105219

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Estudio Comparativo de las Metodologías Site Selection, Huff, MCI Caso de Estudio en el Centro-Norte de la ciudad de Quito, Ecuador

Comparative Study of Site Selection, Huff, MCI Case Study in the center-north area of Quito, Ecuador by/por

Ing MBA Iván Arturo Medina Rosero 11825899 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc Advisor ǀ Supervisor:

Anton Eitzinger PhD

Quito – Ecuador, 14 marzo 2021

Compromiso de Ciencia

Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Quito, 14 marzo 2021

(Lugar, Fecha)

(Firma)

AGRADECIMIENTO

Al finalizar esta investigación, que es el último trabajo del Master en GIS, dejo constancia de mi agradecimiento a todos quienes son parte del programa en la Universidad de Salzburgo, Austria y en la Universidad San Francisco de Quito, Ecuador; en especial a Karl Altzmanstofer quien estuvo en la dirección de esta tesis y fue un gran aporte durante toda la ejecución.

Mi especial reconocimiento a mi familia, que estuvieron en todo momento compartiendo, fundamentalmente, su tiempo para que lograra este nuevo reto profesional; son quienes me inspiran para seguir adelante y, con toda seguridad, formarán parte de mi próximo hito en la vida y todos los que deban venir. Agradezco la paciencia, motivación y acompañamiento de Katrina quien me acompaño durante muchas horas. Dejo este trabajo a Arianna y Martín como ejemplo y motivación en la consecución de los logros que se marquen en su propio camino, seguro que lograrán todo lo que se propongan.

4

RESUMEN En la actualidad, las empresas buscan ser cada vez más competitivas con el objetivo de lograr mejor penetración, mantener su presencia en el mercado o expandir territorialmente sus operaciones, pero siempre cuidando la eficiencia en las inversiones de tal manera que se logre el mejor revenue posible. Esta necesidad plantea un reto importante que se sustenta en la aplicación de las metodologías adecuadas que proporcionen información útil sobre el tamaño y la ubicación del mercado potencial, lo que implica la sinergia entre procesos de investigación de mercado y modelos de análisis geográfico, que dan lugar al Geomarketing.

En la presente investigación se evaluó tres metodologías (Site Selection, Huff y MCI) que presentan ese enfoque espacial para la cuantificación del mercado potencial, con la diferencia que la primera es netamente descriptiva mientras que las dos últimas son metodologías gravitacionales que se fundamentan en la atracción que ejerce un local sobre el mercado potencial. Los resultados obtenidos permitieron evidenciar que MCI resultó ser más preciso que Huff y Site Selection a la hora de determinar el tamaño de dicho mercado, especialmente porque permite considerar variables o características propias de la oferta (local, marca, precio, entre otros). Por su parte, los resultados pusieron de manifiesto que Site Selection tiende a sobre estimar considerablemente el tamaño del mercado potencial lo que se debe, principalmente, a que no considera la presencia de la competencia ni características explícitas del local y la oferta.

Palabras clave: Penetración de mercado, revenue, mercado potencial, modelos de análisis geográfico, Geomarketing, Site Selection, Huff, MCI.

5

ABSTRACT Currently, companies try to be increasingly competitive in order to gain market penetration, maintain their presence or expand their operations in a geographic perspective. It is a premise not to waste their resources in such a way that the best possible revenue be achieved. This is a real challenge when it comes to choose the appropriate methodology that provides useful information about the size of the potential market and its location, as well; this implies considering a synergy between market research processes and geographic analysis models, which give sense to Geomarketing.

This investigation considers three methodologies (Site Selection, Huff and MCI), all of them taking into account this spatial approach for evaluating the potential market.

The difference is that the first one is clearly descriptive while the last two are gravitational methodologies based on the attraction generated by a store on the potential market. The results showed MCI is the most precise methodology when it comes to computing de size of the market, because it considers the characteristics of the store (the store itself, brand, price, etc.). On the other hand, Site Selection tends to overestimate the size of the potential market due to fact that it does not consider the presence of competition or the characteristics of the offer.

Keywords: Market penetration, revenue, potential market, geographic analysis models, Geomarketing, Site Selection, Huff, MCI.

6

CONTENIDO 1. INTRODUCCIÓN ............................................................................................. 11 1.1. ANTECEDENTES DEL PROBLEMA....................................................... 12 1.2. OBJETIVOS ............................................................................................ 14 1.2.1. Objetivo general ............................................................................ 14 1.2.2. Objetivos específicos .................................................................... 14 1.3. PREGUNTAS DE INVESTIGACIÓN ....................................................... 14 1.4. HIPÓTESIS ............................................................................................. 15 1.5. JUSTIFICACIÓN ..................................................................................... 15 1.6. ALCANCE ............................................................................................... 17 2. REVISIÓN DE LITERATURA ........................................................................... 19 2.1. MARCO TEÓRICO ................................................................................. 19 2.1.1. Site Selection ................................................................................ 21 2.1.2. Modelos gravitacionales (Modelo Huff) ......................................... 22 2.1.3. MCI ............................................................................................... 27 2.1.4. Estimación de Ingreso potencial .................................................... 30 2.2. MARCO HISTÓRICO .............................................................................. 31 2.3. MARCO METODOLÓGICO .................................................................... 34 3. METODOLOGÍA .............................................................................................. 37 3.1. DESCRIPCIÓN DEL ÁREA DE ESTUDIO .............................................. 37 3.2. FLUJOGRAMA DE LA METODOLOGÍA ................................................. 39 3.3. APLICACIÓN METODOLÓGICA ............................................................ 41 3.3.1. Selección y descripción de variables ............................................. 41 3.3.2. Encuestas ..................................................................................... 43 3.3.3. Implementación de la Geodatabase .............................................. 48 3.3.4. Aplicación de metodologías .......................................................... 49

7

3.3.5. Prueba de hipótesis ...................................................................... 63 4. RESULTADOS Y DISCUSIÓN......................................................................... 64 4.1. DISCUSIÓN DE LOS RESULTADOS OBTENIDOS CON EL MODELO SITE SELECTION .................................................................. 66 4.2. DISCUSIÓN DE LOS RESULTADOS OBTENIDOS CON EL MODELO HUFF ..................................................................................... 67 4.3. DISCUSIÓN DE LOS RESULTADOS OBTENIDOS CON EL MODELO MCI ........................................................................................ 68 5. CONCLUSIONES Y RECOMENDACIONES ................................................... 69 6. REFERENCIAS ............................................................................................... 71

8

GLOSARIO

MCI

Multiplicative Competitive Interaction

INEC

Instituto Nacional de Estadística y Censos

PYMEs

Pequeñas y Medianas Empresas

NSE

Nivel Socio Económico

GDB

Geodatabase

9

LISTA DE FIGURAS

Figura 1. Polígonos de Thiessen ......................................................................... 23 Figura 2. Área de estudio .................................................................................... 37 Figura 4. Mapeo de encuestas ............................................................................ 46 Figura 5. Datos socio-demográficos en la geodatabase ...................................... 48 Figura 6. Query para Site Selection .................................................................... 52 Figura 7. Mapeo de las manzanas resultantes de la Metodología Site Selection .............................................................................................. 53 Figura 8. Mapeo de todos los locales de la competencia .................................... 55

10

LISTA DE TABLAS

Tabla 1. Ejemplo de datos para aplicación de modelos gravitacionales .............. 26 Tabla 2. Resultados comparativos de los modelos Huff y MCI ............................ 30 Tabla 3. Variables independientes utilizadas para cada metodología ................. 42 Tabla 4. Parámetros para el cálculo del tamaño de la muestra ........................... 44 Tabla 5. Estadísticos descriptivos en base a las encuestas ................................ 47 Tabla 6. Resultados Site Selection ...................................................................... 52 Tabla 7. Área de todos los locales de estudio ..................................................... 54 Tabla 8. Ejemplo de la Tabla Distancias ............................................................. 56 Tabla 9. Cantidad de hogares potenciales para el Local Propio según Huff ........ 57 Tabla 10. Cantidad de hogares potenciales para el Local Propio según MCI ...... 63 Tabla 11. Comparación de resultados ................................................................. 63 Tabla 12. Diferencias porcentuales de resultados ............................................... 65

11

1. INTRODUCCIÓN En el contexto de los estudios de mercado tradicionales se busca definir las características de un mercado objetivo y conocer su tamaño; para ello se pretende contar con información suficiente para adoptar una estrategia comercial o tomar una decisión fundamentada en un proceso de toma de datos, su análisis y su interpretación (Bicgalicia.org). Si al tamaño del mercado se añade metodologías relacionadas con su distribución espacial, la información es mucho más rica y las decisiones mucho más sustentadas.

Para lograr información sobre el tamaño de un mercado objetivo, se ha desarrollado varias metodologías de Geomarketing que proporcionan la caracterización, cuantificación y distribución de un mercado determinado; ellas permiten determinar la ubicación espacial de aquellos nichos de mercado de mayor interés para una campaña de penetración o expansión de la actividad comercial.

Según los procesos y herramientas utilizadas, estas metodologías se las puede clasificar en dos tipos: Investigación primaria e investigación secundaria de mercado (Bhat, 2019). El primer tipo se fundamenta en recoger datos directamente del mercado mediante entrevistas, encuestas y otros instrumentos, mientas que el segundo tipo emplea metodologías para identificar el mercado potencial en base a datos secundarios.

El hecho es que muchas empresas prefieren utilizar el segundo tipo de investigación de mercado por ser más rápido y económico; de ahí que nace la necesidad de saber si también es asertivo en cuanto a la cantidad de mercado encontrado y su distribución espacial. Es por ello que se plantea la presente investigación para saber con qué nivel de certeza las metodologías de Investigación Secundaria de Mercado permiten obtener resultados confiables en la determinación de un mercado potencial.

En el tema específico de las metodologías de análisis de mercado se observa que desde hace varios años se ha aplicado varias de ellas, aunque no necesariamente

12

desde la perspectiva geográfica, es decir, mediante el uso tanto de métodos de estudio de variables regionalizadas como de herramientas específicas para su tratamiento como son los Sistemas de Información Geográfica. Ejemplos de estas metodologías, aplicadas en la actualidad, sin limitarse a ellos, pueden ser el Target Marketing, Related Marketing, Micro Marketing (Webster, 1999), Geoprospecting, Site Selection, Huff, MCI.

En los últimos años se ha incursionado con mucho éxito en el uso de los Sistemas de Información Geográfica para la implementación de las metodologías mencionadas, con lo que se puede usar una mayor cantidad de datos así como definir el comportamiento espacial de los mismos y su interrelación, aspectos que han llevado a incrementar la calidad y precisión de los resultados obtenidos (Bocalandro & Krauthamer, 2007).

La presente investigación se centra en tres modelos que tienen un enfoque netamente espacial: Site Selection, Huff y MCI que, como se puede observar, se clasifican dentro del tipo de Investigación Secundaria de Mercado ya que “usa información

que

está

organizada

en

fuentes

externas

como

agencias

gubernamentales, medios, cámaras de comercio, etc.” (Bhat, 2019, ¶ 15).

Con base en lo expuesto, la presente es una investigación comparativa de tres metodologías (Site Selection, Huff y MCI) en un caso de estudio de mercado para venta de vino de alta calidad aplicado en el sector comercial del Parque La Carolina en el centro-norte de la ciudad de Quito, Ecuador. Los resultados de las tres metodologías de Investigación Secundaria serán comparados contra una Investigación Primaria de Mercado llevada a cabo mediante encuestas en el mismo sector de estudio.

1.1. ANTECEDENTES DEL PROBLEMA A primera vista, la existencia de varias metodologías de Geomarketing es una ventaja en el sentido de tener muchas alternativas para realizar este tipo de estudios, sin embargo, esa misma variedad metodológica crea un nivel de dificultad

13

a la hora de elegir por una u otra y ello se agrava cuando el analista se enfrenta a la realidad de la disponibilidad de datos secundarios, como es el caso propuesto, ya que se trata de metodologías que corresponden a una Investigación Secundaria de Mercado (Bhat, 2019). Frente a este planteamiento se configura un problema de decisión al momento de optar por una metodología adecuada que conduzca a información válida que justifique la inversión en la investigación misma y, lo que es más importante en la práctica de los negocios, que genere valor agregado de importancia que apalanque el crecimiento del negocio.

De cara al problema planteado existen varias metodologías de investigación secundaria de mercado, como las indicadas anteriormente (Site Selection, Huff y MCI), que se las puede enfocar en el consumo de vino de alta calidad en el sector comercial del Parque La Carolina en el centro-norte de la ciudad de Quito, Ecuador. con la finalidad de evaluar la cantidad de clientes potenciales.

Para abordar este tipo de problemas, desde su perspectiva global, se utiliza diseños de investigación de tipo no experimiental, transeccional. Es decir, mediante la toma de datos en un solo tiempo y que, además, sean tanto descriptivos como correlacional-causales, lo cual aterriza en la aplicación de métodos como los indicados a continuación y que permiten abordar las distinas fases de investigación como la que se propone llevar a cabo.

En primer lugar, la aplicación de un método netamente descriptivo permite comprender el alcance y procedimientos de las metodologías seleccionadas, de tal manera que se siente las bases suficientes para poder llevar a cabo su aplicación en el sector de estudio.

Por otro lado, el método inductivo facilita la cuantificación del mercado potencial total dentro de un sector de estudio con base en un perfil definido en el proceso, lo cual es muy común complementarlo con un método analítico que permite estudiar cada una de las variables involucradas, esto es, en una primera instancia de manera separada para luego analizar las relaciones de las mismas.

14

Finalmente, un método estadístico muestral permite comparar los resultados obtenidos por cada metodología con el mercado potencial real para lo que se define lo que se conoce como la unidad muestral en términos estadísticos y que para este investigación viene a ser la manzana.

1.2. OBJETIVOS 1.2.1. Objetivo general

Comparar cuantitativamente las metodologías de Geomarketing Site Selection, Huff y MCI en un estudio de mercado para venta de vino de alta calidad aplicado en el sector comercial del Parque La Carolina en el centro-norte de la ciudad de Quito, Ecuador.

1.2.2. Objetivos específicos 

Aplicar tres metodologías de Geomarketing (Site Selection, Huff y MCI) en un caso de estudio de mercado para venta de vino de alta calidad en el sector comercial del Parque La Carolina en el centro-norte de la ciudad de Quito, Ecuador.



Calcular la cantidad de clientes potenciales mediante la aplicación de las tres metodologías propuestas (Site Selection, Huff y MCI) en el caso de estudio planteado.



Evaluar, de manera comparativa, los resultados obtenidos por cada una de las metodologías aplicadas en el caso de estudio planteado, con base en la cantidad de clientes potenciales identificados.

1.3. PREGUNTAS DE INVESTIGACIÓN Como una guía para el desarrollo de la investigación, se plantea las siguientes preguntas:

15



¿Cuál es la cantidad de clientes potenciales encontrados en el caso de estudio planteado, mediante la aplicación de las metodologías Site Selection, Huff y MCI?



¿Cuál es la diferencia más significativa de los resultados cuantitativos con clientes potenciales obtenidos con las tres metodologías planteadas en el caso de estudio?

1.4. HIPÓTESIS Como se menciona en el planteamiento del problema, los resultados de la aplicación de las metodologías propuestas podrían variar significativamente y es esto precisamente lo que se pretende demostrar con esta investigación; de ahí que la hipótesis de estudio se plantea de la siguiente manera:

Existen diferencias significativas en los resultados cuantitativos provenientes de la aplicación de las metodologías Site Selection, Huff y MCI en un estudio de Geomarketing enfocado en la venta de vino de alta calidad en el sector comercial del Parque La Carolina en el centro-norte de la ciudad de Quito, Ecuador.

1.5. JUSTIFICACIÓN Tanto para las empresas ya en operación, como son aquellas que buscan mantener su presencia en el mercado o expandir sus operaciones, así como para aquellas que pretenden iniciar con la implementación de una idea siempre se presenta el dilema de en dónde invertir con miras a lograr el mejor revenue posible frente al monto de la inversión.

Este planteamiento requiere un trabajo dedicado que permita encontrar datos, ordenarlos y, sobretodo, analizarlos para generar información útil para la toma de una decisión final. Esto implica llegar a conocer potenciales clientes, ubicar y evaluar la competencia, los proveedores y demás elementos del negocio (Peñalver,

16

2009), tarea que lleva asociado un nivel de incertidumbre que debe ser minimizado con la aplicación de la metodología adecuada (Roig, 2103).

Se puede ver,

entonces, que todo ello demanda una inversión importante en recursos materiales, intelectuales y económicos que no pueden ser dedicados sin que se tenga un retorno importante.

Por lo expuesto, se presenta la necesidad imperiosa de estudiar aquellas metodologías existentes y que están directamente relacionadas con los Sistemas de Información Geográfica, como herramientas de análisis espacial, es decir, aplicar metodologías de lo que se conoce como Geomarketing. Estas metodologías involucran la búsqueda de soluciones estratégicas mediante el uso de modelos de análisis geográfico para estudiar tanto elementos como fenómenos distribuidos de manera espacial (Melnyk & Nyzhnyk, 2018).

Existen varios casos en los que se aplica estas metodologías para llegar a generar información útil para un negocio; y esa información es la base para la toma de decisiones como apertura de nuevos locales, expansión del mercado mediante visitas de campo a clientes, entre otras. Todas ellas implican la inversión importante de recursos económicos que, en la mayor parte de los casos, son escasos; por ello es tan importante evaluar dichas metodologías en el área específica de interés a fin de poder identificar aquellas que dan los mejores resultados en el medio local.

Solamente mediante la evaluación de las metodologías propuestas se cuenta con argumentos probados para poder aplicar las mejores de ellas con los clientes locales, lo que redunda en un mayor beneficio y más seguridad en la toma de decisiones comerciales con información que proviene de técnicas adecuadas para una realidad local.

Desde la perspectiva del cliente, información de mayor calidad en cuanto a la ubicación espacial del mercado potencial, es decir con mayor exactitud, se revierte en decisiones que le llevan a lograr mejor penetración del mercado; esto es vital para cualquier empresa comercial en un ambiente competitivo y con niveles de incertidumbre como el actual.

17

1.6. ALCANCE La definición del alcance de esta investigación se lo hace desde una perspectiva de los conceptos que en este mismo acápite se va introduciendo y que son ampliamente desarrollados en los capítulos siguientes; por ello que en los siguientes párrafos se puede observar que se inicia con la incorporación de estos conceptos como son las variables espacializadas, el dominio y el soporte.

En un contexto de estudios de geo mercados queda claro que éstos se enmarcan en lo que se conoce como Modelos de Geolocalización (Cruz Bello & Montejano Escamilla, 2018). Estos modelos pueden ser aplicados a diversas áreas de la investigación cuyo objetivo es estudiar el comportamiento de las variables en un dominio geográfico así como la relación que existe entre las mismas considerando su distribución espacial; de hecho, estas variables son consideradas como variables espacializadas ya que cumplen con la condición de que se las define (tienen valores) en distintos puntos de un espacio de estudio que, en este caso, es definido como un espacio geográfico bidimensional.

Las variables espacializadas son funciones determinísticas que tienen dos características importantes: por un lado presentan una cierta continuidad espacial, es decir, presentan valores en toda el área de estudio y, por otro, su variación es irregular (Emery, 2013); de ahí la necesidad de definir lo que se conoce como el dominio y el soporte de los datos, conceptos importantes e íntimamente relacionados con el alcance de un estudio espacial.

El dominio, aplicado al tema espacial bidimensional, está identificado por el área de estudio, lo que plantea la necesidad de definir siempre este dominio en el cual se aplicará cualquier metodología geo estadística.

