You are on page 1of 14

Las características esenciales de la información para apoyar la

toma de decisiones deben ser su relevancia, oportunidad,
confiabilidad y exactitud.

La relevancia se refiere al grado con el cual la información es
capaz de disminuir la incertidumbre que el tomador de decisión
tiene con respecto al posible resultado de elegir una u otra
alternativa de acción.

La información debe ayudar a predecir algo que va a suceder,
anticipar el resultado de una decisión. Este requisito lleva a
buscar información acerca de las variables (causas) que
inciden sobre el resultado (efecto). Si no hay esa relación, la
información es irrelevante.
X

La oportunidad se refiere al momento en que en la información
debe estar disponible; es decir, antes de tomar una decisión.
Esta característica, que tal vez parezca demasiado obvia, tiene
más que ver con el momento en que se presenta la necesidad
de la información que con el momento en que hay que
entregarla.

Es decir, hay que estar informado antes de tomar una decisión,
pero la anticipación con la que se establece cuál es la
información relevante para apoyarla es lo que lleva a una
mayor o menor presión por obtenerla. La diferencia en tiempo
incide en forma directa sobre la calidad y el costo de la
información. En ocasiones, habrá que tomar la decisión sin
información.

Tomar una decisión es similar a hacer una apuesta. Para
predecir el resultado de una pelea de box, el apostador trata de
disminuir su incertidumbre con información relevante,
disponible antes de la pelea. Por ejemplo, el peso de los
contendientes, su altura y alcance, así como los resultados de
sus peleas anteriores. De nada sirve conocer datos como el
nombre de sus hermanos o la marca de jabón que
acostumbran; simplemente, no reducen la incertidumbre del
resultado de la pelea.
La información tiene valor en la medida en que disminuye la
incertidumbre. También, en relación directa, aunque no
proporcional, aumenta el costo de obtenerla. En términos muy
prácticos, uno podría utilizar una moneda para lanzarla al aire y
elegir un boxeador para apostar a su favor. Alternativamente,
podría utilizar la moneda para comprar un diario y enterarse de
algunos pormenores en la sección deportiva.

Esto significa que pueden tomarse decisiones con o sin
información, especialmente en aquellos casos en los que la
información no va a modificar la postura previa del tomador de
decisiones.

Si la información no tiene posibilidades de modificar la decisión,
no vale la pena obtenerla. Tampoco vale la pena el esfuerzo
cuando el costo es demasiado alto o cuando reduce
incertidumbre en un grado tal que no ayuda a predecir con la
suficiente certeza el resultado esperado de la decisión.

En el caso de la Investigación de Mercados, normalmente el
costo de la información es mucho menor que el valor agregado
a la toma de decisión. Es mejor tomar decisiones con
información, aún y cuando ésta no sea información perfecta.

La exactitud y confiabilidad llevan a que la información sea
precisa y veraz, lo cual la hace creíble. Ambas características
están relacionadas principalmente con la determinación de las
fuentes y con la manera en que la información se obtiene de
ellas.

En el caso de un estudio entre personas, tienen que ver con el
proceso de selección de quienes pasan a formar parte de la
muestra y con el diseño de una herramienta para obtener
información por parte de ellos.

La determinación del tamaño de la muestra y el proceso de
selección de la misma son los únicos dos aspectos del proceso
de investigación de mercados para los cuales es posible
cuantificar errores. Para los demás aspectos solamente pueden
establecerse procedimientos y estándares que, si se siguen,
disminuyen la posibilidad de que los errores sucedan.
Un excelente ejemplo de la manera para reducir errores en la
Investigación de Mercados lo constituye el Estándar de Servicio
para Investigación de Mercados en México (ESIMM)
establecido desde el año 2000 por la Asociación Mexicana de
Agencias de Investigación de Mercados (AMAI).

