UNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES

Facultad de Psicología y Ciencias Sociales Estadística II Prof. Rubén José Rodríguez

INTRODUCCIÓN A LA SEGMENTACIÓN JERÁRQUICA y ANÁLISIS CHAID Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

1

r5

Diapositiva 1 r5

Actualizado al 12-06-04 ruben, 12/06/2004

Índice 1ª Parte:

2ª Parte:

SEGMENTACIÓN JERÁRQUICA/No JERÁRQUICA

p. 3

ANSWERTREE 2.0

p. 29

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

2

1ª Parte

TIPOS DE SEGMENTACIÓN: JERÁRQUICA Y No JERÁRQUICA

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

3

SEGMENTACIÓN Concepto  Segmentar es definir segmentos, dada una población de elementos se trata de identificar subconjunto homogéneos respecto de determinadas características y heterogéneos entre sí.  Existen dos acepciones de segmentación: como estrategia de marketing, y como técnica estadística.  Según Phillip Kotler existen 4 variables de segmentación en marketing: geográficas, demográficas, psicográficas y comportamentales. Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

4

TIPOS DE SEGMENTACIÓN EN MARKETING (1) • SEGMENTACION GEOGRAFICA.

• Identificación, calificación y selección de áreas geográficas de interés, con comerciales.

potencial

para

realizar

transacciones

• SEGMENTACION DEMOGRAFICA.

• Cuantificación poblacional de un mercado, en grupos más o menos homogeneos, diferenciados por demográficas que les crean un vínculo común.

variables

• SEGMENTACION PSICOGRAFICA.

• Agrupación poblacional de un mercado, de acuerdo a ciertas características humanas, expresadas en términos de variables psicosociales: actitudes, valores, motivaciones, opiniones, creencias o comportamientos sobre situaciones específicas.

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

5

TIPOS DE SEGMENTACIÓN EN MARKETING (2) • POR PRODUCTO.

• Grupos de individuos afínes por las características percibidas de un producto en particular.

• POR MERCADO • Real: • Potencial: • Latente:

Mis clientes actuales Los que están con la Competencia. No utilizan ninguna institución.

• POR NIVEL SOCIOECONÓMICO/CLASE SOCIAL

• Alto, Medio-Superior , Medio-Medio,Medio Inferior, Popular, Marginal

• (INSE-Índice de Nivel Socio-Económico: AB-C1-C2-C3-DE) Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

6

MÉTODOS ESTADISTICOS DE SEGMENTACIÓN  Los Métodos de segmentación se clasifican en Métodos descriptivos y predictivos  Los Métodos descriptivos o de Interdependencia incluyen: Variables socio-demográficas, y Variables comportamentales, los procedimientos son: Cluster Analysis (Análisis de Conglomerados), y Análisis Factorial (AF).  Los Métodos predictivos, o de dependencia incluyen los siguientes algoritmos estadísticos: AID (Automatic Interactive Detector de J. A. Sonquist y N.A. Morgan, 1964), CHAID (Chi Square Automatic Interaction Detector, de Kass, 1980 y Magidson 1992), CART (Clasification and Regression Trees, de Breiman, Friedman, Olshen y Stone, l984), y QUEST (Loh y Shih, 1997)

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

7

MÉTODOS AGLOMERATIVOS  Los Métodos de segmentación se clasifican en Métodos Aglomerativos y Divisivos  Los Métodos Aglomerativos, o Composicionales agrupan, clasifican o conglomeran (‘clusterizan’) casos o variables, en función del parecido o similaridad. Parten de los casos individuales y a partir de una medida de distancia respecto de un centro de gravedad determinan la inclusión en un grupo (‘cluster’), hasta llegar a formacion de todos los conglomerados homogeneos. SPSS dispone de dos métodos de Análisis de Conglomerados: Análisis de Conglomerados Jerárquicos y Análisis de Conglomerados de k Medias. [Guía de SPSS 10.0 para análisis de datos, Capítulos 23 y 22]