Por su parte, el soporte está

relacionado con la variación irregular de los datos, que es un fenómeno localizado de los mismos, y se lo aborda mediante la definición de una unidad espacial mínima para un estudio de este tipo; esta unidad mínima también se conoce como el

18

soporte de los datos y es de vital importancia haberla definido antes de iniciar la investigación.

Planteados así estos dos últimos conceptos básicos que permiten marcar el alcance espacial y de detalle, respectivamente, para la presente investigación se define como dominio el sector comercial del Parque La Carolina en el centro-norte de la ciudad de Quito, y como soporte, o unidad mínima de análisis, la manzana.

Esto se justifica ya que es en este entorno donde se ubica tanto el mercado potencial como la competencia y, además, se define lo que se conoce como la escala o detalle de la investigación.

Así, el alcance del presente trabajo empieza por identificar el área de estudio (dominio) como el sector comercial del parque La Carolina, en el centro-norte de Quito, Ecuador, mientras que la escala o precisión del estudio (soporte) está definida por la manzana. Por otro lado, en cuanto al tipo de resultados, el alcance se enfoca en aplicar las metodologías Site Selection, Huff y MCI para obtener resultados cuantitativos, es decir, la cantidad de clientes potenciales para el vino de alta calidad.

19

2. REVISIÓN DE LITERATURA 2.1. MARCO TEÓRICO El Geomarketing combina las técnicas de estudios de mercado con aquellas características de geolocalización de sus elementos constitutivos como son los clientes y la competencia, entre otros, según el caso de estudio. Es decir, surgen metodologías que combinan tanto el Marketing como la Geografía y otras disciplinas, como la Geoestadística, para dar nacimiento al Geomarketing que, con el desarrollo tecnológico, se ve reforzado con el uso de los Sistemas de Información Geográfica que facilitan el tratamiento de grandes volúmenes de datos de mercado de una manera totalmente georreferenciada.

Su aplicación se focaliza en

desarrollar tareas como (Bocalandro & Krauthamer, 2007): 

Segmentar y ubicar geográficamente a los clientes, acorde con la oferta de productos, con la finalidad de focalizar los esfuerzos de mercadeo y de localización de nuevas sucursales.



Identificar puntos de venta, sucursales, distribuidores y competencia.



Definir rutas óptimas (de distribución y de aprovisionamiento para la producción).



Determinar los mejores sitios para ubicar nuevas sucursales o proponer la relocalización de la actuales.

La tarea de segmentar y ubicar geográficamente a los clientes está relacionada con el conocimiento, al mayor detalle posible y de manera pragmática, de cada uno de los tipos o grupos de clientes. Para ello es necesario conocer el perfil de los individuos que forman parte de cada grupo, es decir, los atributos que caracterizan a dichos individuos, como pueden ser estilos de vida, comportamiento crediticio, nivel de ingreso e, inclusive, hábitos de consumo, entre otros (Cliquet, 2006).

20

Según un individuo tenga características (atributos) dentro de un rango determinado pasará a formar parte de un grupo o segmento de clientes. Contar con un mercado segmentado tiene varias ventajas como es el lograr una mejor orientación hacia grupos realmente potenciales de clientes con productos que tienen una mayor probabilidad de satisfacer sus necesidades lo que decanta en un aumento en las ventas y reducción de costos (Thompson, 2005), lo cual se conoce también como Target Marketing en donde los productos son desarrollados específicamente para el segmento de interés (Camilleri, 2018).

Claro que esta forma de segmentar la población se basa en el conocimiento de los atributos de cada individuo, pero muchas veces no se puede tener todos esos atributos de toda la población de forma individualizada, ante lo cual se acude a técnicas de inferencia mediante la vinculación de los individuos con espacios característicos a través de la geolocalización de su sitio de residencia (Longley & Mateos, 2005).

Los atributos que caracterizan a los individuos provienen de dos tipos de fuentes que son las internas y las externas. Las fuentes internas son los datos que tiene una empresa en marcha sobre sus clientes, es decir, qué compran, con qué frecuencia, qué montos, dirección de residencia, etc.; y las fuentes externas están constituidas por datos públicos o de otras empresas dedicadas a recabarlos, como son el nivel socio económico, ingreso promedio, monto y tipo de gasto, edad, nivel de endeudamiento (Botero Ardila, 2011). Los dos tipos de datos sustentan los estudios, además que en su mayor parte están relacionados con una ubicación (Doyle, 2001). Sin embargo, es necesario puntualizar que en el caso de nuevos negocios un estudio de Geomarketing se fundamenta en fuentes externas exclusivamente.

La segmentación ejecutada sobre una población determinada, unida a la identificación de puntos de venta, distribuidores, competencia, así como la disponibilidad de rutas óptimas, constituyen los datos básicos con los cuales se puede aplicar distintos tipos de metodologías de Geomarketing para la localización

21

georreferenciada de mercados potenciales, de las cuales se aplica tres en este trabajo: Site Selection, Huff, MCI, cuyo fundamento teórico se describe a continuación.

2.1.1. Site Selection

El aspecto fundamental para la ubicación de un negocio de retail es que cuente con la visibilidad y exposición adecuada frente a su mercado objetivo (Entrepreneur, 2019). Pero además, metodologías como Site Selection se enfocan en encontrar ubicaciones que cumplan con características mínimas en términos de demografía, presencia de comercio, tráfico, facilidades, entre otras, para la apertura de un local o la cuantificación de un mercado potencial (Ladle, Stiller, & Stiller, 2009).

De este planteamiento se puede comprender que para aplicar la metodología Site Selection es importante identificar esas características mínimas que, finalmente, vienen a convertirse en las variables de análisis para la ubicación de un local comercial de manera adecuada o, como en el presente estudio, la cuantificación de un mercado potencial; y la elección de estas variables depende del tipo de negocio al cual va a ser aplicado el estudio (Abulola, 2018).

En este punto es importante identificar tanto variables cuantitativas como cualitativas que se relacionarán entre sí para evaluar el mercado potencial.

Variables cuantitativas consideradas para este trabajo han sido la Densidad Poblacional, el Ingreso Promedio Familiar, el Gasto Promedio en Bebidas Alcohólicas; y la variable cualitativa ha sido el Nivel Socioeconómico Predominante (Wang, Fan, & Wang, 2018). Todas estas variables deben cumplir con criterios mínimos como que el ingreso familiar sea superior a cierto valor o que el nivel socio económico predominante se B, de tal manera que sean de interés para el negocio.

Una vez identificadas las variables y sus condiciones se procede a ejecutar el estudio en dos fases: una a nivel macro y la otra a nivel micro (Linder, 2009). La primera fase, que se ejecuta a nivel macro, dará como resultado la ubicación de varios sitios potenciales en toda el área de estudio (en el dominio) y que se ejecuta

22

de tal manera que dichos sitios potenciales cumplan con los valores mínimos establecidos para las variables cuantitativas identificadas. La segunda fase, a nivel micro, se la ejecuta de tal manera que se elija aquellos sitios que cumplen con las condiciones establecidas para las variables cualitativas.

Aquellos sitios que cumplan con las condiciones de análisis, tanto en la fase macro como en la fase micro, serán los candidatos para el establecimiento del negocio en estudio y cada uno de los sitios deberá ser priorizado según sobrepase las condiciones mínimas de las variables identificadas (Waite & Shrewsbury, 2014).

Finalmente se deberá a cuantificar el mercado potencial total, así como la presencia de la competencia para fines de establecer el marketing share de cada sitio, además de características propias como presencia de proveedores, entre otras.

Con ello se definirá la mejor ubicación para el local en estudio (Plan Negocios Perú, 2020).

2.1.2. Modelos gravitacionales (Modelo Huff)

El modelo de Huff es considerado como uno de los modelos gravitacionales que se fundamentan en la atracción, en términos espaciales, que ejerce un determinado local (puede ser un local o un centro comercial) sobre la población o mercado (Douard & Heitz, 2004).

Este concepto de atracción trae a la mente una

dependencia de la masa y la distancia que, aplicado al estudio de mercados, se relaciona con el tamaño u oferta de un local y su distancia a los potenciales clientes (Chasco Yrigoyen M. , 2014).

A pesar que en una primera instancia se tiende a pensar en la distancia como la magnitud de un vector lineal (longitud de la recta que une dos puntos), en los estudios de Geomarketing esa distancia tiene otras características o dependencias como aquellas involucradas en la concepción de un espacio como superficie heterogénea e influenciada por otra fuerzas y variaciones como pueden ser la dificultad de traslado debido a aglomeraciones, zonas peligrosas, entre otras (Candido, 2017).

23

Con esta base conceptual, los modelos gravitacionales están enfocados en dos aspectos: la delimitación de zonas de captación y la estimación de la parte del mercado potencial al que se puede acceder dentro de dichas zonas. Aplicado al Geomarketing, la metodología identifica varios modelos entre los que se puede citar: Polígonos de Thiessen, Modelo de Reilly, Modelo de Huff (Cerda Troncoso, 2009).

Polígonos de Thiessen es un método que considera solamente la distancia entre dos o más sitios comerciales por lo que no estima diferencias en cuanto a la atracción que dichos sitios pueden ejercer debido a su oferta, tamaño u otra variable; por tanto, definen solamente el área natural alrededor del local comercial (Yarosh, 2019) como se puede ver en la Figura 1.

Figura 1. Polígonos de Thiessen Elaboración propia

El Modelo de Reilly, por su parte, se fundamenta directamente en la Ley de Atracción de Newton y, por tanto, sí se considera un modelo gravitacional (Montejano & Cruz Bello, 2018). Esto quiere decir que establece el Potencial de Atracción que ejerce un local “i” sobre un cliente potencial “j” como directamente proporcional a la atracción del local (que puede ser expresada en términos de variedad de oferta, calidad de los productos, atención, tamaño físico del almacén, u otros aspectos que generan atracción comercial a los potenciales clientes) e

24

inversamente proporcional al cuadrado de la distancia entre el local “i” y el cliente “j”, misma que puede ser calculada como Distancia Euclidiana, Distancia Manhattan o Distancia con Restricciones . Este concepto es muy utilizado para la creación de Centros Comerciales (Malls) para lo cual se considera que aquel que tiene más locales comerciales (mayor área) ejerce mayor atracción que otro con menor cantidad de ellos, es decir, menor área total (Rosu, 2013).

Estos planteamientos llevan a definir lo que se conoce como el Potencial de Atracción (P) que ejerce un local comercial “i” para un cliente “j”, y que puede ser calculado en todo el dominio de estudio mediante la aplicación de la siguiente expresión (Calvat, Falguiere, & Haddouche, 2008):

𝑃𝑗 = ∑ 𝑖

𝐴𝑖 2 𝑑𝑖𝑗

𝑃𝑗 : Potencial de Atracción ejercido por un local “i” sobre un cliente potencial “j”. 𝐴𝑖 : Atracción que ejerce un local “i” calculado, teóricamente, en función de variables intrínsecas como: variedad de oferta, calidad de los productos, atención, tamaño físico del almacén, etc. En la práctica se utiliza una sola variable que es el tamaño físico del almacén (área).

𝑑𝑖𝑗 : Distancia desde el cliente “j” hasta el local “i” de estudio. En términos de variables espacializadas, el cliente “j” viene a ser el soporte (manzana para el presente estudio).

Se ha expuesto el Modelo de Reilly con detalle debido a que el Modelo Huff se fundamenta en él, con el concepto adicional de estimar la probabilidad que los clientes potenciales acudan al sitio comercial (Alhabeeb, 2019). Esta probabilidad se expresa como la relación que existe entre el Potencial de Atracción del local en estudio respecto al Potencial de Atracción total que ejercen todos los locales comerciales “h” que compiten en el mercado (incluido el local en estudio) para un

25

cliente “j”. Con base en el planteamiento expuesto por Mitriková (2015), en la presente investigación se expresa el Modelo Huff de la siguiente manera:

𝑃𝑖𝑗 =

𝐴𝑖 2 𝑑𝑖𝑗 ∑𝑛ℎ=1

𝐴ℎ 2 𝑑ℎ𝑗

𝑃𝑖𝑗 : Potencial de Atracción que ejerce el local de estudio “i” sobre un cliente potencial “j”.

𝐴𝑖 : Atracción que ejerce el local de estudio “i” sobre los clientes potenciales “j”, estimado en función del área del local.

𝑑𝑖𝑗 : Distancia desde el cliente potencial “j” hasta el local de estudio “i”. En términos de variables espacializadas, el cliente “j” viene a ser el soporte (manzana para el presente estudio).

𝐴ℎ : Atracción que ejerce cada local “h” de la competencia sobre el cliente potencial “j”. La sumatoria incluye a todos los locales que compiten en el mercado (incluido el local de estudio). En la práctica, para este modelo, siempre se utiliza el área de cada local.

𝑑ℎ𝑗 : Distancia desde el cliente potencial “j” hasta cada uno de los locales “h”. De igual manera, el cliente “j” es el soporte (manzana) y “h” representa a todos los locales que compiten en el mercado (incluido el local de estudio).

𝑛:

Cantidad de todos los locales comerciales que compiten en el mercado (incluido el local de estudio).

La ventaja del Modelo Huff es que permite estimar la participación de un negocio en el mercado, como lo manifiesta Calvat (2008):

26

“La probabilité fournie par le modèle de Huff est indifféremment interprétée comme la part des individus du lieu j qui feront leurs achats en i, comme la part des achats qu'un individu fera au point d'offre (zapping) ou comme la part des achats que les individus du lieu j feront en i.”

Para dejar en claro la forma de aplicación de este modelo se considera el siguiente ejemplo, en donde se tiene tres locales (h = 1, 2, 3). En la Tabla 1 se ha consignado valores no reales para efectos de clarificar la aplicación del modelo que servirán tanto para el modelo Huff como el modelo MCI. Tabla 1. Ejemplo de datos para aplicación de modelos gravitacionales LOCALES

AREA DEL LOCAL

NIVEL DE PRECIOS

CALIDAD DEL SERVICVIO

DISTANCIA AL CLIENTE POTENCIAL j

(h)

(en metros cuadrados)

(valores más altos indican precios comparativos mayores)

(valores más altos indican un mejor servicio)

(en metros)

1

1,200

7

10

500

2

800

10

7

300

3

500

5 Elaboración propia

6

100

Con los datos de la Tabla 1 el modelo Huff arroja el siguiente resultado para el local 1 (tener presente que el modelo Huff toma en cuenta solamente el área del local como atracción): 1,200 5002 𝑃1𝑗 = 1,200 800 500 + + 5002 3002 1002 𝑃1𝑗 = 0.0754 = 7.54%

27

2.1.3. MCI

El Modelo de Interacción Competitiva MCI es una variación del modelo de Huff en el sentido que permite considerar más variables que la atracción y la distancia para estimar la decisión de un cliente potencial “j” por un local comercial de oferta “i”. Lo interesante es que dichas variables pueden ser de diferente tipo (Retailer, MKT, 2019).

“La fórmula permite añadir todas las variables, tanto objetivas como subjetivas que se pretenda estudiar, además de las ya conocidas de superficie de venta y distancia hasta el establecimiento.”

Así, el Modelo de Interacción Competitiva incorpora lo que se conoce como el cociente de utilidades u ofertas que es el producto de las variables que intervienen en el modelo y que definen el nivel de atracción de un local, como indica su expresión matemática que se la expone para el presente estudio con base en lo planteado por Retailer (2019):

𝑃𝑖𝑗 =

𝑠 ∏𝑚 𝑘=1 𝐴𝑖𝑘 𝑞

𝑑𝑖𝑗



1 𝑠 ) (∏𝑚 𝐴ℎ𝑘 𝑘=1 𝑛 ∑ℎ=1 [ ] 𝑞 𝑑𝑙𝑗

𝑃𝑖𝑗 : Potencial de Atracción que ejerce un local “i” sobre un cliente potencial “j”. :

Operador producto. En este caso se aplica a todas las variables intrínsecas “k” que definen la atracción de los locales comerciales.

𝑚: Cantidad de variables intrínsecas que definen la atracción de los locales comerciales. Deben ser las mismas variables para todos los locales. Por ejemplo, para el caso de centros comerciales las variables pueden ser el área de cines, el área de patio de comida, cantidad de locales; mientras que para

28

un local fuera de un centro comercial (como el presente caso de estudio) puede ser el área total del local, parqueaderos, variedad de productos, etc.

𝐴𝑖𝑘 : Atracción que aporta cada variable intrínseca “k” al local “i”. Es importante utilizar valores numéricos enteros positivos, ya que éstos son afectados por el valor del parámetro “s”, que se lo define a continuación. Algo muy importante también, es que estos valores deben estar normalizados para todas las variables, es decir, deben estar expresados en un mismo rango.

𝑠:

Parámetro que define cómo aporta cada variable intrínseca “k” en la Atracción o Rechazo del local “i”. Es importante comprender la aplicación de este parámetro, lo que se puede definir de la siguiente manera: “s” positivo y grade:

Aporte muy grande. Aumenta la atracción de forma considerable.

“s” positivo y pequeño:

Aporte pequeño. Aumenta la atracción, aunque de forma muy pequeña.

“s” negativo y pequeño:

Disminución pequeña. Se utiliza para variables que son contraproducentes a la atracción, como zonas de alto riesgo.

“s” negativo y grande:

Disminución muy grande, lo que quiere decir que con un valor “s” negativo y muy grande la variable, en lugar de aumentar la atracción, disminuye lo atractivo que es el local.

Nota: Valores “s” negativos se los utiliza en casos muy especiales para considerar el “rechazo” de los potenciales clientes a acudir al local.

Por ejemplo, el caso de un centro comercial que está en un área de la ciudad que se ha trasformado en un sector de alto nivel de criminalidad.

29

𝑑𝑖𝑗 : Distancia desde el cliente “j” hasta el local de estudio “i”. En términos de variables espacializadas, el cliente “j” viene a ser el soporte (manzana para el presente caso).

𝑞:

Parámetro que define la influencia que tiene la distancia desde el local “i” hasta el cliente “j”. Mientras mayor es el valor de “q” menor Potencial de Atracción ejerce el local sobre el cliente. Como MCI también pertenece a la categoría de modelos gravitacionales, muchos investigadores utilizan el valor de 2 para este parámetro.

:

Operador sumatoria. En este caso se aplica a todos los locales “h” que compiten en el mercado, incluido el local de estudio.

𝑛:

Cantidad de todos los locales comerciales que compiten en el mercado, incluido el local de estudio.

Al igual que en el modelo anterior, para ejemplificar la aplicación del modelo MCI se utiliza los datos de la Tabla 1 para el caso del local 1. El resultado es el siguiente:

1,2001 ∗ 7−1 ∗ 101 1 ][ ] 𝑃1𝑗 = [ 1 −1 1 1 2 1,200 ∗ 7 ∗ 10 800 ∗ 10−1 ∗ 71 5001 ∗ 5−1 ∗ 61 500 + ∗ 5002 3002 1002 𝑃1𝑗 = 0.0931 = 9.38%

Para ejemplificar, se ha aplicado tanto el Modelo Huff como el Modelo MCI a los tres locales cuyos datos se encuentran en la Tabla 1. Los resultados comparativos se encuentran expuestos en la Tabla 2, a continuación, en donde se puede observar que el Modelo MCI genera ciertos cambios respecto al Modelo Huff. Esto se debe a que Huff considera solamente el área del local y la distancia, mientras que MCI considera otras variables adicionales como, en este ejemplo, el precio y la calidad del servicio.