El estándar define los elementos básicos de calidad que deben
poseer las compañías de investigación de mercados e implanta
procedimientos documentados que aseguren que la calidad
sea repetible y resulten en la satisfacción de los clientes. Este
esfuerzo importantísimo, primero en el mundo, por
profesionalizar la actividad y auto regularse, ayuda mucho a
elevar la credibilidad de los resultados de los estudios.

Su implantación se traduce principalmente en mayor
confiabilidad y exactitud, aunque no tanto a una mayor
relevancia y oportunidad. Estas dos características no resultan
exclusivamente de la aportación de la agencia que realiza el
estudio, ya que requieren en un altísimo grado la participación
del cliente que lo solicita.

La relevancia de la información y la oportunidad para obtenerla
dependen principalmente del usuario que la solicita y por ello,
el elemento más importante para asegurar que ambas
características se logren es la adecuada formulación de una
Solicitud de Estudio por parte del usuario y una Propuesta de
Estudio por parte del proveedor de información.

Tanto la calidad de la información, como la calidad de la
relación entre cliente y agencia dependen del trabajo
colaborativo de ambos al inicio del estudio de mercado.

No hay fórmulas mágicas, mucho menos procedimientos
estandarizados, sólo trabajo arduo. Si el cliente quiere obtener
mayor valor de la agencia o departamento de investigación, o si
la agencia quiere darles más calidad a sus clientes, deben
colaborar intensamente al inicio del proyecto. Es más trabajo,
claro. Pero el valor agregado es sorprendente.

Otro aspecto valioso del proceso de de investigación que
mejora la relevancia de la información para la toma de
decisiones está en el análisis e interpretación de los resultados
del estudio. Más allá de la elaboración de reportes que
comuniquen hallazgos, se requiere no solo del manejo
adecuado de técnicas estadísticas apropiadas, cuyo uso debe
ser previsto desde el inicio del proyecto, sino también de un
agudo punto de vista capaz de encontrar el verdadero
significado que esos hallazgos representan para la decisión
que se desea tomar.

El ESIMM propicia la exactitud y la confiabilidad de la
información proveniente de los estudios de mercado, pero se
requiere de un esfuerzo distinto al de sus procedimientos para
dotarla de relevancia y oportunidad.

Si el cliente quiere obtener mayor valor de su agencia o
departamento de investigación de mercados y si la agencia
quiere darles más calidad a sus clientes, ambos deben
colaborar intensamente al inicio de un estudio.

El mejor punto de partida es una buena ‘solicitud de estudio’
por parte del cliente que de lugar a una mejor ‘propuesta de
estudio’ por parte de la agencia. Y no olvidar que la
negociación de precio debe estar equilibrada con la
negociación de tiempo, ya que estos dos factores inciden
muchísimo sobre la calidad de la información.

El ESIMM (Estándar de Servicio para Investigación de
Mercados en México) establecido desde el año 2000 por la
Asociación Mexicana de Agencias de Investigación de
Mercados (AMAI) significa un esfuerzo para estandarizar los
estudios realizados por las agencias.

Sin embargo, esa iniciativa se orienta más a la Satisfacción del
Cliente de Investigación que a la calidad de los estudios y
además deja de lado los requisitos de calidad que la propia
Agencia debe imponerle al Cliente.

Efectivamente, existen requisitos de calidad que el proveedor
debe exigir a su cliente. Los dos más importantes tienen que
ver con que el cliente haga entrega de información completa y
de un pago oportuno y justo.
La colaboración inicial entre Cliente y Agencia lleva a que el
estudio obtenga información verdaderamente relevante y a que
éste se realice en el tiempo necesario y al precio justo. Esta es
la verdadera utilidad de usar herramientas como la solicitud y la
propuesta de estudio.

Así, también se subsanan las posibles diferencias entre los
requisitos de satisfacción del cliente y la solidez metodológica
del estudio. Lo mismo que se subsanan las posibles diferencias
entre lo que la agencia considera debe ser la información que
el cliente necesita y la que éste considera verdaderamente
relevante para su decisión.

