La segmentación de mercados consiste en dividir un mercado en partes homogéneas, pero a su vez cada parte dividida reacciona de forma diferente a las acciones de marketing. Al dividir el mercado podemos ajustar la oferta con mayor precisión al segmento y lograr mejores respuestas de los clientes. Respecto al modo en que se divide el mercado, esto puede realizarse bajo dos criterios. A priori está la manera en que se divide el mercado con las variables que asumimos puedan funcionar. Por ejemplo, edad, género, frecuencia de uso, etc. El otro método es la segmentación post-doc, mediante la cual dividimos el mercado con criterios estadísticos por medio de técnicas analíticas estudiando al detalle al consumidor. Hay que tener presente que con el advenimiento de la digitalización y el big data, el uso de los algoritmos de este tipo es cada vez más frecuente.

La segmentación post-doc es relativamente nueva y arroja resultados más acordes con la realidad, por lo que da mejores resultados de ventas y rentabilidad. Los métodos post-doc usados se han realizado tradicionalmente por métodos de regresión. La necesidad de contar con un número mayor de segmentos y variables de segmentación ha llevado, sin embargo, al uso de otros procedimientos de análisis más certeros como son los multivariantes.

Análisis de correspondencia

El análisis de correspondencia es una técnica estadística que permite representar la correspondencia a sus diferentes categorías en una sola parcela o segmento. Es entonces un enfoque no paramétrico que posibilita tratar esos valores de variables nominales que se encuentran comúnmente en el proceso de segmentación. Además, permite agrupar estas variables en grupos o segmentos. Este método es el más popular.

La principal fortaleza del análisis de correspondencias es su capacidad de representar variables categóricas. A diferencia de otros métodos utilizados para interpretar tales datos, no asume ninguna distribución teórica subyacente. Una ventaja es que está disponible en prácticamente cualquier paquete de software estadístico, sin embargo, su fortaleza es a la vez una debilidad porque no permite utilizar otro tipo de variables de segmentación como son las continuas o de diferentes tipos. En este sentido, el Chi-square Automatic Interaction Detection (CHAID) resuelve este problema.

CHAID (Chi-square Automatic Interaction Detection)

Si bien se ha utilizado muy poco, con el método CHAID o de Detección Automática de interacción de chi-cuadrado, que es más complejo que otras técnicas multivariantes, se puede obtener información sobre la segmentación del mercado mucho más certera.

Este procedimiento de segmentación fue introducido por primera vez por Kass en 1975 y actualmente con la llegada de la ciencia de datos y los algoritmos es una muy buena alternativa. Como enfoque metodológico, el CHAID recibe varias denominaciones: Detección automática de interacciones, Red neuronal artificial, Algoritmo genético y Árbol de clasificación y regresión.

Ventajas para la segmentación del mercado

Desde la perspectiva de la segmentación del mercado, la ventaja de este método estadístico no paramétrico de distribución libre es que acepta cualquier forma de distribución variable en el proceso de clasificación en lugar de una exclusivamente normal.

En cuanto a los tipos de variables que se pueden incluir en la construcción del árbol, el rango es considerable tanto en número como en diversidad de variables categóricas del cliente o el consumidor. Así, por ejemplo, CHAID permite incluir variables de segmentación muy útiles para los mercados como el sexo, la edad, la renta del hogar, la nacionalidad, el tiempo y otras categorías en forma simultánea que tienen su origen en los datos que se encuentran normalmente en el big data de una empresa.

Aprende a aplicar el marketing analítico en la segmentación de mercados con el curso de Marketing analítico 2 en 1, online + offline: decisiones basadas en datos del Certificado de Especialización en Marketing del PEE de ESAN.

Referencias

Diana, M., & Pronello, C. (2010). Traveler segmentation strategy with nominal variables through correspondence analysis. Transport Policy, 17(3), 183-190.

Díaz-Pérez, F. M., & Bethencourt-Cejas, M. (2016). CHAID algorithm as an appropriate analytical method for tourism market segmentation. Journal of Destination Marketing & Management, 5(3), 275-282.