30

Tabla 2. Resultados comparativos de los modelos Huff y MCI LOCAL

Huff

MCI

1

7.54%

9.38%

2

13.96%

8.51%

3

78.51%

82.10%

TOTAL

100.00% 100.00% Elaboración propia

2.1.4. Estimación de Ingreso potencial

Como se puede observar, tanto el modelo Huff como MCI dan como resultado el porcentaje de participación en un territorio, lo cual es sumamente interesante ya que permite estimar el ingreso que un local podría obtener si se instala en un sitio determinado (Calvat, Falguiere, & Haddouche, 2008).

De hecho, los censos económicos proporcionan los valores por tipo de gasto; un ejemplo puntual son los datos proporcionados por el Instituto Ecuatoriano de Estadística y Censos, entre los cuales consta el gasto en bebidas alcohólicas (Instituto Ecuatoriano de Estadística y Censos, 2012), lo que se aplica perfectamente al tema de la presente investigación.

Para ello se debe tomar en cuenta que los resultados que arrojan los modelos Huff y MCI son los porcentajes de participación que puede alcanzar un local en cada una de las áreas de mercado definidas en la presente investigación como el soporte y que geográficamente corresponde a las manzanas. Al tener los datos del gasto en bebidas alcohólicas por cada una de las manzanas, la estimación de ingresos estaría dada por la sumatoria en todas las manzanas de la multiplicación de Gasto en Bebidas Alcohólicas, Porcentaje del Gasto en Vino y Porcentaje de Participación del Local (resultado de la aplicación de los modelos Huff o MCI) (Calvat, Falguiere, & Haddouche, 2008): 𝑡

𝐼 = ∑ 𝑉 ∗ 𝐺𝐴 ∗ 𝑃𝑗 𝑗=1

31

𝐼:

Ingreso estimado para el local en estudio.

𝑉:

Porcentaje de gasto en vino respecto al gasto en bebidas alcohólicas.

𝐺𝐴: Gasto en bebidas alcohólicas en cada soporte (manzana para el presente caso). 𝑃:

Participación del local en el mercado, para cada manzana “j”. Es el resultado de la aplicación de los modelos Huff o MCI.

𝑡:

Cantidad total de manzanas en el área de estudio (dominio).

2.2. MARCO HISTÓRICO Históricamente, la actividad comercial se ha fundamentado en la ley de la oferta y la demanda casi de manera exclusiva (Cómbita Mora, 2012). Sin embargo, es innegable que las nuevas condiciones económicas han generado una mayor competencia en un mercado que no ha crecido al mismo ritmo que en épocas anteriores o cuya dinámica tradicional ha cambiado de forma importante; ejemplo de ello es el comercio electrónico y delivery de bienes e, incluso, servicios virtuales (Fuentes Jiménez, 2010).

Esta situación ha provocado el cierre de sucursales de varias cadenas de retail o, más grave aún, el quiebre de cadenas importantes debido a la compresión de los mercados tradicionales o falta de entendimiento de los mismos así como de los actuales; esta situación se ha visto maximizada con la aparición de grandes cadenas que han supuesto el cierre de locales, especialmente PYMEs, que no logran competir con economías de escala (Amézquita & Patiño, 2011). Si a este panorama se añade que, tradicionalmente, muchos negocios han seleccionado el sitio para la apertura de nuevos locales con base en la única consideración de encontrar una propiedad disponible y al menor costo posible, se configura un

32

escenario nada favorable para el éxito del emprendimiento o ampliación de uno ya existente (Taylor, 1978).

Frente a esta realidad, muchas cadenas de negocios han visto la necesidad de justificar, de manera sustentada, la apertura de nuevos locales, el mantenimiento de los existentes o, incluso, el cierre de muchos de ellos (Ladle, Stiller, & Stiller, 2009). De hecho, en las últimas décadas se ha observado que los “errores en la ubicación son los más costosos y complicados de rectificar” (Buchner, 1998).

Esta urgencia en la apertura de nuevos locales se produce, por lo general, debido a la presión ejercida por los inversionistas para que un administrador aumente el revenue del negocio, lo que motiva la expansión de la cadena de locales con el objetivo de lograr mejor margen gracias a entrar en una economía de escala significativa. De la mano con este factor interno, la administración se enfrenta al factor externo de la competencia que ejerce una presión constante por captar el mismo mercado (Ladle, Stiller, & Stiller, 2009).

Autores como la profesora Chasco (2004) hacen referencia al éxito que ha tenido la utilización del Geomarketing y exponen el caso de un estudio realizado para la apertura de un nuevo local de una cadena de tiendas de videos. El caso surge debido a la inauguración de un nuevo centro comercial en donde se presenta la oportunidad de adquirir un nuevo local para lo cual su estudio, mediante técnicas de georreferenciación y segmentación de clientes actuales, reveló que el 68% de esos clientes provenían justamente del lugar donde se había abierto el nuevo centro comercial y que esos clientes representaban el 91% de las ventas actuales. Por otro lado, se pudo identificar que menos del 25% de los clientes actuales realmente venían de sitios cercanos al local en operación, lo que fue algo nuevo en cuanto al conocimiento de los clientes y su procedencia. Con esta información la decisión no fue abrir otra tienda adicional en el centro comercial, sino mover la tienda actual a dicho lugar. Con ello se logró una mejor atención a los clientes actuales y aumentar el flujo de los mismos, así como nuevos clientes y, evidentemente, el monto de ventas.

33

En el tema central de esta tesis, como es el mercado del vino, se observa que históricamente se ha regulado por la ley de la oferta y la demanda, pero esta premisa ha venido perdiendo su fuerza en un mercado actual. (Barrere, 2007), en su artículo sobre un modelo evolucionista de segmentación del mercado del vino, afirma: “L’organisation traditionnelle des marchés et les mécanismes de régulation offre-demande et de détermination des quantités et de qualité correspondantes perdent de leur efficacité. Un des aspects essentiels des difficultés et des mutations en cours nous semble résider dans la remise en cause de la segmentation sur laquelle ils reposaient et que nous appellerons la segmentation aristocratique. “

Más aún, históricamente se ha presentado un tipo de segmentación bipolar en el mercado del vino, en donde uno de los segmentos está relacionado con vinos de calidad media y alta vendidos tanto en el mercado mismo donde se produce dichos vinos como en el mercado internacional y el otro segmento relacionado con el consumo de vinos de calidad corriente comercializados en un segmento popular (Barrere, 2007).

Esta postulación se refuerza con lo expresado por Van Der Weij (2013) acerca del mercado del vino y su composición por personas que se diferencian por su ubicación, preferencias, estilos de vida, nivel socioeconómico, entre otras características. Y resalta la importancia de comprender al consumidor y que un buen vino no va a tener la misma aceptación por parte de todos los consumidores.

Aunque este autor no dedica su trabajo al Geomarketing como tal, su trabajo es sumamente interesante desde el punto de vista conceptual y su propuesta de conocer el mercado y saber a qué parte del mismo está dirigido un producto específico como el vino, y más aún el tipo de vino que se oferta. Se percibe, entonces, la evolución histórica que ha experimentado el mercado del vino y la necesidad de segmentarlo para poder llegar de mejor manera al mercado objetivo, lo cual hace necesaria la aplicación de metodologías actuales de Geomarketing

34

que, no solamente permitan cuantificar los segmentos adecuados de mercado, sino saber en dónde se encuentran.

2.3. MARCO METODOLÓGICO Las empresas y los emprendedores consistentemente han visto la importancia de mantener un crecimiento que permita afianzar el negocio o abrir uno nuevo con posibilidades de éxito; para ello se realiza estudios que consideran muchas variables que finalmente aportan a la decisión de ampliar los negocios o implementar uno nuevo (Fuentes Jiménez, 2010).

Tradicionalmente, se ha

considerado metodologías que involucran variables que se enfocan en tratar de estimar el tamaño de la población potencialmente interesante para un producto determinado, o la capacidad económica de las personas, su hábito de consumo o su score de pago, entre otras de este tipo. Lo interesante es que estas variables tradicionales, al igual que prácticamente todas las variables que están relacionadas con las actividades humanas (que son las que interesan en esta investigación), tienen una ubicación en el espacio geográfico, es decir, son variables espacializadas (Calero Vargas, 2015). En la actualidad, esta característica de ubicación de las variables y, por tanto, de las actividades de la población y su residencia, tiene una influencia preponderante en la decisión o hábito de compra de las personas; de hecho, en muchos países, porcentajes tan altos como el 85% representan a personas que ejecutan una compra efectiva según los sitios en donde viven, ejercen sus actividades o transitan (Alto Nivel, 2013).

Existen varios enfoques para dar solución a la situación planteada, muchos de los cuales han venido introduciendo nuevas metodologías desde la perspectiva espacial, es decir, aquellas relacionadas con el Geomarketing. De hecho, se ha aplicado técnicas de análisis espacial que surgieron en otras áreas de la ciencia, como Polígonos de Thiessen, Zonas de Influencia Regulares (Buffers), Análisis de Patrones y Densidad, entre otros (Álvarez, 2014). Al respecto, el estudio realizado por Yarosh (2019) puntualiza la utilización de este tipo de metodologías mediante una sinergia entre Funciones de Densidad, Geo procesamiento Estadístico, Mapeo de Locales Comerciales y Polígonos de Thyssen con la finalidad de identificar sitios

35

para la ubicación de comercios. Algo interesante, como resultado de la aplicación de estas metodologías, es la delimitación de zonas de carnavalización en las áreas más saturadas, lo que ha permitido un mejor ordenamiento urbano, no solamente desde la necesidad de la autoridad local para lograr una mejor administración del espacio público, sino como información útil para las empresas existentes y nuevos emprendimientos como aporte a sus decisiones de negocio (Yarosh, 2019). En este sentido, su estudio permitió confirmar que el establecimiento de comercios se lo hace de manera aleatoria lo cual aumenta el riesgo para el establecimiento de negocios exitosos.

Otra de las metodologías empleadas en estudios de Geomarketing es MCI, como lo describe Geoinnova (2008). Lo interesante de su artículo es que menciona las variables que los consumidores prefieren al momento de tomar una decisión, lo que es de mucha utilidad como punto de partida para la aplicación metodológica en esta tesis. Estas variables, aunque no todas se las considera en el presente trabajo, como se explica en al capítulo 3, son: 

Existencia de parqueo para supermercados donde la gente hace compras en un volumen considerable.



Variedad de productos con la posibilidad de escoger entre varias marcas.



Precio.



Calidad del producto.



Atención al cliente.



Diseño, con la ubicación adecuada de los productos para facilitar su acceso.



Marca, que involucra la percepción que el cliente tiene de la misma, incluida su procedencia.



Limpieza e imagen del local.



Zonas infantiles.

El autor hace referencia a la aplicación de la metodología MCI en un caso de estudio que compara el Potencial de Atracción de dos supermercados lo que determina la

36

importancia que tienen las variables accesibilidad, imagen, política de ofertas, calidad y variedad de los productos.

Resultados muy interesantes y que son

discutidos en el siguiente capítulo como aplicación en el presente trabajo (Geoinnova, 2008).

Modelos de gravitación comercial también han sido aplicados, como es el caso de Huff que fue utilizado por Chasco (2014) y el modelo de Reilly. La autora manifiesta el éxito en la aplicación de este tipo de modelos para la determinación de áreas de influencia de locales comerciales y destaca la utilidad del conocimiento de estas áreas no solamente para apertura de nuevos locales, sino también para el despliegue de campañas publicitarías mejor enfocadas y más efectivas.

Como se puede ver, muchos investigadores han aplicado los modelos gravitacionales para estudios de mercado desde una perspectiva espacial, lo cual arroja resultados que ayudan a las empresas y a los emprendedores a tomar decisiones de valor para el inicio de actividades comerciales, ampliación de la red de locales, estimación de ingresos, publicidad dirigida que encaminen al éxito de sus iniciativas. Tal es el caso del estudio realizado en Iasi, Rumania para la ubicación de supermercados (Rosu, 2013), o el estudio llevado a cabo por Murad (2015) para evaluar la ubicación de retails en la ciudad de Jeddha, Arabia Saudita.

37

3. METODOLOGÍA 3.1. DESCRIPCIÓN DEL ÁREA DE ESTUDIO El área de estudio, que en términos geo estadísticos se conoce como el dominio, está localizada en el sector centro norte de la ciudad de Quito, Ecuador, alrededor del parque La Carolina. Específicamente, se encuentra delimitada por las calles: Norte: Av. Gaspar de Villarroel Este: Av. 6 de Diciembre Sur: Av. Colón Oeste: Av. América

Figura 2. Área de estudio Elaboración propia

38

El sector se caracteriza por tener una fuerte presencia de centros comerciales y entidades bancarias, así como edificios de oficinas y residencia, es decir, una gran variedad de uso del suelo.

Además, la dinámica constructiva es de las más

interesantes en la ciudad con varios proyectos inmobiliarios modernos que van reemplazando las casas tradicionales que originalmente configuraban un sector netamente residencial, especialmente en la parte norte del área de estudio. Este desarrollo

urbanístico

ha

hecho

que

la

densidad

poblacional

aumente

considerablemente, lo cual lo hace muy atractivo desde la perspectiva comercial.

Es un hecho que en las últimas dos décadas ha existido una transformación de un sector netamente residencial a uno que combina una fuerte presencia comercial con nuevos proyectos residenciales en desarrollo vertical (Merino Moreno, 2017).

Es por estas características que se ha escogido el sector para la investigación propuesta ya que se trata de aplicar los modelos de Geomarketing en un área muy diversa que no presente mayores sesgos para la investigación.

En el aspecto socio económico, la gran parte de la población residente o que trabaja permanentemente en el área está clasificada dentro de los segmentos medio alto y medio (Niveles Socio Económicos B y C+, según la categorización oficial), lo que lo hace atractivo para el emprendimiento de varias iniciativas de negocios (Instituto Ecuatoriano de Estadística y Censos, 2012). Además, el sector cuenta con varias vías importantes de comunicación que permiten el flujo de personas no residentes generado especialmente por la existencia de grandes atractores de tráfico como son entidades públicas y privadas, entidades educativas, centros comerciales, y muchos más (Núñez, Briggs, Narváez, & Marroquín, 2002).

En cuanto a su desarrollo comercial, en el sector se estableció el primer centro comercial de la ciudad y del Ecuador, hace ya varios años, lo que empezó a cambiar la dinámica de la zona especialmente alrededor del parque La Carolina; en la actualidad, es en donde se concentran la mayor parte de centros comerciales y negocios de todo tipo (Merino Moreno, 2017), varios de ellos restaurantes que, para el presente estudio, son parte de los clientes corporativos importantes para el negocio del vino. Cabe indicar, además, que en los últimos años se desarrolló grandes proyectos de oficinas públicas (plataforma judicial, plataforma financiera)

39

y privadas que han venido a aumentar por sí mismos el mercado potencial para todo emprendimiento comercial al ser importantes atractores de tráfico (Flor Terán, 2018).

3.2. FLUJOGRAMA DE LA METODOLOGÍA RESULTADOS

Descripción del área de estudio

Selección y definición de las variables dependiente e independientes

Cálculo del tamaño de la muestra para ejecución de encuestas

Diseño de la GeoDataBase

Diseño de Encuesta

Recopilación de datos geográficos y alfanuméricos

Implementación de la GeoDataBase

Encuesta en Campo

Procesamiento de Encuestas

Aplicación de la metodología Site Selection

Aplicación de la metodología Huff

Aplicación de la metodología MCI

Resultados de Encuestas

Resultados Mercado Potencial Site Selection

Resultados Mercado Potencial Huff

Resultados Mercado Potencial MCI

Prueba de hipótesis Existen diferencias significativas en los resultados cuantitativos (cantidad de clinetes potenciales) provenientes de la aplicación de las metodologías Site Selection, Huff y MCI en un estudio de geo-marketing enfocado en la venta de vino de alta calidad en el sector comercial del Parque La Carolina en el centro-norte de la ciudad de Quito,

Ecuador.

Resultado de la prueba de hipótesis

Análisis de resultados

Conclusión

ANÁLISIS DE RESULTADOS

Figura 3. Flujograma de la metodología Elaboración propia

40

Con base en la literatura y estudios realizados por autores consultados, como es el caso de Geoinnova (2008), se ve la importancia que tiene la aplicación del Geomarketing en la selección de sitios para la apertura de locales comerciales.

Autores como Waile y Shrewsbury (2014) resaltan los resultados favorables de aplicar Site Selection, por poner un ejemplo.

Pero también está la experiencia desarrollada por autores como Cándido (2017) o Cavat (2008) quienes han obtenido resultados totalmente favorables con aplicación de metodologías gravitacionales como Huff. No está de menos mencionar las investigaciones realizadas por Chasco (2014) o resultados publicados en Geoinnova (2008) sobre la aplicación de la otra metodología gravitacional que es MCI en estudios de Geomarketing y su aporte en la toma de decisiones comerciales.

Todo ello apalanca la aplicación del Geomarketing en el presente estudio, más aún cuando se evalúa estas tres metodologías planteadas en un caso local y con datos que son absolutamente alcanzables.

En el siguiente acápite se detalla la forma de aplicación metodológica, en este caso real, de tal manera que se la pueda replicar en otros escenarios y en una forma ordenada para dar coherencia al capítulo 4. En la Figura 3 se puede observar que se divide el flujograma de la metodología en dos grandes bloques, el primero dedicado a la obtención de los resultados (recuadro en línea entrecortada azul) y el segundo bloque (recuadro en línea entrecortada roja) enfocado en el análisis de resultados.

De esta manera, todo el desarrollo de la investigación tiene coherencia con el presente documento, así como el cumplimiento de los objetivos planteados y los resultados. Las etapas correspondientes al bloque RESULTADOS permiten cumplir con los dos primeros objetivos y aquellas del bloque ANALIS DE RESULTADOS, llevan a cumplir con el tercer objetivo planteado.

41

3.3. APLICACIÓN METODOLÓGICA En el flujograma de la metodología (ver Figura 3) se presenta las diferentes etapas para la ejecución de este estudio. Las etapas se las organiza en cinco grandes secciones:

Selección y descripción de variables, Ejecución de encuestas,

Implementación de la geodatabase (GDB), Aplicación de metodologías, Prueba de hipótesis.

3.3.1. Selección y descripción de variables

En esta primera sección se procede con la selección y descripción de la variable dependiente y las variables independientes.

a. Variable dependiente

La variable dependiente, como se evidencia de la literatura revisada en el capítulo 2, es aquella que se conoce como Potencial de Atracción y viene a cuantificar, porcentualmente, la cantidad de mercado que se puede captar. Como se ve en la Tabla 2, en donde se presenta un ejemplo práctico, ese Potencial de Atracción representa el porcentaje del mercado que se estima optará por la oferta presentada por el local en estudio, es decir, si en toda la zona existe una población de 100.000 habitantes y el Potencial de Atracción resultante del estudio es de un 40%, se estima que unas 40.000 personas estarían dispuestas a acudir al local a adquirir los bienes o servicios ofertados. Esta variable dependiente es el resultado que se pretende obtener con los tres modelos planteados, Site Selection, Huff y MCI.

b. Variables independientes

Son aquellas que se combinan en una fórmula matemática para dar como resultado el valor de la variable dependiente antes indicada (Potencial de Atracción), por ello es necesario identificar dichas variables en cada uno de los modelos, como se lo hace a continuación.