En otras palabras, puesto que ni el cliente es necesariamente
un experto en investigación de mercados, ni la agencia
necesariamente un experto en toma de decisiones
empresariales, ambos deben colaborar intensamente al inicio
del proyecto.

La colaboración puede extenderse más allá de lo que se refiere
al diseño del proyecto, ya que en ocasiones hay que tomar
decisiones conjuntas acerca de la muestra, la herramienta de
medición, los análisis y la presentación de resultados.

Procedimentalmente, el ESIMM prevé esa posibilidad y
establece el requisito de documentar con evidencia tales
decisiones y su autorización por cualquiera de las dos partes,
cliente o agencia. Curiosamente, esta práctica ha sido la
normalmente aceptada en las relaciones entre cliente y agencia
de publicidad, no así entre las agencias de investigación de
mercados.

Durante la aplicación estricta del ESIMM debe tenerse cuidado
con el riesgo de la burocratización que inhibe la creatividad, así
como con el riesgo de sujetarse más a los requisitos de
satisfacción del cliente que de la solidez metodológica y
académica de la investigación de mercados.

La relevancia y la oportunidad de la información del estudio
aumentan considerablemente gracias a la participación
colaborativa del cliente y la agencia al inicio del estudio.
Por otro lado, la confiabilidad y la exactitud de la información
pueden verse afectadas por errores que se cometen durante el
estudio y que están principalmente relacionados con el diseño
de cuestionarios, con el procedimiento de muestreo y con el
análisis de resultados y su interpretación.

En un estudio cuantitativo, un buen diseño de cuestionario es
más el resultado de la aplicación del sentido común que de
cualquiera otra técnica. El único procedimiento comprobado
para disminuir errores es el de probar dicho cuestionario con
personas del mismo perfil que aquellas que compondrán la
muestra.

Previo a ello, lo que se requiere es un íntimo contacto con
personas de ese mismo perfil, para conocer el lenguaje que
utilizan, la forma en que se expresan y, todavía más importante
que eso, las respuestas que dan a las preguntas que se les
plantean.

Muchos errores que pueden suceder alrededor del cuestionario
son previsibles y en consecuencia, evitables mediante un buen
control procedimental. El único error inevitable es el que resulta
de aquellas personas que rehúsan responder a la encuesta.
Aún más, es un error inestimable, puesto que nunca podrá
saberse lo que estas personas hubiesen respondido.

El procedimiento de muestreo es, en el mejor de los casos,
sospechoso y por lo tanto, sujeto a infinidad de críticas. Esto
sucede tanto entre legos como entre expertos, ya que estos
últimos en ocasiones carecen de los fundamentos correctos.

Las dudas típicamente tienen que ver con la determinación del
tamaño de la muestra, siendo que en realidad los errores en la
práctica provienen principalmente del método de selección de
los entrevistados.

El tamaño de muestra, en la mayoría de los estudios que
requieren de un muestreo probabilístico, normalmente es
mayor que el mínimo necesario para hacer inferencias sobre
las características de la población bajo estudio. Esto es el
resultado de la necesidad de incluir cuotas de entrevistados de
un tamaño tal que permitan realizar análisis de información
cruzada más adelante.

Los verdaderos errores de muestreo ocurren cuando no existe
un procedimiento objetivo y sistemático para seleccionar a
cuáles entrevistados incluir. El deseo de mantener bajos los
costos del estudio llevan al uso de procedimientos de selección
de entrevistados por conveniencia, en ausencia de un marco
muestral.

Que el muestreo no sea probabilístico significa únicamente que
los resultados del estudio no pueden ser extrapolados de la
muestra a la población. La información puede ser relevante y
oportuna y como tal, suficiente para tomar una decisión. Sin
embargo, es imposible precisar su confiabilidad y exactitud.

