-CategoryChoice Based Mapping Approach”, Journal ofEconometrics, 89, 159-175.

FOTHERINGHAM, A.S. y O’KELLY, M.E. (1989):Spatial Interaction Models: Formulations andApplications, Kluwer, Dordrect.

GONZÁLEZ-BENITO, O. y SANTOS-REQUEJO, L.(2002a): “A Comparison of Approaches to ExploitBudget Allocation Data in Cross-Sectional Maxi-mum Likelihood Estimation of Multi-AttributeChoice Models”, OMEGA, 30 (5), 315-325.

GONZÁLEZ-BENITO, O. y SANTOS-REQUEJO, L.(2002b): “Características del Consumidor en laBúsqueda de Perfiles Latentes de Respuesta deMercado: Aplicación a la Selección de Estableci-miento Minorista”, Revista Española de Investiga-ción de Marketing ESIC, 6 (marzo), 37-58.

GONUL, F. y SRINIVASAN, K. (1993): “ModellingMultiple Sources of Heterogeneity in MultinomialLogit Models: Methodological and ManagerialIssues”, Marketing Science, 12 (Summer), 213-229.

GREEN, P.E.; KRIEGER, A.M. y CARROLL, J.D.(1987): “Conjoint Analysis and MDS: A Comple-mentary Approach”, Journal of Advertising Re-search, 27 (5), 21-27.

GUPTA, S. y CHINTAGUNTA, P.K. (1994): “OnUsing Demographic Variables to Determine Seg-ment Membership in Logit Mixture Models”,Journal of Marketing Research, 31 (February),128-136.

HARTUNG, P.H. y FISHER, J.C. (1965): “BrandSwitching and Mathematical Programming inMarket Expansion”, Management Science, 11(August), B231-B243.

HAYNES, K.E. y FOTHERINGHAM, A.S. (1984):Gravity and Spatial Interaction Models, Sage,Beverly Hills, CA.

HOFFMAN, D.L. y FRANKE, G.R. (1986):“Correspondence Analysis: Graphical Represen-

tation of Categorical Data in Marketing Rese-arch”, Journal of Marketing Research, 23 (3),213-227.

HOLLBROOK, M.B.; MOORE, W.L. y WINNER, R.(1982): “Constructing Joing Spaces form Pick-Any Data: A New Tool for Consumer Analysis”,Journal of Consumer Research, 9 (1), 99-105.

HOOLEY, G.J. y SAUNDERS, J. (1993): Competiti-ve Positioning, The Key to Market Success, Prenti-ce Hall, Hertfordshire, UK.

HUFF, D.L. (1962): Determination of IntraurbanRetail Trade Areas. Real Estate Research Pro-gram, University of California, Los Angeles.

JAIN, D.C.; VILCASSIM, N.J. y CHINTAGUNTA,P.K. (1994): “A Random-Coefficients LogitBrand-Choice Model Applied to Panel Data”,Journal of Business and Economic Statistics, 12(July), 317-328.

KAMAKURA, W.A.; KIM, B.D. y LEE, J. (1996),“Modelling Preference and Structural Heteroge-neity in Consumer Choice”, Marketing Science,15 (2), 152-172.

KAMAKURA, W.A. y RUSSELL, G.J. (1989): “AProbabilistic choice Model for Market Segmenta-tion and Elasticity Structure”, Journal of Marke-ting Research, 26 (November), 379-90.

KOTLER, P. (2000): Marketing Management.The Mlilennium Edition. Prentice Hall.

LOUVIERE, J.J., WOODWORTH, G. (1983):“Design and Analysis of Simulated ConsumerChoice or Allocated Experiments: An ApproachBased on Aggregate Data”, Journal of MarketingResearch, 20 (November), 350-367.

MANSKI, C. (1977): “The Structure of RandomUtility Models”, Theory and Decision, 8, 229-254.

MCFADDEN, D. (1974): “Conditional LogitAnalysis of Qualitative Choice Behavior”, enZarembka, P. (ed.), Frontiers in Econometrics,Academic Press, New York, 105-142.

MCFADDEN, D. (1978a): “Modelling the Choiceof Residential Location”, en Karlquist, A.; Lundq-vist, L.; Snickars, F. y Weibull, J.W. (eds.), SpatialInteraction Theory and Residential Location, Stu-dies in Regional Science and Urban Economics, 3,North Holland, Amsterdam, 75-96.

MINHI HAHN, S.A.; SHIN, C. y PARK, S-J.(2001): “Firm-Based Market Structure AnálisisUsing Competitive Advertising Responses”,

137


International Journal of Advertising, 20, 223-237.

MOORE, W.L. y RUSSELL, S. (1987): “A PanelData-Based Method for Merging Joint Space andMarket Response Function Estimation”, Marke-ting Science, 6 (1), 25-42.

MUÑOZ GALLEGO, P.A. (1993): “Estrategias dePosicionamiento en las Empresas de DistribuciónComercial”, Distribución y Consumo, 10 (Junio/Julio), 46-57.

SHUGAN, S.M. (1987): “Estimating Brand Posi-tioning Maps Using Supermarket Scanning Data”,Journal of Marketing Research, 24 (February), 1-18.

SINHA, A. (2000): “Understanding SupermarketCompetition Using Choice Maps”, Marketing Let-ters, 11 (1), 21-35.

TORDJMAN, A. (1994): “European Retailing:Convergences, Differences and Perspectives”,International Journal of Retail and DistributionManagement, 22 (5), 3-19.

138


Fecha recepción: 13/10/2004Fecha aceptación: 18/11/2005

Documents

MAPAS DE POSICIONAMIENTO COMPETITIVO BASADOS EN …