42

En el primer caso, se observa que el modelo Site Selection se ejecuta en dos fases: Primero el estudio macro que utiliza variables independientes cuantitativas y luego el estudio micro que usa variables independientes cualitativas (Linder, 2009). La primera fase, que se ejecuta a nivel macro, da como resultado la ubicación de varios sitios potenciales en toda el área de estudio (en el dominio) y se ejecuta de tal manera que dichos sitios potenciales cumplan con los valores mínimos establecidos para las variables cuantitativas identificadas para el presente estudio y que son densidad poblacional, ingreso promedio familiar, gasto promedio en bebidas alcohólicas. La segunda fase, a nivel micro, se la ejecuta de tal manera que se elige aquellos sitios que cumplen con las condiciones establecidas para las variables cualitativas estudiadas en esta tesis y que es el nivel socio económico predominante (ver Tabla 3).

En cambio, los dos modelos gravitacionales aplicados en esta investigación son Huff y MCI, los cuales también utilizan variables cuantitativas y/o cualitativas que, para el presente estudio, son aquellas que se detalla en la Tabla 3.

Tabla 3. Variables independientes utilizadas para cada metodología METODOLOGÍA

VARIABLES CUANTITATIVAS

 Densidad poblacional

VARIABLERS CUALITATIVAS

 Nivel socio económico predominante

 Ingreso promedio familiar Site Selection

 Gasto promedio en bebidas alcohólicas  Área del local

Huff

 Distancia Variables que definen la importancia en la decisión de comparar (en un rango de -3 a +3):  Marca.  Calidad del producto.

MCI

 Área del local

 Nivel de precio del producto.

 Distancia

 Variedad de productos con la posibilidad de escoger entre varias marcas.  Atención al cliente.  Diseño, limpieza e imagen del local.  Existencia de parqueo.

Elaboración propia

43

3.3.2. Encuestas

Las encuestas están dirigidas a conocer el comportamiento y, en especial, la preferencia de las personas por ciertas características del negocio que están definidas por las variables independientes detalladas en la Tabla 3 y que son las que se utilizó en la presente investigación.

Como no se pude aplicar las encuestas a toda la población debido a la gran cantidad de hogares, se calculó el tamaño de la muestra adecuado, según se detalla a continuación.

a. Tamaño de la muestra para las encuestas

Para ejecutar una encuesta es necesario determinar la cantidad de personas a quienes se la aplicará, por lo que es importante conocer el tamaño de la muestra antes de efectuar el trabajo de llenado de los formularios de tal manera que el resultado sea significativo. El tamaño de la muestra, cuando se conoce el tamaño de la población total dentro del dominio de investigación se calcula con la siguiente expresión (Torres, Salazar, & Paz):

𝑁 ∗ 𝑍𝑎2 ∗ 𝑝 ∗ (1 − 𝑝) 𝑛=

2

𝑒2

∗ (𝑁 − 1) + 𝑍𝑎2 ∗ 𝑝 ∗ (1 − 𝑝) 2

En donde: 

N: Tamaño de la población. Corresponde al número total de hogares en todo el dominio de estudio que se ha obtenido con los datos de las proyecciones demográficas publicadas por el Instituto Nacional de Estadística y Censos – INEC.



Z/2: Valor crítico del intervalo de confianza con que se calcula el tamaño de la muestra; está determinado por el nivel de confianza.

44



Nivel de confianza ( 1 - ): Establece la calidad de la encuesta, es decir, el nivel de certeza con la que se obtendrá los resultados. Para el presente estudio el nivel de confianza es del 95% y sirve para determinar el valor crítico del intervalo de confianza, es decir, Z/2, que se toma de las tablas estadísticas para una Distribución Normal Estandarizada.



p: Proporción esperada. Es la proporción que se espera como resultado del estudio lo que, para este caso, sería la proporción del mercado total que se esperaría captar con el establecimiento del negocio. Cuando se ha realizado una investigación anterior se puede usar el valor proveniente de la misma, de lo contrario se opta por un valor del 50% para asegurar el mayor tamaño de la muestra.



e: Error tolerado: Es el error que se puede manejar en el proceso de la investigación y que no afectaría significativamente los resultados. En este caso se ha considerado que un error del 5% en los resultados obtenidos no afecta los ingresos que se puede obtener de la actividad comercial planteada.

Tabla 4. Parámetros para el cálculo del tamaño de la muestra DEFINICIÓN

VALOR

Tamaño de la población que, para

Se tomó del censo de población = 13,714

el presente estudio, está definido N

por el número de hogares total en el dominio de estudio El valor más utilizado para estudios de mercado es

1-

Nivel de confianza

del 95% (Torres, Salazar, & Paz) Con base en el nivel de confianza del 95%, de la

Z/2

e

Valor crítico correspondiente al nivel de confianza

tabla de la distribución estándar normalizada se

Error tolerado que no afecta de forma significativa el resultado final que se quiere obtener.

En este caso un 5% de error en la estimación del

obtuvo que Z/2 = 1.96

mercado potencial es tolerable Cuando se desconoce de antemano este valor se

p

Proporción estimada del mercado que es un cliente potencial

utiliza aquel que maximiza el tamaño de la muestra para tener mayor seguridad. Por ello, se adoptó el valor 0.5

Elaboración propia

45

Con los parámetros establecidos, se calculó el tamaño de muestra mediante la fórmula indicada:

𝑛=

13,714 ∗ 1.962 ∗ 0.5 ∗ (1 − 0.5) 0.052 ∗ (13,714 − 1) + 1.962 ∗ 0.5 ∗ (1 − 0.5)

n = 373.70 = 374 muestras (encuestas)

b. Formulario de encuesta

La primera parte de la encuesta se dirigió a determinar valores, o rangos, correspondientes a las variables cuantitativas (Ingreso Promedio Familiar, Gasto Promedio en Bebidas Alcohólicas), lo cual fue necesario para acotar estas variables en la aplicación del modelo Site Selection. Se incluyó también preguntas que ayudaron a saber el comportamiento del comprador (hábito de comprar vino, de qué rango de calidad/precio, qué cantidad y con qué frecuencia), lo cual sirvió para determinar el porcentaje del mercado potencial (ver ANEXO 1).

La segunda parte de la encuesta estuvo dirigida a conocer la importancia o susceptibilidad que presentan las personas a las variables cualitativas (Maca del vino, Calidad del producto, Nivel de precio, Variedad de productos, Atención al cliente, Diseño del local, Existencia de parqueo), lo cual es importante para los tres modelos, pero en especial para la aplicación de los modelos gravitacionales Huff y MCI (Geoinnova, 2008) ya que esto hace que se pueda definir el valor que toman los parámetros que determinan en qué medida aporta cada variable intrínseca en la determinación del Potencial de Atracción (ver capítulo 2). Para ello se pidió definir, en un rango de -3 a +3, la importancia que tiene cada variable a la hora de decidir por la compra de vino en un local comercial. El formulario de encuesta recoge todos estos requerimientos (ver ANEXO 1).

46

c. Ejecución de las encuestas

Se ejecutó 384 encuestas válidas lo que garantiza cumplir con el tamaño de muestra de 374 como mínimo para trabajar con un 95% de confianza y una tolerancia del 5%. Las encuestas fueron tomadas en campo y georreferenciadas para poder tener un registro de su distribución espacial (Figura 4)

Figura 4. Mapeo de encuestas Elaboración propia

Con estas encuentras se ejecutó un primer análisis exploratorio y se obtuvo los estadísticos descriptivos que constan en la Tabla 5.

47

Tabla 5. Estadísticos descriptivos en base a las encuestas Estadístico

Media Desv. Est. Moda Minimo Máximo

IngMen

GasMenAlc

Eda

Pre

sMar

SCal

sPre

sVar

sAte

sLoc

sPar

2,484.90 797.63 3,000 800 4000

19.38 9.18 20 10 80

45.69 14.03 41 20 70

13.28 6.01 12 5 32

2.28 0.89 3 -1 3

2.40 0.85 3 1 3

2.19 0.69 2 1 3

2.53 0.56 3 1 3

2.76 0.44 3 1 3

2.73 0.57 3 -1 3

2.80 0.54 3 -3 3

Elaboración propia

En donde:

ImgMen:

Ingreso mensual en dólares

GasMenAlc: Gasto mensual en bebidas alcohólicas Eda:

Edad

Pre:

Precio de una botella de vino que compra habitualmente

sMar

Importancia que asigna a la marca de vino al momento de decidir una compra (entre -3 y +3). Es el valor “s” en el modelo MCI.

sCal:

Importancia que asigna a la calidad de vino al momento de decidir una compara (entre -3 y +3). Es el valor “s” en el modelo MCI.

sPre:

Importancia que asigna al precio del vino al momento de decidir una compara (entre -3 y +3). Es el valor “s” en el modelo MCI.

sVar:

Importancia que asigna a la variedad que ofrece una tienda al momento de decidir una compara (entre -3 y +3). Es el valor “s” en el modelo MCI.

sAte:

Importancia que asigna a la atención especializada que brinda una tienda al momento de decidir una compara (entre -3 y +3). Es el valor “s” en el modelo MCI.

sLoc:

Importancia que asigna al diseño y distribución del vino en un local al momento de decidir una compara (entre -3 y +3). Es el valor “s” en el modelo MCI.

sPar:

Importancia que asigna a la existencia de parqueadero en un local al momento de decidir una compara (entre -3 y +3). Es el valor “s” en el modelo MCI.

48

3.3.3. Implementación de la Geodatabase

Previo a la aplicación de las tres metodologías (Site Selection, Huff, MCI) se procedió a implementar una Geodatabase con todas las variables (atributos) utilizadas para la aplicación de las mismas. Todo el detalle se lo presenta en el Anexo 3 que muestra la estructura de la Geodatabase y el Diccionario de Datos con la descripción y tipo de cada uno de los campos que contienen la información. Los datos sociodemográficos fueron obtenidos del Instituto Nacional de Estadística y Censos y son aquellos definidos para las variables cuantitativas relacionadas en la Tabla 3.

En el feature class MANZANA se registró los datos de Población, Ingreso promedio familiar, Gasto promedio en bebidas alcohólicas, Nivel Socio Económico, y todas las variables resultantes. En el detalle que consta en el Anexo 3 también se consigna la relación de cada uno de los campos de información con las variables independientes que intervinieron en el estudio (Tabla 3). Una vez que se ingresó las capas de información (feature class) y los datos en los campos correspondientes se tuvo lista la información básica para el estudio. Un ejemplo se puede ver en la Figura 5, a continuación. Es necesario aclarar que el término Feature Class es utilizado como sinónimo de capa de información en ArcGIS que es la aplicación que se utilizó para realizar el análisis.

Figura 5. Datos socio-demográficos en la geodatabase Elaboración propia

49

3.3.4. Aplicación de metodologías El objetivo para la aplicación de las tres metodologías es conocer la cantidad de mercado potencial se puede obtener en el área de estudio, según el detalle a continuación.

a. Site Selection

Con base en los resultados de las encuestas (Tabla 5), para aquellas personas que tienen el hábito de comparar vino se determinó las siguientes condiciones para aplicación de Site Selection.

Ingreso Promedio Mensual (IngMen) >= 800 Gasto Promedio Mensual en Bebidas Alcohólicas >= 10

Además, como se ha descrito al inicio de esta tesis, el enfoque del negocio es hacia vino de alta calidad, por lo que se debe cumplir con dos criterios adicionales:

Nivel Socio Económico Predominante = A y B Densidad Poblacional > 100 Habitantes / Ha

(0.01 Habitantes / m2)

Para poder aplicar estas condiciones, se partió de la data del INEC por manzana y que consistió en: 

Población total de la manzana (Pob_Man)



Cantidad de hogares de Nivel Socio Económico A (Hog_A)



Cantidad de hogares de Nivel Socio Económico B (Hog_B)



Cantidad de hogares de Nivel Socio Económico C Más (Hog_C1)



Cantidad de hogares de Nivel Socio Económico C Menos (Hog_C2)



Cantidad de hogares de Nivel Socio Económico D (Hog_D)



Ingresos mensuales de los hogares de Nivel Socio Económico A (Ing_Man_A)



Ingresos mensuales de los hogares de Nivel Socio Económico B (Ing_Man_B)

50



Ingresos mensuales de los hogares de Nivel Socio Económico C Más (Ing_Man_C1)



Ingresos mensuales de los hogares de Nivel Socio Económico C Menos (Ing_Man_C2)



Ingresos mensuales de los hogares de Nivel Socio Económico D (Ing_Man_D)



Gasto en bebidas alcohólicas de las familias de Nivel Socio Económico A (Gas_Al_A)



Gasto en bebidas alcohólicas de las familias de Nivel Socio Económico B



Gasto en bebidas alcohólicas de las familias de Nivel Socio Económico C Más



Gasto en bebidas alcohólicas de las familias de Nivel Socio Económico C Menos



Gasto en bebidas alcohólicas de las familias de Nivel Socio Económico D

Con estos datos, se procedió a calcular las variables que establecen las cuatro condiciones antes indicadas para la aplicación de la metodología Site Selection.

Los pasos ejecutados fueron los siguientes (los nombres de las variables se encuentran detallados en el ANEXO 3):

1. Área de la manzana medida en metros cuadrados. Mediante la función “Calculate Geometry” de ArcGIS. 2. Cálculo de la densidad poblacional, mediante la función “Field Calculator” de ArcGIS, mediante la expresión:

Den_Pob = Pob_Man / Area_Mz. En Habitantes / m2.

3. Cálculo de la cantidad total de hogares en la manzana, con la función “Field Calculator” y la expresión:

Hog_Man = Hog_A + Hog_B + Hog_C1 + Hog_C2 + Hog_D

51

4. Cálculo de los ingresos totales mensuales en la manzana, mediante la función “Field Calculator” y la expresión:

Ing_Man = Ing_Man_A + Ing_Man_B + Ing_Man_C1 + Ing_Man_C2 + Ing_Man_D

5. Cálculo del ingreso promedio familiar mensual en la manzana, mediante la función “Field Calculator” y la expresión:

Ing_Pro_Man = Ing_Man / Hog_Man

6. Cálculo del gasto total en bebidas alcohólicas, mediante la expresión:

Gas_Alc_Ma = Gas_Alc_A + Gas_Alc_B + Gas_Alc_C1 + Gas_Alc_C2 + Gas_Alc_D

7. Cálculo del gasto promedio mensual por familia en bebidas alcohólicas, mediante la expresión: Gas_Pro_Alc = Gas_Alc_Ma / Hog_Man

Todos estos atributos fueron calculados y almacenados en la geodatabase con la estructura y siguiendo el diccionario de datos que se detalla en el ANEXO 3 para garantizar un almacenamiento adecuado que facilitó la aplicación de la metodología Site Selection.

Una vez que se obtuvo las variables independientes, la siguiente parte del proceso consistió en buscar aquellas manzanas que cumplían con las cuatro condiciones ya indicadas.

52

Esta

búsqueda

de

manzanas

identifica

aquellas que tienen población similar a la encuestada y que además corresponda a los niveles socio económicos A y B, así como encontrar manzanas que tengan la cantidad suficiente de población como para ser un mercado potencial interesante.

En ArcGIS se ejecutó la selección de las manzanas

que

cumplían

con

estas

condiciones mediante el query que se presenta en la Figura 6.

Figura 6. Query para Site Selection Fuente: ArcGIS

El resultado consistió en 117 manzanas que cumplen con estas condiciones indicadas y que se las mapea en la Figura 7, a continuación. Lo primero que se puede percatar es que el local propuesto se encuentra en una zona con gran parte de las manzanas seleccionadas por esta metodología, lo que lleva a identificar un buen mercado potencial que, posteriormente, fue contrastado con las otras dos metodologías aplicadas (Huff y MCI) que se las expone en los ítems siguientes.

En el ANEXO 4 se presenta la tabulación completa de las 117 manzanas resultantes de la metodología Site Selection, de donde se extrae el siguiente resumen de resultados (Tabla 6).

Tabla 6. Resultados Site Selection

Hogares NSE A

Hogares NSE B

1,758

5,046

Ingreso Total Mensual NSE A

Ingreso Total Mensual NSE B

11,647,933.00 15,810,256.00

Gasto Total Mensual en Bebidas Alcohólicas NSE A

Gasto Total Mensual en Bebidas Alcohólicas NSE B

Gasto Promedio Mensual en Bebidas Alcohólicas

34,464.00

65,497.00

13.33

Elaboración propia

53

Figura 7. Mapeo de las manzanas resultantes de la Metodología Site Selection Elaboración propia

Esta metodología se aplica en muchos casos para encontrar sitios adecuados para la apertura de nuevos locales, sin embargo, en esta investigación se la utiliza para cuantificar el mercado potencial para el caso puntual de un local ya ubicado en el área de estudio, y es esto justamente el aporte que se hace.

b. Huff Se utilizó la formulación matemática, como se explicó en el capítulo 2.

54

𝑃𝑖𝑗 =

𝐴𝑖 2 𝑑𝑖𝑗 ∑𝑛ℎ=1

𝐴ℎ 2 𝑑ℎ𝑗

Este modelo requiere conocer tanto el área de cada local como la distancia desde cada uno de ellos hasta los clientes potenciales que, en este caso, son las manzanas de estudio. Para tener el dato del área se hizo un levantamiento de toda la zona de estudio y se aprovechó para obtener aquellos otros datos que también sirvieron para la aplicación del modelo MCI (ANEXO 5), como se presenta más adelante. Para el modelo Huff se tomó solamente el dato del área de los locales desde el ANEXO 5 y que sirvió directamente para este modelo (Tabla 7).

Tabla 7. Área de todos los locales de estudio TIENDA

LOCAL PROPIO LA BOLA DE ORO CAMARI JIPIJAPA BENKAL MARKET POOL PARTY 88 GRADOS GOLVO DARK STORE CORAL LA Y MEGA SANTA MARIA EL TREBOL DE ORO SUPER KVA EDCA LICORES LICORYMAS BATAN EL GRIEGO MI COMISARIATO EL ESPAÑOL JIPIJAPA LA CIGARRA NACIONES TIENDA SANTA MARIA AMBASSADOR LICORES EL COMPA LA CIGARRA AMERICA SUPERMAXI CCI EL ARBOLITO SALVADOR LICORES ECO AMERICA LICORES A DOMICILIO SYRAH EL ESPAÑOL ALDAZ WINERY SOHO LA VINERIA GOURMET RUTA 24

UBICACIÓN

Área

Av. República y Rumipamba Av. Amazonas e Isla Floreana Av. Amazonas entre Isla Floreana y Gaspar de Villarroel Gaspar de Villarroel y Av. De Los Shyris Av. de los Granados y 6 de Diciembre Av. de los Granados y 6 de Diciembre Av. Gaspar de Villarroel y París Av. 10 de Agosto y José Arízaga Av. 10 de Agosto y Villalengua Av. Villalengua e Iñaquito Jorge Drom y Villalengua Av. De Los Shyris y El Universo Juan de Alcántara y El Telégrafo Av. Naciones Unidas y Av. De Los Shyris Av. Naciones Unidas y Av. De Los Shyris Av. Naciones Unidas y Av. De Los Shyris Av. Naciones Unidas y Av. De Los Shyris Av. Naciones Unidas y Av. De Los Shyris Av. Amazonas y Corea Av. América y Mañosca Av. América y Naciones Unidas Av. Amazonas y Corea Av. República del Salvador y Suecia Av. América y Llallement Av. De Los Shyris y Portugal Av. 6 de Diciembre y Portugal Catalina Aldáz y Portugal Av. Eloy Alfaro y Suiza Bossano y Guerrero Avl 6 de Diciembre y Bélgica

120 150 180 80 150 180 200 1,500 1,000 30 30 180 160 80 800 80 180 160 150 100 140 1,200 120 200 140 120 120 140 180 150

55

SUPER LIQOURS SUPERMAXI EL JARDIN LICOREC LA GUARDA SUPERMAXI AMERICA AMBASSADOR CORDERO LA CIGARRA CORDERO

Av. De Los Shyris y Navarro Av. Amazonas y Mariana de Jesús Pareja y Av. 6 de Diciembre Paul Rivet y Av. 6 de Diciembreq Av. La Gasca y Av. América Av. Amazonas y Cordero Cordero y Reina Victoria Elaboración propia

120 1,400 160 300 1,200 130 180

En la Figura 8 se visualiza la ubicación de todos estos locales que fueron georreferenciados para su posterior tratamiento.