Por último, en el análisis de resultados y su interpretación
suceden errores que se desprenden del manejo de la
información obtenida en el estudio, tanto de forma como de
fondo. Esto es, en ocasiones el manejo numérico, estadístico,
de la información es inadecuado, mientras que en otras la
interpretación de los resultados provoca el error y lleva a
conclusiones que no son las que proceden.

La determinación del tamaño de la muestra y el proceso de
selección de la misma son los únicos dos aspectos del proceso
de investigación de mercados para los cuales es posible
cuantificar errores. Dicha cuantificación se extiende al análisis
de resultados de un estudio descriptivo.

La exactitud y la confiabilidad de la información que se obtiene
de un estudio descriptivo dependen principalmente del
procedimiento de muestreo, que incluye tanto la determinación
del tamaño de la muestra como el método de selección de los
entrevistados.

Empíricamente, el procedimiento de muestreo se basa en la
intuición de que es válido sacar conclusiones generales acerca
de todos los elementos de un grupo, basándose en el
conocimiento de solo una parte de los elementos de esa
población.
En la vida diaria, es una práctica que se extiende a muchos
ámbitos ya que generalizamos juicios sobre personas,
productos, servicios, condiciones climáticas e infinidad de
situaciones, sobre la base de muestras tan pequeñas como un
breve vistazo a la concurrencia de un centro nocturno (está de
muy ambiente) o la observación de un único evento (la comida
aquí está muy sabrosa).

Teóricamente, el muestreo se basa en la inducción y somete
esas conjeturas a una evaluación probabilística para así poder
determinar su grado de aproximación a la realidad. Es decir,
permite conocer o estimar el tamaño de un error derivado del
procedimiento del muestreo.

Supongamos los siguientes números de Horas de Conexión a
internet para una población de 5 familias:

F1 F2 F3 F4 F5

6 5 7 6 9

El Promedio de Horas de Conexión es 6.60, con una
Desviación Estándar de 1.52, que es una medida de su
variabilidad. En otras palabras, es cierto que la población se
conecta en promedio un poco más de seis horas y media,
aunque ese promedio varía en alrededor de hora y media para
cada familia.

Aunque en la práctica se trabaja con solo una muestra, si se
consideran todas las muestras posibles de tamaño 2, es
posible ver que cada una de las 9 muestras posibles permitiría
estimar un número promedio de horas de conexión distinto, por
lo que la estimación dependerá de cuál de las muestras sea
seleccionada:

F1 F2 F1 F3 F1 F4 F1 F5 F2 F3 F2 F4 F2 F5 F3 F4 F3 F

5.5 6.5 6.0 7.5 6.0 5.5 7.0 6.5 8.0
Se puede confiar en el procedimiento de muestreo gracias a
que el promedio de todas las muestras posibles es también
6.60.

Un error derivado del muestreo proviene de la selección de la
muestra, ya que como se ve en el ejemplo anterior, la
estimación de un promedio de Horas de Conexión depende de
cuáles elementos pasen a formar parte de la muestra.

La Desviación Estándar de todas estas posibles muestras de
tamaño 2, llamada ahora error estándar, es 0.88 Horas de
Conexión y se puede interpretar, por ejemplo, como que el 66%
de las muestras posibles muestran como promedio un número
de horas entre 5.72 y 7.48, es decir, dentro un intervalo más o
menos un error estándar.

En otras palabras, 6 de las 9 muestras posibles están dentro de
un intervalo equivalente a un Error Estándar alrededor de la
media verdadera.

Así, tenemos que la confiabilidad del muestreo se puede
expresar en términos de la probabilidad que una muestra
cualquiera obtenga un resultado dentro de un intervalo
específico.

A medida que el tamaño de muestra aumenta, cada muestra
representa mejor a la población, al extremo de que, en este
ejemplo, si la muestra fuese de tamaño 4, el promedio
estimado sería de 6.5 Horas de Conexión en el caso de tomar
la muestra formada por F1, F2, F3 y F5. Y el intervalo de
estimación de todas las muestras posibles sería
considerablemente menor.