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

8

MÉTODOS DIVISIVOS Los Métodos Divisivos, Disociativos o Descomposicionales parten de la muestra global como un solo grupo y lo van dividiendo en subgrupos hasta llegar a la formación de sub-grupos o conglomerados homogéneos con un número relativamente reducida de sujetos.  Las técnicas divisivas son especialmente adecuadas para el análisis de variables categóricas.  Uno de los métodos divisivos más difundidos es el CHAID (Chi Squared Automatic Interaction Detector) (disponible como un procedimiento autónomo del Módulo Base, y comercializado por SPSS Inc con la marca ANSWERTREE)(*) (*) A partir de la versión 13.0 de SPSS (2004) se incluye el algoritmo Árboles de Clasificación: Analizar > Clasificación > Árbol. Ver diapositiva 31 Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

9

MÉTODOS DIVISIVOS

Fuente: http://www.estadistico.com/arts.html?20010709+22#start Diapo 22/46 Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

10

TÉCNICAS ESTADÍSTICAS DE SEGMENTACIÓN PREDITIVA (a)  Es un conjunto de algoritmos que clasifican a la población en segmentos a través de variables predictoras o explicativas (VI’s), que mejor expliquen la variabilidad de la variable criterio o variable explicada (VD).  Técnicamente los algoritmos buscan identificar que predictor proporciona la mayor reducción de la suma de los cuadrados (SCTotal ) residuales de la variable dependiente. O sea, la que maximiza la varianza entre grupos (SCEntre) y minimiza la varianza intragrupos (SCIntra) con respecto a la variable a explicar o variable criterio. Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

11

TÉCNICAS ESTADÍSTICAS DE SEGMENTACIÓN PREDITIVA (b) Los subconjuntos obtenidos son particiones de la población total en términos de dicotomías o tricotomías de las variables predictoras más significativas. Los algoritmos son iterativos generando en el diagrama arborescente (Dendograma) divisiones sucesivas hasta un nodo con un nivel de no significatividad o con un tamaño mínimo del grupo. Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

12

AID (Automatic Interactive Detector)

(a)

 Es una método predictivo de segmentación jerárquica descendente, para una VD métrica.  Procede mediante la subdivisión sucesiva de una muestra en una serie de grupos dicotómicos excluyentes, con el fin de determinar qué VI’s, están relacionadas con una VD determinada.  Matemáticamente, constituye una aplicación del Análisis de Varianza (ANOVA), ya que busca maximizar la varianza intergrupos (S2 between) y minimiza la varianza intragrupos (S2 within). Utiliza como prueba de significación, el test F (de Fisher). Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

13

AID (Automatic Interactive Detector)

(b)

 Su principal ventaja radica en la simplicidad del output. El resultado es un diagrama de árbol.  El dendograma es un gráfico en forma de árbol invertido que representa la forma en que se agrupan en clases los distintos elementos del análisis tipológico.  En cada rama aparece un nodo indicando el número de elementos del segmento, la leyenda de la variable explicativa y algún estadístico o test de significación.  Es similar al Análisis de Regresión Múltiple Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

14

P ro b a b ilid a d d e C a m b io d e R e s id e n c ia C LA V E S : X j = C ategoría de la V ariable X N j = N º de su jetos en el G rupo j P j = P robab ilidad m edia de la actitud o intención m edida

S in niño s en la es c ue la N =9 6 0,67 (*)

S in p a riente s en las ce rca nías N = 142 0 ,5 3(*)

M eno s d e 3 5 a ño s N = 6 60 0 ,27 (*)

C o n niño s e n la e sc ue la N = 46 0,24 (*)

N o p o se e la c as a N = 26 5 0,27 (*) Alg uno s p a rientes e n la s ce rc a nías N = 518 0 ,2 0(*)

Todos N = 2 3 64 0,15 (*)

P o s e e la ca sa N = 25 3 0,11 (*)

3 5 o m á s año s N = 17 04 0 ,10 (*)

S ie rra B ra vo, R . (1 9 91 ), D iccio na rio P ráctico d e E stad ística , E d . P a ra ninfo, M ad rid, 1 99 1, e ntrad a : A ID , p á g. 95

* Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

15

CHAID (Chi Square Automatic Interactive Detector) (a)(*)  Es un método de clasificación jerárquica, descendente y divisivo: inicialmente considera a todos los elementos como un solo grupo, y progresivamente el algoritmo CHAID va dividiendo los grupos anteriores hasta terminar en un subgrupo de tamaño mínimo o de diferencias no significativas. Es una extensión y una mejora del AID para una VD categórica y varias VI’s que combinadas y en interacción, permiten identificar segmentos. Está limitado a VD nominales y ordinales y no hace suposiciones de normalidad. (*) La calificación de AUTOMATIC se refiere a que la clasificación se obtiene automáticamente mediante el algoritmo CHAID, y no depende de la interpretación y decisión del investigador.