Figura 8. Mapeo de todos los locales de la competencia Elaboración propia

56

La aplicación del modelo Huff se realizó en un proceso que siguió los pasos:

1. Obtención de los centroides de cada manzana mediante la función FEATURE TO POINT con la opción INSIDE.

Se generó la cobertura

ManEstCentroides.shp

2. Cálculo de las distancias desde cada centroide de manzana hasta cada uno de los locales mediante la función GENERATE NEAR TABLE en la cual la cobertura input fue ManEstCentroides.shp y la cobertura near fue Locales.shp y con la opción de calcular las distancias a todos los locales, con la finalidad de obtener una tabla ordenada por manzanas para facilidad de los cálculos correspondientes al modelo Huff. Con ello se generó la tabla Distancias.dbf (una parte de la misma se presenta en la Tabla 8). La tabla Distancias.dbf tiene 9,731 registros por lo que no se la incluye en este documento, sino que se la entrega en formato digital.

Es importante indicar que el NEAR_FID número “0” corresponde al LOCAL PROPIO, motivo de estudio, aclaración que se tomó en cuenta para la aplicación del modelo Huff.

Tabla 8. Ejemplo de la Tabla Distancias

OBJECTID IN_FID NEAR_FID NEAR_DIST NEAR_RANK 0 0 26 71.54474477720 1 0 0 28 122.60733439800 2 0 0 29 220.84366679600 3 0 0 27 280.43664165700 4 0 0 31 494.21337828600 5 0 0 30 766.89130632200 6 0 0 24 807.45577373900 7 0 0 23 815.06217748800 8 0 0 25 836.61561431400 9 0 0 32 863.51243551600 10 0 0 0 972.99988864100 11 0 0 21 1,056.03897915000 12 Elaboración propia

57

3. La tabla fue exportada a formato DBase con el mismo nombre para poder abrirla y trabajar en Excel (Huff.xlsx). Una vez en Excel, se aplicó la fórmula del modelo Huff a cada manzana (j) tomando en cuenta todos los locales (h).

Para mayor detalle del modelo se puede revisar el numeral 2.1.2, en donde consta la fórmula del mismo, y se puede revisar el archivo Huff.xlsx en donde se cuenta con el potencial de atracción de cada local sobre cada una de las manzanas.

𝑃𝑖𝑗 =

𝐴𝑖 2 𝑑𝑖𝑗 ∑𝑛ℎ=1

𝐴ℎ 2 𝑑ℎ𝑗

4. El Potencial de Atracción representa el porcentaje de mercado dispuesto a acudir al local, y con ello se calculó el tamaño del mercado como cantidad de hogares.

Primero se exportó los atributos de ManEst.shp a

ManEstDatos.xls con la herramienta TABLE TO EXCEL que permite mantener los FID originales que identifican a cada local. Esta tabla fue importada dentro de la hoja HOGARES del archivo Huff.xlsx y con ello fue posible calcular la cantidad de Hogares Potenciales de los Niveles Socio Económicos A y B existentes en cada manzana para cada uno de los locales (hoja HUFF TOTAL). Finalmente se generó una tabla dinámica (HUFF POR LOCAL) en la que se registró la cantidad de Hogares Potenciales de los dos Niveles Socio Económicos para cada uno de los locales; los resultados se los registró en el ANEXO 6, del cual se ha extraído los datos para el LOCAL PROPIO (Tabla 9) Tabla 9. Cantidad de hogares potenciales para el Local Propio según Huff

NEAR FID

LOCAL

0 LOCAL PROPIO TOTAL HOGARES POTENCIALES

HOGARES HOGARES POTENCIALES POTENCIALES NSE A NSE B 60 220 280

Elaboración propia

58

En la Figura 9 se presenta las manzanas con mayor potencial de Hogares de Nivel Socio Económico A para el local de estudio y en la Figura 10 las manzanas con mayor potencial de Hogares de Nivel Socio Económico B.

59

Figura 9. Manzanas con mayor potencial de Hogares NSE A Elaboración propia

60

Figura 10. Manzanas con mayor potencial de Hogares NSE B Elaboración propia

61

c. MCI

Con los datos obtenidos de la encuesta se obtuvo el nivel de importancia (en un rango de -3 a +3) que tiene cada una de las variables cualitativas, esto es, Marca, Calidad, Precio, Variedad, Atención, Diseño del Local, Parqueo. Estos valores corresponden al parámetro “s” que define cómo aporta cada una de estas variables intrínsecas en el Potencial de Atracción del local, según el siguiente esquema:

s = 2 ó 3:

Aporte muy grande

s = 1:

Aporte grande

s = -1:

Aporte pequeño

s = -2 ó -3: Aporte muy pequeño

Al igual que en el caso anterior, se calculó el Potencial de Atracción del local sobre cada una de las manzanas en el área de estudio, lo que representa el porcentaje de mercado dispuesto a acudir al local; con ello se calculó el tamaño del mercado como cantidad de hogares de los Niveles Socio Económicos A y B por medio de la fórmula del modelo y siguiendo un proceso similar al caso de Huff.

𝑃𝑖𝑗 =

𝑠 ∏𝑚 𝑘=1 𝐴𝑖𝑘 𝑞

𝑑𝑖𝑗

1  𝑠 ) (∏𝑚 𝐴ℎ𝑘 𝑘=1 𝑛 ∑ℎ=1 [ ] 𝑞 𝑑𝑙𝑗

Tanto el área de cada local como los datos relacionados con la atracción de cada uno de ellos fueron registrados en el ANEXO 5. Por su parte, las distancias desde cada local hasta las manzanas de estudio se las registró en el archivo Distancias.dbf que fue calculado para el modelo Huff y se lo entrega en digital por lo extenso de su contenido. En la Tabla 8 se puede ver un extracto de dicho archivo con algunos de sus registros.

62

El detalle del modelo MCI consta en el ítem 2.3.1, y para su ejecución se siguió el siguiente proceso.

1. Los centroides de cada manzana ya fueron generados para el modelo Huff.

Su resultado fue la cobertura ManEstCentroides.shp

2. También se calculó las distancias desde cada centroide de manzana hasta cada uno de los locales al ejecutar el modelo Huff; el resultado fue el archivo Distandias.dbf. En la Tabla 8 se consigna una parte de dicho archivo como referencia.

3. La tabla fue exportada a formato DBase con el mismo nombre para poder abrirla y trabajar en Excel (MCI.xlsx). En este archivo se añadió la hoja LOCALES (con los datos levantados para todos ellos) y la hoja PARAMETROS con los datos de los exponentes “s” obtenidos de las encuestas (Tabla 5). Una vez en Excel, se aplicó la fórmula del modelo MCI a cada manzana (j) tomando en cuenta todos los locales (h). Con ello se obtuvo el potencial de atracción de cada local sobre cada una de las manzanas, lo cual se puede revisar en el archivo MCI.xlsx.

𝑃𝑖𝑗 =

𝑠 ∏𝑚 𝑘=1 𝐴𝑖𝑘 𝑞

𝑑𝑖𝑗

1  𝑠 ) (∏𝑚 𝐴ℎ𝑘 𝑘=1 𝑛 ∑ℎ=1 [ ] 𝑞 𝑑𝑙𝑗

4. La tabla ManEstDatos.xls, que ya se obtuvo en el proceso Huff, fue importada dentro de la hoja HOGARES del archivo MCI.xlsx y con ello fue posible calcular la cantidad de Hogares Potenciales de los Niveles Socio Económicos A y B existentes en cada manzana para cada uno de los locales (hoja MCI TOTAL). Finalmente se generó una tabla dinámica (MCI POR LOCAL) en la que se registró la cantidad de Hogares Potenciales de los dos Niveles Socio Económicos para cada uno de los locales; los resultados se

63

los registró en el ANEXO 7, del cual se ha extraído los datos para el LOCAL PROPIO (Tabla 10)

Tabla 10. Cantidad de hogares potenciales para el Local Propio según MCI

NEAR FID

LOCAL

0 LOCAL PROPIO Total Hogares Potenciales

HOGARES HOGARES POTENCIALES POTENCIALES NSE A NSE B 70 257 327

Elaboración propia

3.3.5. Prueba de hipótesis

Una vez que se obtiene el mercado potencial (cantidad de hogares) con cada una de las metodologías, se procede a probar la hipótesis “Existen diferencias significativas en

los resultados cuantitativos (cantidad de

hogares

potenciales) provenientes de la aplicación de las metodologías Site Selection, Huff y MCI en un estudio de Geomarketing enfocado en la venta de vino de alta calidad en el sector comercial del Parque La Carolina en el centro-norte de la ciudad de Quito, Ecuador”

Se expone los resultados de los tres modelos ejecutados, considerando que el error tolerado establecido en el cálculo del tamaño de la muestra fue del 5%, como se ve en la Tabla 11.

Tabla 11. Comparación de resultados MODELO

HOGARES POTENCIALES

HOGARES POTENCIALES

TOTAL HOGARES

NSE A

NSE B

PORENCIALES NSE A y B

1,758

5,046

6,804

Huff

60

220

280

MCI

70

257

327

Site Selection

Elaboración propia

64

En relación con la hipótesis planteada se observa que existe una diferencia clara entre el modelo Site Selection y los otros dos modelos gravitacionales (Huff y MCI) lo cual se discute en el capítulo 4. Sin embargo, los resultados obtenidos no evidencian una diferencia marcada entre los dos modelos gravitacionales. Esto nos lleva a determinar claramente que Site Selection es el modelo que sí confirma la hipótesis planteada, mientras Huff y MCI son modelos cuyos resultados llevan a negar dicha hipótesis.

Los resultados, su análisis y discusión más detallada se los presenta en el capítulo 4.

4. RESULTADOS Y DISCUSIÓN Para la investigación planteada se tomó datos del INEC y se complementó con datos directos como fueron las encuestas que llevaron a obtener los coeficientes necesarios para la aplicación del modelo MCI, así como el área de todos los locales de la competencia que se utilizó en los modelos Huff y MCI (ver secciones 3.3.4.b y 3.3.4.c). En el caso del modelo Site Selection se definió condiciones que perfilan un tipo de cliente buscado; dicho perfil también se basó en datos obtenidos de las encuestas (ver sección 3.3.4.a).

Para garantizar un nivel de confianza del 95% con un error tolerado del 5% se determinó un tamaño de muestra de 374 encuestas a realizar. Sin embargo, para tener la suficiente cantidad de las mismas se llegó a tomar 384 encuestas una vez depuradas aquellas que tenían inconsistencias.

Los tres modelos utilizados arrojaron resultados diferentes; de ellos, Site Selection tiene la mayor diferencia con los otros dos modelos (Huff, MCI), como se puede ver en la Tabla 11. Al calcular las diferencias porcentuales entre cada uno de ellos, se tiene los datos que se consigna en la Tabla 12 a continuación.

65

Tabla 12. Diferencias porcentuales de resultados MODELOS

DIFERENCIA

DIFERENCIA

DIFERENCIA TOTAL

HOGARES

HOGARES

HOGARES PORENCIALES

POTENCIALES

POTENCIALES

NSE A y B

NSE A

NSE B

Site Selection / Huff

2,830 %

24,130 %

2,330 %

Site Selection / MCI

2,411 %

1,863 %

1,981 %

16 %

17 %

17 %

MCI / Huff

Elaboración propia

Lo primero que se observa en esta tabla es que los dos modelos gravitacionales, Huff y MCI, tienen una diferencia del 17% en la cantidad de mercado potencial estimado (clientes), es decir, MCI estima una mayor cantidad de clientes que Huff.

Si se considera el método de cálculo que emplea Huff, se puede ver que toma en cuenta solamente variables cuantitativas como son el área del local y la distancia.

Por su parte, MCI considera las mismas variables cuantitativas y, además, variables cualitativas como son marca, calidad del producto, nivel de precio, variedad, atención al cliente, diseño del local, existencia de parqueo (Tabla 3).

Esta

característica de los modelos es de gran importancia ya que MCI da una visión más completa y precisa del potencial de mercado que tiene un local y la posibilidad de evaluar aspectos que se puede mejorar para tener una mejor captación.

Por otro lado, en la Tabla 12 se observa que el modelo Site Selection tiene una sobre estimación del mercado muy marcada, lo cual se explica por el tipo de variables que utiliza, como son la densidad poblacional, ingreso promedio familiar, gasto en bebidas alcohólica y el nivel socio económico predominante (Tabla 3).

Pero más aún, la sobre estimación se explica por el enfoque exclusivamente a variables que describen el cliente potencial ideal buscado y no considera en absoluto las características de la oferta, es decir, del local en estudio.

Para la discusión de los resultados obtenidos y sus diferencias, se toma en cuenta tres aspectos fundamentales:

66



Características propias de los locales que intervienen en el mercado



Distancia desde los locales hasta los sitios de mercado potencial; manzanas en el presente estudio



Existencia de la competencia

4.1. DISCUSIÓN DE LOS RESULTADOS OBTENIDOS CON EL MODELO SITE SELECTION Sobre la base planteada, en la Tabla 12 se puede observar la gran diferencia que existe respecto al modelo Site Selection, lo cual se debe a que éste modelo se fundamenta en buscar clones (manzanas para el presente estudio) que cumplan con características previamente definidas. Aunque esas características, en cierta medida, tienen su fundamento en los resultados de las encuestas, sin embargo, no consideran justamente los tres aspectos importantes indicados.

En primer lugar, no toma en cuenta las características propias del local en estudio, es decir, asume que todos los locales de la competencia que puedan existir en el área de estudio son del mismo tipo, con la misma oferta en calidad, variedad, precio, atención, etc.; y eso no es así en la realidad ya que, como se observa en el ANEXO 5, existen varios aspectos que los diferencian, especialmente el área de muchos de los locales que determinan los resultados finales.

En cuanto al segundo aspecto, Site Selection tampoco considera la distancia que existe entre el local en estudio y las manzanas.

Esto se constituye en una

característica fundamental en la determinación del mercado potencial ya que a mayor distancia la atracción de una oferta disminuye, a menos que se trate de un negocio con oferta de bienes o servicios de primera necesidad en un estado de monopolio, lo cual no es el presente caso.

Y el tercer aspecto es que Site Selection asume que no existe competencia, lo cual hace que asigne al local en estudio todo el mercado potencial que cumple con las características buscadas. La distorsión introducida por este tercer aspecto es la

67

más importante de todas, sin embargo, se podría minimizar si se hace un estudio complementario de Carnavalización con la generación de áreas de influencia (isócronas) alrededor de todos los locales de la competencia para determinar la parte del mercado no accesible, lo cual no es parte de la presente investigación.

4.2. DISCUSIÓN DE LOS RESULTADOS OBTENIDOS CON EL MODELO HUFF En cuanto al modelo de Huff, como se vio en el capítulo 2, se fundamenta en determinar el Potencial de Atracción que ejerce un local sobre un mercado objetivo que, en este caso, fue la manzana.

Al ser un modelo de tipo gravitacional, considera que a medida que el local está más lejos de la manzana su potencial de atracción disminuye, lo cual es un aspecto que sucede en la realidad y de ahí que los resultados obtenidos son más ajustados.

Sin embargo, se debe mencionar que como elementos propios que determinan la atracción del local considera solamente el área del mismo. Si bien es cierto que locales más amplios generan mayor interés en el cliente, no está por demás aclarar que éste no es el único aspecto que genera el interés del comprador. Es evidente que otros aspectos, como la calidad, el precio, la atención, también son atractores, por lo que Huff, aunque mejor ajustado a la realidad, tampoco considera todos los aspectos que determinan la participación que se puede lograr en el mercado.

De los tres aspectos puestos en consideración, Huff toma parcialmente las características propias de los locales, al considerar solamente el área. En cuanto al segundo aspecto, que es la distancia, este modelo lo considera de manera adecuada y es una de las características básicas que lo diferencia de Site Selection.

Y en relación a la existencia de la competencia, es un aspecto que sí lo considera; esto se puede concluir muy claramente al observar que el Potencial de Atracción se ve disminuido por la atracción que ejerce la competencia sobre el mercado, como se muestra en la fórmula descrita en el capítulo 2.

68

Se espera, entonces, que los resultados del modelo Huff estén más ajustados a la realidad del mercado, lo cual lo hace más preciso que Site Selection.

4.3. DISCUSIÓN DE LOS RESULTADOS OBTENIDOS CON EL MODELO MCI Éste es un modelo también gravitacional, al considerar la distancia como un parámetro que afecta de manera inversa al potencial de atracción que ejerce un local sobre el mercado, al igual que lo es el modelo de Huff. Sin embargo, existen diferencias fundamentales con éste, que se las puede discutir con base en los tres aspectos planteados como base.

En relación con el primer aspecto, MCI es un modelo que sí considera las características propias de todos los locales que intervienen en el mercado. Esto se evidencia al considerar los parámetros de área, marca, calidad, nivel de precio, variedad, atención especializada, presencia del local y existencia de parqueaderos, lo que viene a constituirse en elementos parte de la oferta y que hacen la diferencia en el momento de decir la compra en un local u otro. Como se vio en la aplicación de la metodología tanto los valores asignados a estos parámetros como los ponderadores exponenciales de los mismos fueron obtenidos de la investigación realizada en base a las encuestas, lo cual aumenta la validez de los resultados.

En cuanto a la segunda característica, como es la distancia hacia los sitios de mercado potencial (manzanas), MCI, al ser un modelo gravitacional, toma en cuenta esta variable en los cálculos.

Con ello, las manzanas que están más

cercanas a un determinado local tienen mayor Potencial de Atracción y, por consiguiente, aportan con mayor peso en la determinación del volumen de mercado potencial

Y en cuanto a la existencia de locales de la competencia, MCI considera a todos ellos, y cada uno con sus propias características, no solamente de área sino de los

69

parámetros indicados. Esta es la diferencia con Huff y lo cual hace que MCI sea un modelo más ajustado a la realidad.

5. CONCLUSIONES Y RECOMENDACIONES La investigación adecuada del potencial de mercado es un aspecto de base para la apertura de un negocio o la ampliación de uno existente. Para ello, se cuenta con varias metodologías que tienen sus características propias como son aquellas aplicadas en el presente estudio: Site Selection, Huff y MCI. Como parte de la investigación se caracterizó cada una de ellas evidenciando que Site Selection se diferencia de las otras dos ya que es una metodología netamente descriptiva en el sentido que busca un mercado que cumpla con ciertas condiciones previamente establecidas, como un cierto nivel de ingresos, cierto monto en gastos o sitios con cierta densidad poblacional. Por otro lado, tanto Huff como MCI son metodologías gravitacionales que se fundamentan en la atracción que ejerce un local sobre el mercado potencial, es decir, de forma análoga a la atracción definida por la masa y la distancia (Chasco Yrigoyen M. , 2014); sin embargo, la particularidad de MCI es que permite caracterizar de mejor manera la oferta presentada por un local en función de sus características intrínsecas como tamaño, variedad, precio, entre otras. En la Tabla 3 se puede observar, de manera detallada, las variables que fueron consideradas en el presente estudio para cada una de las tres metodologías.