El tamaño de muestra está principalmente relacionado con la
variabilidad de la característica de esa población que se desea
estudiar.

Así, una población de tamaño infinito podría estar
perfectamente representada por una muestra muy reducida,
siempre que sus características sean homogéneas.
Valga el ejemplo de la alberca, en la que, para conocer la
temperatura del agua, una persona mete tan solo la punta del
pie, tan solo en la orilla. Tomada esta minúscula muestra,
queda en posibilidad de tomar una decisión respecto a la
totalidad de la alberca. De hecho, si la temperatura del agua le
parece agradable, posiblemente invite al resto de la
concurrencia a introducirse por completo, no solo la punta del
pie y no solo en la orilla.

Así pues, los dos componentes relevantes para la
determinación del tamaño de muestra son la confiabilidad de
que la muestra represente a la población (expresada en
unidades de error estándar) y la precisión con la que se desee
hacer una estimación.

El tamaño de la población bajo estudio nada tiene que ver con
la determinación del tamaño de muestra. Prueba de ello es que
la fórmula para determinar el tamaño de muestra NO incluye el
tamaño de la población-

Sin embargo, en atención principalmente a requisitos de
análisis, se tiende a utilizar tamaños de muestra más grandes
que el que se determina teóricamente. Esto es, se desea
contar con un número suficiente de observaciones (encuestas)
dentro de cada celda de análisis de información que resulte al
comparar información entre grupos de respondientes según
sus datos de clasificación u otras respuestas obtenidas durante
el estudio.

Suceden errores que se desprenden del manejo numérico de la
información obtenida en el estudio, tanto de forma como de
fondo. Esto es, en ocasiones su interpretación es lo que
provoca el error y lleva a conclusiones que no son las que
proceden.

En forma muy especial, se cometen errores al presentar para
su comparación medias o incidencias de respuestas que
grupos distintos de entrevistados dan a una misma pregunta
que les ha sido planteada en idénticos términos.
Sin el afán de entrar a una discusión detallada en términos de
fórmulas complicadas, es posible establecer algunos conceptos
que aclaran lo que está detrás de una comparación estadística.

El método adecuado para comparar las medias de una variable
numérica entre dos o más grupos de sujetos, identificados a su
vez por los valores de una variable nominal u ordinal, es el
Análisis de Varianza.

Implica el cálculo del valor F de Fisher que se define como el
resultado de dividir la varianza dentro de las medias de las
muestras sobre la varianza entre las medias de la muestra. El
valor F, o más bien, su probabilidad de ocurrencia, nos
informan si las diferencias entre dos medias son o no son
significativas y, por lo tanto, si las medias de los conjuntos de
elementos son o no son iguales estadísticamente hablando.

Conceptualmente, es más fácil entenderlo con un ejemplo
sencillo. Digamos que las medias de Horas de Conexión a
internet en dos grupos de familias de dos diferentes NSE son
de 8 y 10 horas a la semana, respectivamente. Esos dos
números podrían ser distintos o iguales, estadísticamente
hablando.

¿Por qué? Principalmente por la varianza de respuestas dentro
de cada grupo. Veamos las siguientes posibilidades
hipotéticas.

Caso 1. Si la media del primer grupo de familias viene
exclusivamente de 8 Horas de Conexión de cada una de ellas y
la media del segundo grupo de familias viene exclusivamente
de 10 Horas de Conexión de cada una de ellas, hay una alta
probabilidad de que las medias sean distintas entre sí. Las
familias del primer grupo se conectan 8 horas, todos y cada
uno de ellos, mientras que los segundos 10, también en forma
homogénea.

La ausencia de variabilidad dentro de cada grupo de familias
lleva a pensar que la media de Horas de Conexión es una
medida que representa muy bien (homogéneamente) al grupo.
Adicionalmente, al ser diferentes las medias de uno y otro
grupo, se piensa que las 8 horas del primer grupo son
diferentes de las 10 del segundo.