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

16

CHAID (Chi Square Automatic Interactive Detector) (b)  Los componentes básicos de CHAID son: Una o más VI’s o Predictoras, cuyos valores se utilizan para definir los segmentos (V. demográficas, psicográficas, comportamentales); y una y solo una VD o Criterio, que debe ser una variable

categórica (nominal u ordinal)

 El CHAID ahorra mucho tiempo al investigador, evitando que analice cientos de tabulaciones cruzadas y cuadros bivariados yuxtapuestos, identificando rápida y fácilmente las relaciones significativas entre las variables. Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

17

EJEMPLO DE APLICACIÓN DE CHAID Perfil de consumidores potenciales de Gelatinas después de la prueba Árbol de segmentación jerárquica descendente

KNOWLEDGE SEEKER DISPOSICION A COMPRAR UNA GELATINA LISTA PARA COMER

Sexo Estado Civil Nivel Socioeconómico Ocupación Ciudad Ve T.V. Oye Radio Lee periódico Tiene hijos . . . etc.

60%

40% D.F.

MONTERREY

20%

GUADALAJARA

60% HOMBRES

1%

Ciudad

20% MUJERES

20%

A/B

Autor: Prof. Rubén José Rodríguez

NO DISPOSICION A COMPRAR UNA GELATINA LISTA PARA COMER

Sexo

80%

CON HIJOS

SIN HIJOS

90%

10%

C

5%

D

94%

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

Tenencia de Hijos

NES

18

INTERPRETACIÓN DEL EJEMPLO DE CHAID Perfil del segmento de compradores potenciales Después de que los entrevistados probaron las gelatinas, se obtuvo que un 40% estarían dispuestos a comprar la gelatina, mientras que un 60% no estarían dispuestos a adquirirla. Si elegimos a esta variable como VD, queremos saber cuál es el perfil (segmento) que SI estaría dispuesto a comprarla, es decir, ¿ quién forma el grupo del 40% ?. Para esto, se ingresan muchas variables independientes VI en el modelo (Sexo, estado civil, ocupación, nivel socioeconómico, etc.), para que el CHAID encuentre las que significativamente se relacionan con la VD. El diagrama anterior nos dice que de todos los indicadores ingresados al modelo, encontró principalmente cuatro variables que predicen de manera significativa la disposición de compra de la gelatina; y que estas cuatro características formarán el perfil de nuestro comprador: Ciudad, Sexo, Tener Hijos y Nivel Socioeconómico ( mujeres, de Monterrey, con hijos y de NSE D).

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

19

ARGORITMO CHAID Estadística X2 (Chi cuadrado) X

2

( P ;gl )

H 0    i

 j

f

ij

 F ij



2

F ij

P  Valor de probabilidad que se observa en la relación entre el gl = f ij 

Fij =

Predictor y la VD que se presentará si el Predictor y la VD fueran estadísticamente independientes. Grados de libertad: (I-1)*(J-1), es decir, (columnas-1)*(filas-1) Frecuencia condicional o frecuencia empírica, valor que asume el Predictor y el Criterio en la celda ij. Frecuencia esperada o teórica bajo la hipótesis de independencia

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

20

P-Value

(Valor de probabilidad asociada a Chi cuadrado) (a) REGLA DE DECISIÓN  P-value:

Probabilidad asociada con la obtención de los resultados del estadístico X2 meramente por azar o casualidad. El P-value mide la credibilidad de que la H0 sea cierta. La posibilidad de que X2 sea debido al azar es igual al P-value. SPSS calcula el valor de X2 e indica la probabilidad –p-value- de que este estadístico haya sido obtenido por azar. Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

21

P-Value (Valor de probabilidad asociada a Chi cuadrado) (b) REGLA DE DECISIÓN  The result of the test X2 is a “p-value”. The p-value is the probability that the relationship is spurious, in statistical jargon this is the probability that the Null Hypothesis is correct.  The p-values for each cross-tabulation of all the independent variable are then ranked, and if the best (the smallest value) is below a specific treshold then that independent variable is chosen to split the root tree node.1 1Okell, Jamine. Neural Networks vs CHAID. En: www.relationship-marketing.com/crm_forum_write_papers Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

22

P-Value (Valor de probabilidad asociada a Chi cuadrado) (c) REGLA DE DECISIÓN

 Cuando esta probabilidad es inferior a 0,05, (P

α: Nivel de

Significación=5%)

se suele rechazar la hipótesis de independencia H0 de no relación entre las variables, para aceptar la hipótesis alternativa H1 ,que indica que la relación entre las variables existe y es estadísticamente significativa y no se debe al azar.