Una vez que se realizó toda la investigación de campo y se aplicó cada una de las metodologías se pudo evidenciar que Huff y MCI arrojaron resultados más coherentes

entre

sí,

mientras

Siete

Selection

tiende

a

sobre

estimar

considerablemente el tamaño del mercado potencial en alrededor de un 2,000% lo cual se debe fundamentalmente a que no considera la presencia de la competencia ni características explícitas del local y la oferta como se en el párrafo anterior y se observa en la Tabla 12.

Con este fundamento y considerando la hipótesis planteada “Existen diferencias significativas en

los resultados cuantitativos (cantidad de

hogares

70

potenciales) provenientes de la aplicación de las metodologías Site Selection, Huff y MCI en un estudio de Geomarketing enfocado en la venta de vino de alta calidad en el sector comercial del Parque La Carolina en el centro-norte de la ciudad de Quito, Ecuador”, se evidencia que sí existe una diferencia clara entre el modelo Site Selection y los otros dos modelos gravitacionales (Huff y MCI), pero no se evidencia una diferencia importante entre los dos modelos gravitacionales. Esto nos lleva a determinar claramente que Site Selection es el modelo que sí confirma la hipótesis planteada, mientras Huff y MCI son modelos cuyos resultados llevan a negar dicha hipótesis cuando se los compara entre sí.

Con base en lo mencionado y sobre los resultados obtenidos se puede decir que MCI es un modelo más preciso que Huff y Site Selection a la hora de determinar el mercado potencial para el establecimiento de un negocio ya que considera variables o características propias de la oferta (local, marca, precio, entre otros).

Para su aplicación es recomendable conceptualizar y definir adecuadamente las variables a investigar y contar con datos reales de las mismas que permitan caracterizar de la mejor manera posible al mercado y a la competencia. Además, se ha de dar consistencia a la investigación mediante la determinación del tamaño de la muestra adecuado y el diseño de las encuestas que es algo fundamental al recabar la información en terreno ya que esto llevará a que la aplicación de los modelos sea lo más objetiva posible.

Otra recomendación importante es que se defina detalladamente las características que diferencian a los locales de la competencia, como se puede ver en el ANEXO 5, así como su ubicación. Esto hace que los resultados, especialmente del modelo MCI sean más acertados y cercanos a la realidad.

71

6. REFERENCIAS Abulola, O. (2018). GIS Spatial Analysis: A New Approach to Site Selectin and Decision Making for Small Retail Facilities . Clearmont: Clearmont Graduate University.

Alhabeeb, M. (11 de Enero de 2019). Spatial Models of Consumer Choice for Retail Outlets: Theory and Practice in Physics of Marketing. International Journal of Marketing Studies, 11(1), 1 - 9.

Alto Nivel. (25 de febrero de 2013). Geomarketing para hacer localizable tu marca.

Obtenido de Alto NIvel: https://www.altonivel.com.mx/marketing/34244geomarketing-claves-para-localizar-a-tu-marca/ Álvarez, V. (3 de Octubre de 2014). TALLER gvSIG aplicado al GEOMÁRKETING. Montevideo, Uruguay.

Amézquita, L., & Patiño, Y. (2011). ESTUDIO ECONÓMICO DEL SECTOR RETAIL EN COLOMBIA. Superintendencia de Industria y Comercio.

Barrere, C. (Septembre - Obtobre de 2007). Un modele evolutionnaire de segmentation de marché du vin. Économie Rurale, 18 - 35.

Bhat, A. (2019). Market Research: Definition, methods, types and examples.

Recuperado el 11 de enero de 2020, de QuestionPro: https://www.questionpro.com/blog/what-is-market-research/ Bicgalicia.org. (s.f.). Como realizar un estudio de mercado. Galicia: Bicgalicia.

Bocalandro, N., & Krauthamer, D. (16 de noviembre de 2007). Académica. Obtenido de academica.mx/archivos/blogs/10e5dc14d7e1b5f4397f88b942cec590/13841 /8._geomarketing_aplicaciones_e_inteligencia_de_negocios_1.pdf Botero Ardila, J. L. (2011). Manual de mercadeo para PYMES. Bogotá: Universidad EAN. Buchner, R. (1998). Site Selection: New Advancements in Methods and Technology. New York: Chain Stgore Publishing Corp.

Calero Vargas, E. (2015). EL USO DE GEOMARKETING COMO HERRAMIENTA DE ANÁISIS Y/O PLANIFICACIÓN PARA LA EXPANSIÓN COMERCIAL A NIVEL ZONAL DE LA EMPRESA DE EMBUTIDOS "DON JUANCHITO", UBICADA EN EL CANTÓN AMBATO. Ambato, Ecuador.

72

Calvat, S., Falguiere, J., & Haddouche, S. (2008). LE GEOMARKETING. Camilleri, M. (2018). Market Segmentation, Targeting and Positioning. Travel Marketing, Tourism Economics and the Airline Product, 69-83. Obtenido de https://www.um.edu.mt/library/oar/bitstream/123456789/21433/5/Market%2 0Segmentation%20Targeting%20and%20Positioning.pdf Candido, J. C. (2017). Le géomarketing et la localisation: pour la faisabilité commerciale d'un produit forestier canadien à l’échelle des régions métropolitaines canado-américaines. Montréal, Canadá: Faculté des éudes supérieures et postdoctorales.

Cerda Troncoso, J. (2009). Modelo de interacción espacial para estimar la couta de mercado insular de Aqua Magica. Centre de Politica del Sol I Valorizacions.

Chasco Yrigoyen, M. (2014). Aplicación de los modelos de gravitación comercial a la determinación de áreas de mercado. Investigación y Marketing No. 52, 4448.

Chasco Yrigoyen, M. d. (2004). El Gepomarketing y la Distribución Comercial.

Investigación y Marketing - No. 79, 6 - 13.

Cliquet, G. (2006). Geomarketing: Methods and Strategies in Spatial Marketing.

London: ISTE Ltd. Cómbita Mora, G. (2012). ORIGEN Y EVOLUCIÓN DE LA TEORÍA DEL CRECIMIENTO IMPULSADO POR LA DEMANDA REAL. Cuadernos de Economía, 81 109.

Cruz Bello, G. M., & Montejano Escamilla, J. A. (Enero - Junio de 2018). Modelos de Geolocalización para Geomarketing. Espacialidades, 96 - 120.

Douard, J.-P., & Heitz, M. (2004). Le géomarketing: au service de la démarche marketing. Paris: Dunod.

Doyle, S. (2001). Software Review: How Is Geography Supporting Marketing in Today's Commercial Organizations? Journal of Database Marketing, vol.9, núm. 1, 85 - 89.

Emery, X. (2013). Geoestadística. Santiago: Universidad de Chile.

Entrepremjunts. (s.f.).

Obtenido de ENTREPREMJUNTS: https://www.emprenemjunts.es/adjuntos/894_ADJUNTO_1.pdf

73

Entrepreneur. (2019). Small Business Encyclopedia. (G. C. Business/Finance, Editor) Obtenido de Entrepreneur Media, Inc.: https://www.entrepreneur.com/encyclopedia/location Fuentes Jiménez, P. (2010). LA ORIENACIÓN AL MERCADO: EVOLUCIÓN Y MEDICIÓN DE UN ENFOQUE DE GESTIÓN QUE TRASCIENDE AL MARKETING. Recuperado el 03 de 10 de 2020, de PERSPECTIVAS: https://www.redalyc.org/articulo.oa?id=4259/425942454004 Geoinnova. (13 de Mayo de 2008). GMK Geomarketingspain. Obtenido de https://geomarketingspain.blogspot.com/2008/05/reas-de-influencia-ii-elmodelo-mci.html Instituto Ecuatoriano de Estadística y Censos. (Marzo de 2012). Ecuador en cifras.

Recuperado el 2020, de https://www.ecuadorencifras.gob.ec//encuestanacional-de-ingresos-y-gastos-de-los-hogares-urbanos-y-rurales/ Ladle, J., Stiller, D., & Stiller, D. (2009). Retail Site Selection: A New, Innovative model for Retail Development. Cornell Real State Review.

Linder, R. (2009). Utilizing GIS-Based Site Selection Analysis for Potential Customer Segmentation and Location. (S. M. Press, Ed.) Papers in Resource Analysis, 11, 1 - 11.

Longley, P., & Mateos, P. (2005). Un nuevo y prominente papel de los SIG y el geomarketing en la provisión de servicios públicos. Revista Internacional de Ciencia y Tecnología de la Información Geográfica, 1 - 5.

Melnyk, L., & Nyzhnyk, L. (2018). Geomarketing is an innovative technology business. INTERNATIONAL SCIENTIFIC JOURNAL "INDUSTRY 4.0"(3), 141 - 143. Recuperado el Agosto de 2019.

Mitriková, J., Senková, A., & Antoliková, S. (Septiembre de 2015). Application of the Huff Model of Shopping Probability in the Selected Stores in Presov.

Geographica Pannonica, 19(3), 110 - 121.

Montejano, J., & Cruz Bello, G. (2018). Modelos de localización para geomarketing.

Espacialidades, 95 - 120.

Plan

Negocios Perú.

(2020).

Obtenido de https://plandenegociosperu.com/2020/02/mercado-potencial-disponibleefectivo-y-objetivo/

74

Retailer, MKT. (09 de julio de 2019). Modelo multiplicativo de ineracción competitiva. MCI. Merchandising Estratégico, 1 - 2.

Ringo, L. (2009). Utilizing GIS-Based Site Selection Analysis for Potential Customer Segmentation and. Papers in Resource Analysis.}, 1 - 11.

Roig, N. (2103). Análisis de áreas comerciales mediante técnicas SIG. Valencia, España: Universitat Politécnica de Valéncia.

Rosu, L. (2013). GEOMARKETING - A NEW APPROACH IN DECISION MARKETING: CASE STUDY - SHOPPING CENTRES IN IASI. Lucrarile Seminarului Geografic "Dimitrie Cantemir"(36), 123 - 133.

Taylor, R. (1978). RETAIL SITE SELECTION USING MULTIPLE REGRESSION ANALYSIS. Denton, Texas, U.S.A. Thompson, I. (Agosto de 2005).

UNID. Obtenido de https://moodle2.unid.edu.mx/dts_cursos_mdl/pos/MD/MM/AM/03/Segmenta cion_del_Mercado.pdf Torres, M., Salazar, F., & Paz, K. (s.f.). Tamaño de una muestra para una investigación de mercado. (U. R. Landívar, Ed.) Boletín Electrónico.

Van Der Weij Cañigueral, M. (2013). Análisis, tendencia e innovación del mercado del vino en España. Valencia: Universitat Politécnica de Valencia.

Waite, B., & Shrewsbury, B. (2014). Starbucks Site Selection Analysis Bases on GIS Method. Rong Dai. Wang, L., Fan, H., & Wang, Y. (2018). Site Selection of Retail Shops Based on Spatial Accesibility and Hybrid BP Neural Network. International Journal of Geo-Information, 1 - 22.

Webster, F. (1999). Defining the New Marketing Concept. Marketing Management, 23 - 31.

Yarosh, O. (2019). Digital geomarketing methods for analyzing the development of the economy of modern urban space. IOP Conference Series: Materials Science and Engineering.

75

ANEXO 1 FORMULARIO DE ENCUESTA

ENCUENTA PARA ESTUDIO DE MERCADO DE VINO Fecha

Dirección DATOS GENERALES

Ingreso mensual

Gasto

Edad

promedio mensual

en

bebidas alcohólicas HABITO DE COMPRA DE VINO Compra

vino

Precio

Frecuencia

habitualmente EN UN RANGO DE -3 A +3 QUE IMPORTANCIA TIENEN LOS SIGUIENTES ASPECTOS PARA DECIDIR POR LA COMPRA DE VINO EN UN LOCAL DETERMINADO Marca

Calidad

Precio

Variedad

Atención

Diseño local

Parqueo Elaboración propia

76

ANEXO 2 TABULACIÓN DE ENCUESTAS

ImgMen:

Ingreso mensual en dólares

GasMenAlc: Gasto promedio mensual en bebidas alcohólicas Eda:

Edad

ComVinHab: Compra vino habitualmente Pre:

Precio promedio de una botella de vino que compra habitualmente

Frec:

Frecuencia con la que compra vino (mensual, trimestral, semestral, anual)

sMar

Importancia que asigna a la marca de vino al momento de decidir una compra (entre -3 y +3). Es el valor “s” en el modelo MCI.

sCal:

Importancia que asigna a la calidad de vino al momento de decidir una compara (entre -3 y +3). Es el valor “s” en el modelo MCI.

sPre:

Importancia que asigna al precio del vino al momento de decidir una compara (entre -3 y +3). Es el valor “s” en el modelo MCI.

sVar:

Importancia que asigna a la variedad que ofrece una tienda al momento de decidir una compara (entre -3 y +3). Es el valor “s” en el modelo MCI.

sAte:

Importancia que asigna a la atención especializada que brinda una tienda al momento de decidir una compara (entre -3 y +3). Es el valor “s” en el modelo MCI.

sLoc:

Importancia que asigna al diseño y distribución del vino en un local al momento de decidir una compara (entre -3 y +3). Es el valor “s” en el modelo MCI.

sPar:

Importancia que asigna a la existencia de parqueadero en un local al momento de decidir una compara (entre -3 y +3). Es el valor “s” en el modelo MCI.