Caso 2. Si la media igual a 8 del primer grupo viene de
respuestas que varían entre, digamos, 3 y 16 horas; y la media
igual a 10 viene de un rango de 2 a 18 horas, lo más probable
es que estadísticamente ambos números, 8 y 10, deban
considerarse iguales.

Es decir, la variabilidad dentro de cada grupo de familias lleva a
pensar que sus promedios no sean una medida
suficientemente representativa de las familias que lo integran.
Así, el número 8 Horas de Conexión promedio puede ser en
realidad tan bajo como 3 o tan alto como 16; mientras que el
número 10 Horas de Conexión varía prácticamente dentro del
mismo rango.

Si los números no representan bien al grupo, una consecuencia
es que difícilmente se puede considerar que 8 y 10 Horas de
Conexión promedio sean en realidad cifras distintos.

Caso 3. Alternativamente, dos medias aritméticamente
idénticas podrían considerarse estadísticamente distintas. En el
mismo ejemplo, 8 Horas de Conexión como media en los dos
grupos podrían considerarse significativamente distintas si
tienen una variabilidad distinta.

Digamos que una de ellas resulta del consumo individual de 7,
8 o 9 horas de cada familia (una distribución muy homogénea
de respuestas) y la otra resulta del consumo de entre 2 y 20
refrescos por semana; aunque su media también sea 8, la
varianza de respuestas es tan amplia que difícilmente podría
decirse que el 8 representa adecuadamente al segundo grupo
de familias. Por lo tanto, el primer 8 (homogéneo) es diferente
del segundo 8 (heterogéneo).

El valor F se calcula considerando la varianza dentro de cada
grupo y la varianza entre los grupos. Lo relevante no es el valor
por sí mismo, sino la probabilidad de obtenerlo. De ahí el
concepto de significancia estadística.
La probabilidad de obtener un valor de terminado de F en una
distribución aleatoria lleva a considerar si dicho valor es lo
suficientemente grande como para concluir que no ha sucedido
al azar, sino que se deriva de diferencias reales entre los
grupos comparados.

Como el valor resultante está también influenciado por las
características del procedimiento de muestreo, su probabilidad
de ocurrencia se compara con el porcentaje de confiabilidad
con el que se determinó el tamaño de la muestra.

Así, para una muestra con Confiabilidad del 95%, un valor de F
con relevancia significativa será aquel que ocurra al azar
cuando mucho en un 5% de los casos.

Cuando las respuestas a una pregunta no son dadas en
términos numéricos, sino en base a respuestas nominales u
ordinales, entonces no pueden ni deben calcularse medias,
sino que debe manejarse una incidencia de respuesta.

Para evaluar si dos incidencias de respuesta son iguales o
diferentes entre dos grupos de entrevistados, se recurre al
cálculo del valor de Chi Cuadrada, que es, por definición, la
suma de las fracciones que tienen por numerador el cuadrado
de las diferencias entre frecuencias observadas y frecuencias
esperadas y por denominador la frecuencia esperada.

x2 = E ( Fo – Fe ) 2 Fe

El valor de Chi cuadrada es cero cuando las diferencias entre
las frecuencias observadas y esperadas son cero, es decir,
concuerdan.

A medida que crece el número y la importancia de las
diferencias entre las frecuencias, también irá aumentando el
valor de Chi cuadrada, como medida de discrepancia entre
unas y otras.

Un valor alto de Chi cuadrada puede ser obtenido al azar (por
características relacionadas con el tamaño y la selección de la
muestra) o bien, puede ser obtenido porque los dos conjuntos
de elementos difieren entre sí. De nuevo, el concepto de
relevancia significativa en combinación con el porcentaje
Confiabilidad de la Muestra.

Al comparar dos cifras entre sí es muy importante considerar
que su diferencia aritmética no es semejante a su diferencia
estadística, ya que esta última está determinada por la
distribución de su varianza.