Si P-value < P α

Autor: Prof. Rubén José Rodríguez

 H0 y H1

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

23

PROCEDIMIENTO CHAID En cada etapa del análisis, CHAID divide el árbol en la variable del predictor que tenga el valor de probabilidad o p-value más bajo, siempre y cuando el valor p sea menor que el valor del nivel de significación (Pα = 0,05). Un valor p de 0,05 significa que la relación observada entre el predictor y la variable dependiente ocurrirá meramente por azar, y por lo tanto es poco probable que estén relacionadas.  Si el predictor obtiene un valor más bajo, es menos probable que se deba al azar, por lo tanto, cabe suponer que existe relación con la VD. Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

24

FORTALEZAS DE CHAID La VD requerida por el modelo debe ser una variable categórica (de nivel nominal u ordinal) Las particiones pueden ser dicotómicas o politómicas. Reduce la probabilidad de ser seleccionadas variables predictoras con muchas categorías. Reduce categorias fusionando aquellas que el algoritmo CHAID arroja como no significativas. Cuando las VI´s son ordinales requieren ser definidas como ´libres´ a los efectos de permitir todas las combinaciones dicotómicas posibles El investigador puede introducir una a una la variables predictoras para realizar la partición. No hace supuestos de normalidad de las variables. Los segmentos son funciones explícitas de las variables predictoras y pueden ser utilizadas para clasificar otras muestras.

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

25

DEBILIDADES DE CHAID  La

solución final obtenida contiene restricciones del proceso de partición.

las

 Tiene las limitaciones propios de la prueba X2.  Al ser un procedimiento clasificatorio divisivo, se requiere partir, estimativamente, de al menos 1000 casos.  Requiere un gran número de variables explicativas o predictores (VI’s) para realizar los análisis. Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

26

CHAID y DATA MINING EL DATA MINING  Es un conjunto de herramientas compuestas por técnicas estadísticas avanzadas y programas de inteligencia artificial (AI) que permiten al usuario acceder a los datos de la empresa y analizarlos.  La finalidad es extraer información del Data Warehouse para descubrir conocimientos (Knowledge Discovery). Se busca: • • • •

Autor: Prof. Rubén José Rodríguez

Identificar Segmentos de los clientes más rentables. Encontrar sus patrones históricos de consumo. Extraer perfiles de clientes y de compras tipo. Descubrir el modelo pronóstico del comportamiento de compra probable.

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

27

CHAID y DATA MINING CHAID (AnswerTree) tiene más ventajas que las técnicas tradicionales de Análisis Multivariado: Regresión Múltiple, Regresión Log-Lineal, Análisis Discriminante, y Análisis de Cluster. Es una poderosa herramienta de Data Mining porque permite descubrir (knowledge discovery) en grandes bases de datos: segmentos significativos, perfiles de segmentos, identificación de patrones de conductas, predicción de comportamientos del consumidor, ganancias en las acciones sobre el target group, aplicación de reglas de decisión de incluir elementos en un determinado segmento.

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

28

2ª Parte

ANSWER TREE 2.0.1 (1999)

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

29

ANSWER TREE 2.0.1

(1999)

 Es un programa de SPSS Inc. que es un algoritmo para identificar segmentos y que facilita la visualización de los mismos mediante: diagramas de árboles de segmentación, mapa del árbol, visor de nodos, gráficos de barras, tablas estadísticas de resumen, gráficos de Ganancias (Gains) y tabla de errores de clasificación (Misclassification).  En cada etapa del análisis, CHAID divide al árbol en la variable del predictor que tenga el valor de probabilidad más bajo o p-value, siempre y cuando el valor p sea menor que valor de significación estadística (0,05) o Pα. Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