IngMen

GasMenAlc

Eda

ComVinHab

Pre

Frec

sMar

sCal

sPre

sVar

sAte

sLoc

sPar

1,500 1,000

15

45

Si

12

Mensual

2

3

2

2

3

-1

-3

12

52

Si

6

Mensual

-1

3

2

3

3

1

3

3,000

20

56

Si

10

Mensual

2

3

2

3

3

2

1

77

800

10

54

Si

5

Mensual

1

3

1

3

1

3

3

4,000

80

57

Si

13

Mensual

1

2

2

2

2

2

2

3,000

60

43

Si

12

Mensual

2

3

2

3

2

1

2

2,200

50

32

Si

15 Trimestral

1

3

3

2

3

2

2

1,800

30

27

Si

12 Trimestral

1

2

3

1

2

1

1

1,500

15

33

Si

10 Trimestral

1

2

3

3

3

2

2

1,200

10

31

Si

7

Trimestral

1

2

3

2

2

1

3

1,100

10

28

Si

8

Semestral

2

2

3

2

2

1

2

1,500

15

35

Si

12 Trimestral

2

2

2

1

2

1

2

800

10

23

Si

8

Trimestral

2

2

3

1

2

2

2

1,300

10

24

Si

7

Trimestral

1

3

3

2

2

1

2

900

15

41

Si

7

Trimestral

2

3

2

2

2

1

3

1,000

12

34

Si

8

Mensual

2

2

2

3

2

2

3

1,100

10

47

Si

7

Mensual

3

2

3

2

2

2

1

900

15

47

Si

10

Mensual

3

3

3

2

2

1

3

1,000

10

52

Si

8

Trimestral

2

2

3

2

2

1

3

1,600

15

48

Si

10

Mensual

3

3

2

2

3

3

2

1,300

10

53

Si

7

Trimestral

2

3

2

2

3

3

3

1,200

12

49

Si

8

Trimestral

3

2

2

3

3

2

2

1,400

15

54

Si

10

Mensual

2

3

2

3

2

2

2

1,200

10

57

Si

12

Mensual

2

2

2

1

2

2

3

1,400

12

43

Si

10

Mensual

2

3

2

3

2

2

3

1,800

15

54

Si

12

Mensual

3

2

2

2

3

2

2

2,200

20

55

Si

15

Mensual

3

3

2

3

2

2

2

2,500

15

48

Si

10 Trimestral

2

3

3

2

2

3

3

2,500

20

39

Si

15

Mensual

3

3

2

3

2

2

3

2,600

20

49

Si

17 Trimestral

3

3

2

3

2

3

2

2,500

15

41

Si

12 Trimestral

3

2

2

3

2

2

1

2,600

20

39

Si

15

Mensual

3

3

2

3

2

1

2

2,000

15

51

Si

12

Mensual

3

2

2

2

3

3

2

2,700

20

37

Si

15

Mensual

2

3

3

2

2

1

2

3,000

20

43

Si

15

Mensual

3

3

3

3

2

2

2

78

2,800

25

55

Si

15

Mensual

3

3

2

2

2

3

3

3,500

25

48

Si

15

Mensual

2

3

2

3

3

3

3

3,200

20

37

Si

15

Mensual

3

3

3

2

2

3

2

1,700

15

35

Si

10 Trimestral

2

3

3

2

2

2

3

1,500

10

26

Si

7

Trimestral

2

2

3

2

2

3

3

1,900

15

53

Si

7

Mensual

3

3

3

2

2

3

2

2,000

10

26

Si

7

Trimestral

2

2

3

2

3

2

3

2,200

20

47

Si

10 Trimestral

2

3

2

2

3

3

2

1,200

15

39

Si

7

Trimestral

2

2

3

2

2

1

1

1,700

10

36

Si

7

Trimestral

2

3

3

2

3

3

3

2,000

10

43

Si

8

Trimestral

3

3

3

2

2

2

2

2,000

15

40

Si

10

Mensual

3

2

3

2

3

3

3

2,300

20

43

Si

15 Trimestral

3

3

3

3

2

2

2

2,100

20

58

Si

15

Mensual

3

3

2

2

2

3

3

1,800

20

34

Si

12 Trimestral

3

3

3

2

2

2

1

2,200

15

49

Si

15

Mensual

3

3

3

3

2

2

2

2,500

10

51

Si

7

Mensual

3

3

2

2

3

3

3

1,800

20

48

Si

12 Trimestral

3

3

2

3

2

2

2

2,300

20

45

Si

15

Mensual

3

3

3

3

2

3

3

2,400

15

38

Si

10

Mensual

2

3

3

2

3

2

2

2,500

20

39

Si

15

Mensual

3

3

3

3

3

2

2

2,000

20

47

Si

15 Trimestral

3

3

3

2

3

3

2

1,500

15

31

Si

10 Trimestral

3

3

2

3

3

2

2

1,600

15

27

Si

7

Trimestral

2

3

2

2

3

3

3

1,800

20

38

Si

12

Mensual

3

3

2

2

2

3

3

2,000

15

43

Si

10

Mensual

3

2

3

3

3

2

2

2,300

20

38

Si

15 Trimestral

2

3

1

3

2

2

3

2,400

15

40

Si

10

Mensual

3

3

2

2

3

3

3

2,500

20

44

Si

15

Mensual

3

2

3

3

2

2

2

2,600

20

48

Si

18 Trimestral

3

3

3

3

3

2

2

2,000

20

50

Si

15

Mensual

3

3

2

3

3

2

3

1,800

20

49

Si

12

Mensual

3

3

2

2

3

3

2

79

1,500

10

35

Si

7

Trimestral

2

2

2

2

3

3

3

2,300

20

38

Si

15 Trimestral

3

3

2

3

2

2

3

2,500

20

40

Si

15 Trimestral

3

2

3

3

3

2

2

2,500

15

45

Si

10

Mensual

3

3

3

2

2

3

3

2,800

20

50

Si

18

Mensual

3

3

3

3

2

2

2

2,000

20

49

Si

15

Mensual

3

3

2

2

3

3

3

2,300

25

45

Si

20 Trimestral

3

3

2

3

2

2

2

2,000

15

37

Si

7

Mensual

3

3

2

3

3

3

2

2,700

20

36

Si

17

Mensual

3

3

1

3

2

2

3

2,800

25

42

Si

20 Trimestral

3

3

3

2

3

3

3

3,000

20

51

Si

12 Trimestral

3

3

2

3

3

3

3

2,800

20

55

Si

18

Mensual

3

3

2

3

2

3

2

3,200

20

54

Si

15

Mensual

3

3

2

3

3

3

3

2,500

10

37

Si

8

Semestral

1

1

3

2

3

3

3

1,800

20

57

Si

14 Trimestral

3

3

2

3

3

3

3

2,000

20

40

Si

12 Trimestral

3

3

2

3

3

3

3

2,200

10

30

Si

8

Semestral

1

1

3

2

3

3

3

1,900

30

22

Si

18 Trimestral

3

3

2

3

3

3

3

2,300

30

67

Si

18 Trimestral

3

3

2

3

3

3

3

3,000

30

67

Si

18 Trimestral

3

3

2

3

3

3

3

2,900

10

20

Si

6

Semestral

1

2

3

1

3

3

3

2,600

10

68

Si

6

Semestral

2

1

2

2

2

1

3

2,800

30

29

Si

21

Mensual

3

3

1

3

3

3

3

2,700

30

39

Si

24 Trimestral

3

3

1

3

3

3

3

2,500

10

52

Si

8

Semestral

1

1

3

1

3

2

3

1,800

30

25

Si

18 Trimestral

3

3

1

3

3

3

3

1,700

30

34

Si

24 Trimestral

3

3

1

3

3

3

3

1,500

20

50

Si

12 Trimestral

3

3

2

3

3

3

3

2,000

20

66

Si

14 Trimestral

3

3

2

3

3

3

3

2,100

10

42

Si

6

Semestral

1

1

3

2

3

2

3

1,800

20

52

Si

16 Trimestral

3

3

2

3

3

3

3

2,000

20

22

Si

14

2

3

2

3

3

3

3

Mensual

80

1,700

10

56

Si

6

Semestral

1

1

3

2

3

2

3

2,200

20

36

Si

14 Trimestral

2

3

2

3

3

3

1

2,300

20

48

Si

12 Trimestral

3

3

2

3

3

3

3

2,700

10

50

Si

6

Semestral

1

1

3

2

3

3

3

2,300

20

68

Si

12 Trimestral

3

3

2

3

3

3

3

1,500

20

65

Si

14 Trimestral

2

3

2

3

3

3

3

1,600

20

65

Si

16 Trimestral

3

3

2

2

3

3

3

1,700

30

25

Si

24 Trimestral

3

3

1

3

3

3

3

2,000

10

49

Si

8

Trimestral

3

1

3

2

2

3

3

2,100

20

58

Si

14 Trimestral

3

3

1

3

3

3

3

2,500

30

21

Si

21 Trimestral

3

3

1

3

3

3

3

2,800

10

29

Si

8

Trimestral

1

1

3

2

2

3

3

2,500

10

31

Si

7

Mensual

2

1

3

2

2

3

3

2,700

30

38

Si

18 Trimestral

3

3

2

3

3

3

3

2,900

20

33

Si

12 Semestral

3

2

2

3

2

3

3

2,600

10

42

Si

7

Mensual

1

1

3

2

1

3

3

2,700

20

24

Si

14 Trimestral

3

3

2

3

3

3

3

2,000

20

54

Si

14 Trimestral

3

3

2

3

3

3

3

1,800

10

67

Si

6

Semestral

1

2

3

2

3

3

3

2,700

20

50

Si

12 Trimestral

3

3

2

3

3

3

3

3,000

30

46

Si

21 Trimestral

3

3

1

3

3

2

3

3,200

20

21

Si

12 Trimestral

2

3

2

3

3

3

3

2,200

20

64

Si

16 Trimestral

3

3

2

3

3

3

2

2,200

40

50

Si

32 Trimestral

3

3

1

3

3

3

3

2,100

10

31

Si

8

Semestral

2

1

3

2

3

3

3

1,900

20

66

Si

14 Trimestral

3

3

2

3

3

3

3

2,300

20

43

Si

12 Trimestral

3

3

2

3

3

2

3

2,200

10

55

Si

8

Semestral

1

1

2

2

3

3

3

2,600

10

59

Si

7

Semestral

2

1

3

2

3

3

3

2,900

30

69

Si

24 Trimestral

3

3

1

3

3

3

3

3,200

20

69

Si

12 Trimestral

3

3

2

3

3

3

3

3,300

10

60

Si

8

1

1

3

2

3

3

3

Semestral

81

3,500

10

47

Si

8

Mensual

1

1

3

1

3

3

2

3,400

20

67

Si

16 Trimestral

3

3

2

3

3

3

3

3,500

10

23

Si

6

Mensual

1

1

3

2

3

3

3

2,900

10

59

Si

7

Mensual

3

1

3

2

3

3

3

3,000

20

22

Si

16 Trimestral

2

3

1

3

3

3

3

3,500

10

39

Si

7

Mensual

1

1

3

2

3

2

3

3,600

30

62

Si

21 Trimestral

3

3

1

2

3

3

3

3,200

20

20

Si

14 Trimestral

3

3

2

3

3

3

3

3,000

10

48

Si

6

Trimestral

1

2

3

2

3

2

3

2,700

20

44

Si

16 Trimestral

3

3

2

2

3

3

3

3,200

10

58

Si

6

Mensual

1

1

3

2

3

3

3

3,000

20

30

Si

14 Trimestral

2

3

2

3

2

3

3

3,200

10

59

Si

8

Mensual

1

1

3

2

3

3

3

3,300

30

63

Si

18 Semestral

3

3

2

3

3

3

3

3,000

30

53

Si

18 Semestral

3

3

2

3

3

3

3

2,000

10

46

Si

8

Mensual

1

1

3

2

3

3

3

2,300

10

57

Si

6

Mensual

3

1

2

2

3

3

3

2,700

20

67

Si

16 Trimestral

3

3

2

3

3

3

3

3,000

20

69

Si

14 Trimestral

3

3

2

3

3

3

3

3,300

20

53

Si

12 Trimestral

2

3

2

3

3

3

3

2,900

10

69

Si

7

Mensual

1

1

1

2

3

3

3

3,000

30

46

Si

21 Trimestral

3

3

1

3

3

3

3

3,600

20

67

Si

14 Trimestral

3

3

2

3

3

3

3

3,400

10

39

Si

6

Semestral

1

1

3

2

2

3

3

2,900

10

70

Si

8

Semestral

1

1

3

2

2

3

3

2,300

10

69

Si

7

Semestral

1

1

3

2

2

3

3

2,800

30

64

Si

24

Mensual

3

3

2

3

3

3

2

2,200

10

63

Si

8

Semestral

1

1

3

2

2

3

2

2,100

10

46

Si

8

Semestral

1

1

3

1

2

2

3

3,400

10

65

Si

6

Semestral

1

1

3

2

2

3

3

3,400

30

27

Si

18 Trimestral

3

3

1

3

3

3

3

2,800

30

29

Si

18 Trimestral

3

3

2

3

3

3

1

82

3,100

10

64

Si

7

Semestral

1

1

3

2

2

3

3

2,800

20

37

Si

14 Trimestral

2

3

2

3

3

3

3

3,800

10

49

Si

8

Semestral

1

1

3

2

3

1

3

3,800

20

68

Si

14 Trimestral

3

3

2

3

3

3

3

1,400

10

64

Si

6

Semestral

1

1

3

2

3

2

3

1,900

10

61

Si

7

Semestral

1

1

3

3

3

3

3

3,500

20

52

Si

12 Trimestral

3

3

2

3

3

3

3

1,300

30

41

Si

24 Trimestral

3

3

1

3

3

3

3

1,900

30

34

Si

18 Trimestral

3

3

2

3

3

3

3

1,900

20

58

Si

16 Trimestral

3

3

2

3

3

3

3

3,300

40

39

Si

32 Trimestral

2

3

1

3

3

3

3

2,200

20

63

Si

14 Trimestral

3

2

2

3

3

3

3

3,900

40

27

Si

24 Trimestral

3

3

1

3

3

3

3

2,500

30

60

Si

18 Trimestral

3

3

2

2

3

2

3

2,700

20

65

Si

16 Trimestral

1

3

2

3

3

3

3

3,100

10

58

Si

8

Semestral

1

1

3

2

3

3

3

3,500

30

62

Si

18

Mensual

3

3

2

3

3

3

2

3,500

30

41

Si

24 Trimestral

3

3

1

3

3

3

3

1,200

30

68

Si

21 Trimestral

3

3

1

3

3

3

3

2,500

20

55

Si

16 Trimestral

3

3

2

3

2

3

3

1,700

10

25

Si

8

Semestral

1

3

3

2

3

3

3

1,900

30

66

Si

24 Trimestral

3

3

1

3

3

3

3

3,100

20

37

Si

14 Trimestral

3

3

1

3

3

3

3

1,900

30

43

Si

24 Trimestral

3

3

1

3

3

2

3

2,900

10

60

Si

7

Semestral

1

3

3

2

3

3

3

3,800

20

60

Si

16 Trimestral

3

3

2

3

3

3

3

3,900

10

40

Si

7

Semestral

1

1

2

2

3

3

2

2,500

10

41

Si

6

Semestral

2

1

1

2

3

3

3

3,600

20

34

Si

12 Trimestral

3

3

2

3

3

3

3

3,000

30

21

Si

21

Mensual

3

3

2

3

3

3

3

2,700

40

27

Si

28 Trimestral

3

3

1

3

3

3

3

1,700

30

33

Si

18 Trimestral

3

3

2

3

3

3

3

83

1,400

10

37

Si

7

Semestral

1

1

2

2

3

3

3

1,200

10

44

Si

8

Semestral

1

1

3

2

3

3

3

1,900

20

68

Si

12 Trimestral

3

3

2

3

3

3

3

3,000

20

66

Si

14 Semestral

3

3

2

3

3

3

3

3,900

10

40

Si

8

Semestral

1

1

3

2

3

2

3

2,100

30

55

Si

24 Trimestral

3

3

1

3

3

3

3

2,200

10

60

Si

7

Semestral

1

1

3

2

2

3

3

2,300

10

63

Si

6

Semestral

1

1

3

2

2

3

3

2,900

30

57

Si

24 Trimestral

3

3

2

3

3

3

3

2,400

10

59

Si

7

Semestral

1

1

3

3

2

3

3

2,700

30

62

Si

24 Trimestral

2

3

2

3

3

3

3

2,500

30

30

Si

18 Trimestral

3

3

2

3

3

3

3

1,600

20

38

Si

12 Trimestral

3

3

2

3

3

3

3

1,500

20

35

Si

16 Trimestral

2

3

2

3

3

3

3

1,300

40

46

Si

24 Trimestral

3

3

2

3

3

3

2

1,300

10

56

Si

7

Semestral

1

1

3

2

2

3

3

1,200

10

69

Si

8

Semestral

1

1

3

2

3

2

3

3,900

10

45

Si

8

Semestral

1

1

3

2

3

2

3

1,200

20

22

Si

16 Trimestral

3

3

2

3

3

3

3

1,700

20

67

Si

14 Semestral

3

3

2

3

3

3

3

2,700

30

24

Si

18 Trimestral

3

2

2

3

3

3

3

3,300

30

30

Si

21 Trimestral

3

2

1

2

3

3

3

1,300

10

29

Si

6

Semestral

1

3

3

2

3

2

3

3,900

10

64

Si

7

Semestral

1

1

3

2

3

3

3

3,600

10

54

Si

8

Semestral

1

1

3

2

3

3

3

1,800

10

61

Si

8

Semestral

1

1

3

2

3

3

3

2,300

10

32

Si

8

Semestral

2

1

2

2

3

3

3

3,300

20

58

Si

12 Trimestral

3

3

2

2

3

3

3

3,200

30

51

Si

24 Trimestral

3

3

2

3

2

3

3

1,800

10

48

Si

6

Semestral

1

1

3

2

3

3

3

1,200

10

29

Si

7

Semestral

1

1

3

2

2

3

3

2,300

20

69

Si

14 Trimestral

2

3

3

3

3

3

3

84

3,000

20

36

Si

14 Trimestral

3

3

2

3

2

3

3

2,800

30

65

Si

24 Trimestral

3

3

2

3

3

3

3

3,900

20

39

Si

12 Trimestral

3

3

2

3

3

3

3

1,700

20

27

Si

12 Trimestral

3

3

2

3

3

3

3

3,600

30

47

Si

24 Trimestral

3

3

2

3

3

3

3

1,500

30

48

Si

24 Semestral

3

3

1

3

3

3

3

3,800

30

27

Si

21 Trimestral

3

3

1

3

3

3

3

1,900

40

47

Si

28 Trimestral

3

3

1

3

3

3

3

3,800

20

56

Si

12 Trimestral

3

3

2

3

3

3

3

1,500

10

65

Si

7

Trimestral

1

1

3

2

3

3

3

2,100

30

44

Si

24 Trimestral

3

3

1

3

3

2

3

2,400

30

21

Si

24 Trimestral

2

3

1

3

3

3

3

2,100

10

32

Si

8

Mensual

1

1

3

2

3

3

3

1,900

10

59

Si

7

Mensual

1

1

3

2

3

3

3

1,300

30

38

Si

21 Trimestral

3

3

1

3

3

3

3

3,000

30

65

Si

24

Mensual

3

2

1

2

3

3

2

3,700

10

36

Si

8

Mensual

1

1

3

2

3

3

3

3,700

20

37

Si

12 Trimestral

3

3

2

3

3

3

3

3,100

30

64

Si

21 Trimestral

3

3

2

3

3

3

3

3,900

20

55

Si

16 Trimestral

3

3

1

3

3

3

3

2,500

30

48

Si

21 Trimestral

3

3

2

3

3

3

3

3,700

10

35

Si

6

Mensual

1

2

3

1

3

3

3

3,100

10

31

Si

8

Mensual

1

1

3

2

3

3

3

3,100

10

46

Si

6

Semestral

1

1

3

2

2

2

3

3,400

10

37

Si

8

Semestral

1

3

3

2

2

2

2

1,200

10

56

Si

8

Semestral

1

1

3

2

2

2

3

3,000

30

56

Si

24 Trimestral

3

3

2

3

3

3

3

2,400

10

58

Si

7

Semestral

1

1

3

2

3

3

3

3,500

30

26

Si

18 Trimestral

3

3

2

3

3

2

2

3,700

40

58

Si

28 Trimestral

3

3

1

3

3

3

3

1,800

30

26

Si

21 Trimestral

3

3

1

3

3

3

3

2,000

30

40

Si

21 Semestral

3

3

1

3

3

3

3

85

2,900

20

43

Si

12 Trimestral

2

3

2

3

3

3

3

2,200

30

58

Si

18 Trimestral

3

3

2

3

3

3

3

3,500

30

64

Si

21 Trimestral

2

3

1

3

3

2

2

2,300

10

60

Si

7

Semestral

1

1

2

2

3

3

3

3,800

10

27

Si

6

Semestral

3

2

3

2

3

3

3

2,400

30

26

Si

24 Trimestral

3

3

1

2

3

3

3

3,000

20

20

Si

14 Trimestral

3

3

2

3

3

3

3

3,200

20

27

Si

14 Trimestral

3

3

2

2

3

3

3

3,800

20

70

Si

16 Trimestral

3

3

2

3

3

3

3

3,700

10

29

Si

6

Mensual

1

3

3

2

3

3

3

3,300

30

54

Si

24 Trimestral

3

3

2

3

3

3

3

2,600

30

44

Si

21 Trimestral

3

3

2

3

3

3

3

3,300

40

51

Si

28 Trimestral

3

3

2

3

2

3

3

3,000

20

58

Si

16 Trimestral

3

3

2

3

3

3

3

1,500

30

35

Si

18 Semestral

3

3

2

3

3

3

3

1,700

20

21

Si

16 Trimestral

3

3

2

3

3

3

3

1,900

20

62

Si

16 Trimestral

3

3

2

3

3

3

3

3,400

30

45

Si

18 Trimestral

3

3

2

3

3

3

3

1,400

10

46

Si

6

Mensual

1

3

3

2

3

3

3

2,500

20

39

Si

14 Trimestral

2

3

1

3

2

3

3

2,200

10

42

Si

7

Mensual

1

2

3

2

3

3

3

1,700

10

21

Si

6

Mensual

1

2

2

2

3

3

3

1,600

10

66

Si

6

Mensual

3

3

1

2

3

1

3

3,200

10

29

Si

6

Semestral

1

2

3

2

3

1

3

3,900

10

69

Si

7

Semestral

1

1

3

1

2

2

3

1,200

10

62

Si

6

Semestral

1

1

3

2

2

3

3

2,000

10

47

Si

7

Semestral

1

1

3

2

2

3

3

1,400

20

26

Si

12 Trimestral

3

3

2

3

3

3

3

3,400

30

32

Si

24

Mensual

3

3

2

3

3

3

3

3,600

30

65

Si

18 Trimestral

3

3

2

1

3

3

3

2,000

20

58

Si

16 Trimestral

3

3

2

3

3

3

3

2,700

20

42

Si

16

3

3

2

3

3

3

3

Mensual

86

2,600

10

53

Si

8

Semestral

1

1

3

2

2

3

3