30

ÁRBOLES DE CLASIFICACIÓN y SPSS 13.0 (2004) SPSS Inc. a partir de 2004 decide incorporar los algoritmos CHAID, C&RT y QUEST que formaban parte de módulo independiente ANSWER TREE, en el menú Análisis de SPSS 13.0 bajo sub-menú ÁRBOLES DE CLASIFICACIÓN. “ÁRBOLES DE CLASIFICACIÓN permite crear árboles de clasificación y decisión directamente en SPSS para ayudarle a identificar grupos y descubrir relaciones entre grupos y predecir eventos futuros. Se utiliza para segmentación, estratificación, predicción, reducción de datos, identificar interacciones, fundir categorías y categorizar variables continuas. Permite visualizar los resultados del modelo de árbol en la ventana del dendograma” (http://www.spss.com/classification_trees/analysis.htm) Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

31

EJERCICIO con ANSWER TREE VARIABLE DEPENDIENTE (Variable Explicada, Criterio, Variable Objetivo o Variable Target): CAMEST: En los últimos dos años ha cambiado (o no) de establecimiento comercial habitual donde realiza sus compras?.

VARIABLES INDEPENDIENTES (Variables Explicativa, Predictiva, Predictor, o Variable de Origen) : EDAD: 30 años, de 30 a 40, de 41 a 55 y más de 55 años. ESTUDIOS: Sin estudios, Primarios, FP-BUP, diplomado, licenciado. SEXO: Hombre o Mujer. SITUALABO: Situación empleado/desempleado.

laboral

del

cabeza

de

flia.:

NIÑOS-4: Pertenece a una flia. con o sin hijos menores de 4 años. ESTRUCF: Unipersonal, matrimonio sin hijos, matrimonio con hijos, bigeneracional, sólo hijos y otros. Fuente: www.ugr.es./~tluque >Ejemplo Libro >EJCHAID1.sav n = 2000 casos. Luque, Teodoro (2000): Técnicas de Análisis de Datos en Investigación de Mercado, Madrid, Piramide, pp. 361-370 . Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

32

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

33

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

34

PASO a PASO con AnswerTree 1. Abrir el programa AnswerTree 2. En la ventana de inicio indicar: Abrir el Overview, Abrir un Proyecto existente, o Abrir un Nuevo Proyecto. 3. Si es Nuevo Proyecto > Seleccionar la Fuente de Datos (SPSS data file.sav) > Abrir > Carpeta Project1 4. Asistente para definir el Método de Crecimiento del árbol: 4.1. CHAID, Exhaustive CHAID, C&RT, and QUEST 4.2. Ventana de definición de las Variables Target y Predictores. 4.3. Definición máximo nivel de profundidad del árbol y mínima cantidad de casos en los Nodos Padres y los Nodos Hijos 5. Crecimiento automático del árbol (Tree > Grow Tree)

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

35

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(1)

36

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(2)

37

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(3)

38

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(4)

39

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(5)

40

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(6)

41

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(7)

42

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(8)

43

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(9)

44

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(10)

45

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(11)

46

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(12)

47

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(13)

48

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(14)

49

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(15)

50

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(16)

51

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(17)

52

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(18)

53

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(19)

54

VENTANAS de AnswerTree

Nodo 3

Autor: Prof. Rubén José Rodríguez

(20)

Nodo 5

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

55

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(21)

56

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(22)

57

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(23)

58

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(24)

59

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(25)

60

VENTANAS de AnswerTree

(25)

Tabla de Ganancias (Node-by-Node) Tabla que resumen en una instantánea los segmentos del árbol con una descripción de cada variable y la contribución de cada segmento junto con el beneficio incremental. NODE: Identifica el número del nodo. NODE n: Indica el tamaño de cada nodo. NODE %: Expresa la proporción de cada nodo respecto de la muestra. RESP n: Indica el nº de casos pertenecientes a la categoría analizada. RESP %: Expresa la proporción de cada categoría representada en cada nodo sobre el total de la categoría en la muestra. GAIN %: Es la puntuación de ganancia de la categoría. Es la proporción de entrevistados de la categoría de cada nodo sobre el total de individuos que componen el segmento. INDEX %: Indica la relación entre la puntuación de ganancia de la categoría de cada segmento y la general de la muestra. Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

61

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(26)

62

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(27)

63

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(28)

64

VENTANAS de AnswerTree

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

(29)

65

Autor: Prof. Rubén José Rodríguez

Estadí Estadística II Licenciatura en Sociologí Sociología, UCES

66