2,700

10

69

Si

6

Semestral

1

2

3

2

2

3

3

3,700

20

32

Si

14 Trimestral

3

3

2

3

3

3

3

2,600

10

34

Si

7

Semestral

1

1

3

2

3

3

3

3,600

40

46

Si

24 Trimestral

3

3

1

3

3

3

3

3,200

30

38

Si

24 Trimestral

3

3

1

3

3

3

3

3,500

10

47

Si

8

Semestral

1

1

3

2

3

3

3

1,400

20

31

Si

12 Trimestral

3

3

2

3

3

3

3

3,500

30

69

Si

18 Trimestral

3

3

2

3

3

3

3

3,900

30

34

Si

21 Trimestral

3

3

2

3

3

3

3

1,800

40

66

Si

32 Trimestral

3

3

2

3

3

3

3

3,100

20

34

Si

12 Trimestral

2

3

2

3

3

3

3

3,400

20

22

Si

16 Trimestral

3

2

2

3

3

3

3

2,100

10

42

Si

6

Semestral

1

1

3

2

3

3

3

3,600

10

70

Si

6

Semestral

1

1

3

2

3

3

3

3,700

30

45

Si

21

Mensual

3

3

2

3

3

3

3

3,500

10

51

Si

7

Semestral

1

1

2

2

3

3

2

2,500

10

40

Si

7

Semestral

1

1

3

2

3

3

3

3,100

20

34

Si

14 Semestral

3

3

2

3

3

3

3

3,400

10

69

Si

7

Mensual

1

1

2

2

3

3

3

2,700

10

63

Si

8

Mensual

1

1

3

3

3

3

3

2,100

20

27

Si

16 Trimestral

3

3

2

3

3

3

3

3,300

20

54

Si

14 Semestral

3

3

1

3

3

3

3

2,100

20

56

Si

12 Trimestral

3

3

2

3

3

3

2

3,400

20

31

Si

14 Trimestral

3

3

2

3

3

3

3

1,700

20

43

Si

12 Semestral

3

3

2

3

3

2

3

2,600

10

70

Si

8

Mensual

2

3

3

2

2

3

3

1,900

20

57

Si

14 Trimestral

3

3

2

3

3

3

3

3,600

10

55

Si

7

Mensual

1

1

3

2

2

3

3

3,900

30

31

Si

24 Trimestral

3

3

1

2

3

3

3

1,600

10

40

Si

6

Mensual

1

1

3

2

3

3

3

1,800

10

65

Si

6

Semestral

1

1

3

2

3

3

3

87

2,100

10

54

Si

7

Semestral

1

1

1

2

3

3

3

1,800

30

44

Si

18 Trimestral

3

3

2

2

3

3

3

2,500

30

60

Si

18 Trimestral

2

3

2

3

3

3

3

2,800

10

53

Si

7

Semestral

1

1

3

2

3

3

3

3,000

30

20

Si

18 Semestral

3

3

2

3

3

3

3

2,000

20

50

Si

14

Mensual

3

3

2

3

3

3

3

2,900

10

41

Si

8

Semestral

1

1

3

2

3

3

3

3,200

20

41

Si

14

Mensual

3

3

2

3

3

3

3

3,300

20

45

Si

16 Trimestral

3

3

2

3

3

3

3

3,700

20

20

Si

16 Trimestral

3

3

2

3

3

3

3

3,600

30

48

Si

21 Trimestral

3

3

1

3

3

3

3

2,600

30

20

Si

24

Mensual

3

3

1

3

3

3

3

1,600

30

25

Si

21

Mensual

2

2

1

3

3

3

2

3,600

10

47

Si

6

Semestral

1

1

3

2

3

3

3

1,400

20

64

Si

16 Trimestral

3

3

2

3

2

3

3

1,300

10

41

Si

6

Semestral

1

3

3

2

3

3

3

3,400

20

51

Si

12 Trimestral

3

3

2

3

3

3

3

1,700

10

68

Si

6

Semestral

1

1

3

1

2

3

3

1,300

10

42

Si

6

Semestral

1

1

3

2

2

3

3

3,700

10

66

Si

7

Semestral

1

1

3

2

3

2

3

1,400

20

70

Si

12 Trimestral

3

3

2

3

3

3

3

3,700

20

31

Si

16 Trimestral

2

3

2

3

3

3

3

1,500

40

60

Si

24 Trimestral

2

3

1

3

3

3

2

1,200

20

59

Si

16

Mensual

3

3

2

3

3

3

2

1,700

20

24

Si

12 Trimestral

3

3

1

3

3

3

3

3,200

20

44

Si

16 Trimestral

3

3

2

3

3

3

3

1,500

10

49

Si

6

Semestral

1

1

3

2

3

2

3

2,800

30

20

Si

18 Trimestral

3

2

2

3

3

1

3

2,400

30

26

Si

21 Trimestral

3

3

1

3

3

2

3

2,100

30

63

Si

21 Trimestral

3

3

2

3

3

3

3

2,700

20

40

Si

12 Trimestral

3

3

2

3

3

3

3

1,900

10

31

Si

6

3

1

3

2

3

2

3

Semestral

88

2,700

10

62

Si

7

Semestral

1

2

3

2

2

3

3

3,200

30

24

Si

18

Mensual

3

3

2

3

3

3

3

3,900

20

44

Si

16 Trimestral

3

3

2

3

3

3

3

1,300

30

54

Si

24 Semestral

3

3

2

3

3

3

3

1,800

10

21

Si

7

Semestral

1

1

3

2

2

3

3

3,200

30

38

Si

18 Trimestral

3

3

2

2

3

3

3

1,300

30

41

Si

18 Semestral

3

3

2

3

3

3

3

1,500

10

24

Si

8

Semestral

1

1

3

2

2

3

3

3,300

20

24

Si

16 Trimestral

3

3

2

3

3

3

3

2,600

10

41

Si

6

Mensual

1

1

3

2

2

3

3

2700

30

41

Si

24 Trimestral

3

2

2

3

3

3

3

1,300

20

61

Si

16 Semestral

3

3

1

3

3

3

3

1,800

20

25

Si

12 Trimestral

3

3

2

3

3

3

3

2,300

30

38

Si

21 Trimestral

3

3

1

3

3

3

3

3,900

10

36

Si

6

Mensual

1

1

2

2

3

3

3

2,900

10

38

Si

7

Semestral

1

1

1

1

3

3

1

3,800

20

61

Si

12 Semestral

3

3

2

3

3

3

3

2,800

20

41

Si

14 Trimestral

1

3

2

3

3

3

3

2,300

20

51

Si

12

Mensual

3

3

2

3

3

3

3

1,600

20

48

Si

14 Trimestral

3

3

2

3

3

3

3

2,400

10

61

Si

6

Semestral

1

1

3

2

3

3

3

3,700

30

40

Si

18 Trimestral

2

3

2

3

3

3

3

2,900

10

59

Si

8

Semestral

1

1

3

2

3

3

3

2,200

10

31

Si

6

Semestral

3

2

1

2

3

3

3

3,700

30

22

Si

18

Mensual

3

3

2

3

3

3

3

3,800

20

34

Si

16 Trimestral

3

3

2

3

3

3

3

2,800

20

30

Si

12 Trimestral

3

3

1

2

3

3

3

3,000

20

68

Si

12

Mensual

3

3

2

3

3

3

3

1,300

10

25

Si

7

Semestral

1

1

3

2

2

3

3

Elaboración propia

89

ANEXO 3 ESTRUCTURA Y DICCIONARIO DE DATOS DE LA GEODATABASE FEATURE

CAMPO

DESCRIPCIÓN

CLASS

TIPO DE

RELACIÓN CON LAS

DATO

VARIABLES UTILIZADAS (Tabla 3)

Area_Mz

Área de la manzana medido (m2)

Double

Se utiliza en el cálculo de la variable: Densidad poblacional

Pob_Man Den_Pob

Población total de la manzana

Short

Se utiliza en el cálculo de la variable:

(habitantes)

Integer

Densidad poblacional

Densidad poblacional (habitantes /

Float

Variable que se utiliza en el Modelo

m2) = Pob_Man / Area_Mz

Site Selection: Densidad poblacional

Hog_A

Cantidad de hogares de Nivel Socio

Short Integer

Económico A en la manzana

Se utiliza en el cálculo de la cantidad total de hogares en la manzana (Hog_Man)

Hog_B

Cantidad de hogares de Nivel Socio

Short Integer

M A N Z A N A

( p o l í g o n o )

Económico B en la manzana

Se utiliza en el cálculo de la cantidad total de hogares en la manzana (Hog_Man)

Hog_C1

Cantidad de hogares de Nivel Socio

Short Integer

Económico C Más en la manzana

Se utiliza en el cálculo de la cantidad total de hogares en la manzana (Hog_Man)

Hog_C2

Cantidad de hogares de Nivel Socio

Short Integer

Económico C Menos en la manzana

Se utiliza en el cálculo de la cantidad total de hogares en la manzana (Hog_Man)

Hog_D

Cantidad de hogares de Nivel Socio

Short Integer

Económico D en la manzana

Se utiliza en el cálculo de la cantidad total de hogares en la manzana (Hog_Man)

Hog_Man

Ing_Man_A

Ing_Man_B

Ing_Man_C1

Ing_Man_C2

Cantidad total de hogares en la

Short Integer

Se utiliza en el cálculo de la variable:

manzana = Hog_A + Hog_B +

Ingreso Promedio Familiar de la

Hog_C1 + Hog_C2 + Hog_D

manzana (Ing_Pro_Fam)

Ingresos mensuales de todos

Long Integer

Se utiliza en el cálculo del ingreso total

los hogares de Nivel Socio Económico

de los hogares en la manzana

A en la manzana

(Ing_Man)

Ingresos mensuales de todos

Long Integer

Se utiliza en el cálculo del ingreso total

los hogares de Nivel Socio Económico

de los hogares en la manzana

B en la manzana

(Ing_Man)

Ingresos mensuales de todos

Long Integer

Se utiliza en el cálculo del ingreso total

los hogares de Nivel Socio Económico

de los hogares en la manzana

C Más en la manzana

(Ing_Man)

Ingresos mensuales de todos

Long Integer

Se utiliza en el cálculo del ingreso total

los hogares de Nivel Socio Económico

de los hogares en la manzana

C Menos en la manzana

(Ing_Man)

90

Ing_Man_D

Ingresos mensuales de todos

Long Integer

los hogares de Nivel Socio Económico

de los hogares en la manzana

D en la manzana Ing_Man

Se utiliza en el cálculo del ingreso total (Ing_Man)

Ingresos mensuales totales de los

Long Integer

hogares en la manzana

Se utiliza en el cálculo de la variable: Ingreso Promedio Familiar de la manzana (Ing_Pro_Fam)

Ing_Pro_Fam

Ingreso promedio familiar mensual en

Double

la manzana = Ing_Man / Hog_Man

Variable que se utiliza en el Modelo Site Seledtion: Ingreso promedio familiar

Gas_Alc_A

Gas_Alc_B

Gas_Alc_C1

Gas_Alc_C2

Gas_Alc_D

Gas_Alc_Ma

Gasto total mensual en bebidas

Short Integer

Se utiliza en el cálculo de la variable:

alcohólicas de los hogares de Nivel

Gasto

Socio Económico A en la manzana

alcohólicas (Gas_Pro_Alc)

Gasto total mensual en bebidas

Short Integer

promedio

en

Se utiliza en el cálculo de la variable:

alcohólicas de los hogares de Nivel

Gasto

Socio Económico B en la manzana

alcohólicas (Gas_Pro_Alc)

Gasto total mensual en bebidas

Short Integer

promedio

en

Gasto

Socio C Más en la manzana

alcohólicas (Gas_Pro_Alc) Short Integer

promedio

en

Gasto

Socio C Menos en la manzana

alcohólicas (Gas_Pro_Alc) Short Integer

bebidas

Se utiliza en el cálculo de la variable:

alcohólicas de los hogares de Nivel Gasto total mensual en bebidas

bebidas

Se utiliza en el cálculo de la variable:

alcohólicas de los hogares de Nivel Gasto total mensual en bebidas

bebidas

promedio

en

bebidas

Se utiliza en el cálculo de la variable:

alcohólicas de los hogares de Nivel

Gasto total en bebidas alcohólicas

Socio D en la manzana

(Gas_Alc_Ma)

Gasto total en bebidas alcohólicas en la

manzana

Gas_Alc_B

= +

Long Integer

Se utiliza en el cálculo de la variable:

Gas_Alc_A

+

Gasto

promedio

en

Gas_Alc_C1

+

alcohólicas (Gas_Pro_Alc)

bebidas

Gas_Alc_C2 + Gas Alc_D Gas_Pro_Alc

Gasto promedio mensual por familia

Float

Variable que se utiliza en el Modelo

en bebidas alcohólicas = Gas_Alc_Ma

Site Seledtion:

/ Hog_Man

Gasto

promedio

alcohólicas NSE_Pred

Nivel Socio Económico Predominante

Texto

en la manzana

Elaboración propia

en

bebidas

91

ANEXO 4 RESULTADOS SITE SELECTION

Los nombres de los campos se encuentran detallados en el ANEXO 3 Los datos están presentados por cantidad de hogares.

MZNA

Hog_ A

Hog_ B

Ing_Man_ A

Ing_Man_ B

Ing_Pro_ Fa

Gas_Alc_ A

Gas_Alc_ B

Gas_Pro_ Al

NSE_ Pred

176085.0 176098.0 175882.0 176082.0 175880.0 176083.0 176099.0 176084.0 176097.0 176113.0 175947.0 175955.0 175941.0 176072.0 175924.0 175908.0 176005.0 176031.0 176004.0 176021.0 175975.0 175978.0 175993.0 176000.0 174659.0 174628.0 174656.0 174785.0 175288.0 176143.0 175922.0 176142.0 175910.0 175892.0

21 28 22 12 22 31 41 12 10 5 17 17 23 19 22 20 7 44 5 23 8 10 23 13 10 4 5 20 5 103 119 76 44 12

46 66 53 17 34 91 124 55 24 24 28 70 54 51 58 44 18 132 21 40 25 18 42 31 38 29 42 93 19 135 261 146 102 41

136,629 179,775 139,026 86,292 134,232 177,378 302,022 107,865 67,116 31,161 93,483 86,292 148,614 115,056 112,659 103,071 57,528 321,198 26,367 129,438 67,116 79,101 143,820 112,659 57,528 31,161 43,146 146,217 33,558 625,617 680,748 441,048 287,640 88,689

132,330 162,405 158,796 72,180 98,646 238,194 366,915 121,503 69,774 66,165 66,165 209,322 159,999 127,518 156,390 129,924 51,729 352,479 73,383 113,082 70,977 56,541 105,864 93,834 127,518 108,270 157,593 301,953 76,992 396,990 683,304 372,930 265,863 153,984

3,496.74 3,077.86 3,557.60 4,954.00 3,488.08 3,136.17 3,555.31 3,122.23 3,556.93 2,886.28 3,141.70 2,580.64 3,634.86 3,053.94 2,898.88 3,289.25 3,667.31 3,236.60 3,484.60 3,243.94 3,753.36 3,986.40 3,468.00 4,159.94 3,092.89 3,219.16 3,354.51 3,286.36 3,317.72 3,796.98 3,173.66 3,282.04 3,538.90 4,039.15

399 525 406 252 392 518 882 315 196 91 273 252 434 336 329 301 168 938 77 378 196 231 420 329 168 91 126 427 98 1,827 1,988 1,288 840 259

550 675 660 300 410 990 1525 505 290 275 275 870 665 530 650 540 215 1,465 305 470 295 235 440 390 530 450 655 1255 320 1,650 2,840 1,550 1105 640

12.82 11.17 13.03 17.89 12.45 11.63 13.18 11.35 13.07 11.40 11.35 10.28 13.24 11.56 10.90 12.22 13.49 12.11 13.47 12.05 13.83 14.38 12.21 14.87 12.30 13.00 13.83 12.97 13.16 13.24 11.58 11.79 12.68 15.25

B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B

92

175948.0 175912.0 175896.0 175904.0 175902.0 175905.0 175923.0 179479.0 179470.0 179682.0 179541.0 179685.0 179547.0 179686.0 179549.0 179556.0 179477.0 179684.0 179487.0 179566.0 174594.0 174619.0 174615.0 174600.0 174568.0 174567.0 174580.0 174591.0 174653.0 174593.0 174586.0 174566.0 174652.0 174575.0 174573.0 176136.0 176028.0 176139.0 176137.0 176024.0 178348.0 175976.0 176138.0 175998.0

75 13 52 20 41 37 28 7 7 16 16 13 18 10 4 2 4 25 8 0 17 8 13 10 5 6 7 14 1 4 4 9 11 12 4 5 16 7 12 12 18 12 16 10

208 45 79 29 64 68 51 18 30 42 24 62 45 72 17 18 10 83 22 11 95 52 64 27 17 26 24 28 11 15 10 18 32 29 19 30 35 19 46 32 37 33 33 24

429,063 91,086 306,816 86,292 270,861 239,700 136,629 57,528 52,734 124,644 98,277 86,292 158,202 76,704 26,367 26,367 33,558 208,539 55,131 0 167,790 76,704 88,689 100,674 31,161 40,749 40,749 112,659 11,985 33,558 26,367 98,277 83,895 57,528 19,176 40,749 100,674 47,940 74,307 81,498 124,644 103,071 124,644 83,895

507,666 141,954 204,510 80,601 172,029 203,307 133,533 66,165 114,285 147,969 93,834 221,352 167,217 256,239 55,338 76,992 38,496 303,156 69,774 34,887 318,795 191,277 232,179 114,285 64,962 85,413 91,428 86,616 42,105 42,105 33,684 52,932 120,300 81,804 84,210 116,691 132,330 76,992 149,172 99,849 110,676 125,112 114,285 101,052

2,969.67 3,510.40 3,569.28 2,981.05 3,741.94 3,631.10 3,014.36 3,918.57 3,467.38 3,659.24 3,957.11 3,382.55 4,278.76 3,285.74 2,998.17 3,456.53 3,939.65 3,653.46 3,232.02 2,754.17 3,776.14 3,655.05 3,570.67 4,992.33 3,070.79 3,066.45 3,582.06 4,007.05 3,525.30 3,432.38 3,520.95 4,962.09 3,951.89 3,106.27 3,764.91 3,933.07 3,881.49 4,149.38 3,325.44 3,477.74 3,541.23 4,444.45 3,628.38 4,424.94

1,253 266 896 252 791 700 399 168 154 364 287 252 462 224 77 77 98 609 161 0 490 224 259 294 91 119 119 329 35 98 77 287 245 168 56 119 294 140 217 238 364 301 364 245

2,110 590 850 335 715 845 555 275 475 615 390 920 695 1065 230 320 160 1260 290 145 1325 795 965 475 270 355 380 360 175 175 140 220 500 340 350 485 550 320 620 415 460 520 475 420

10.97 13.28 12.38 10.70 13.04 13.02 10.95 14.59 13.71 14.28 14.58 13.54 15.59 13.37 12.12 13.95 14.91 14.15 12.23 11.83 14.73 14.23 14.09 18.20 12.19 12.11 14.21 14.65 14.30 12.67 13.25 16.94 15.16 12.05 15.34 15.42 14.60 15.50 12.94 12.82 12.97 16.65 13.28 16.50

B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B

93

176026.0 175992.0 176086.0 176071.0 175860.0 176092.0 175915.0 175895.0 175869.0 175885.0 176108.0 176080.0 175879.0 175909.0 176107.0 176106.0 175893.0 175901.0 175877.0 176081.0 175878.0 175868.0 175883.0 175882.0 176101.0 179447.0 179455.0 179450.0 179444.0 179435.0 179654.0 179432.0 179440.0 179431.0 179384.0 179421.0 179422.0 179412.0 179410.0

14 24 10 18 11 23 11 14 4 1 2 14 7 5 4 2 5 17 8 10 10 2 7 22 2 2 1 1 0 4 2 4 0 8 4 0 1 1 1

Elaboración propia

27 59 14 125 24 52 31 77 36 17 23 37 33 24 34 21 28 39 32 37 45 19 41 53 32 16 28 32 17 17 12 11 28 19 18 10 17 16 19

88,689 160,599 83,895 115,056 71,910 170,187 81,498 91,086 23,970 4,794 23,970 141,423 45,543 31,161 40,749 14,382 26,367 83,895 71,910 57,528 52,734 16,779 59,925 139,026 23,970 19,176 4,794 4,794 0 33,558 16,779 16,779 0 55,131 17,689 0 2,397 11,985 14,382

85,413 185,262 51,729 374,133 73,383 162,405 86,616 276,690 119,097 73,383 90,225 120,300 87,819 84,210 131,127 83,007 80,601 119,097 119,097 134,736 158,796 74,586 166,014 158,796 127,518 60,150 113,082 120,300 58,947 79,398 40,902 33,684 87,819 66,165 54,565 33,684 63,759 51,729 64,962

3,076.03 3,569.27 5,093.79 2,984.97 3,520.22 3,559.35 3,349.73 3,348.00 3,079.71 3,484.11 3,287.08 3,918.99 2,918.28 3,260.13 3,864.00 3,146.60 2,760.46 3,298.03 3,745.29 3,475.68 3,343.22 3,678.73 3,643.02 3,557.60 3,775.50 3,555.00 3,045.43 3,520.69 2,820.84 3,830.17 2,977.96 3,208.88 2,660.41 3,979.50 2,266.13 2,906.33 2,637.89 2,887.24 3,290.06

259 469 245 336 210 497 238 266 70 14 70 413 133 91 119 42 77 245 210 168 154 49 175 406 70 56 14 14 0 98 49 49 0 161 500 0 7 35 42

355 770 215 1555 305 675 360 1150 495 305 375 500 365 350 545 345 335 495 495 560 660 310 690 660 530 250 470 500 245 330 170 140 365 275 12 140 265 215 270

11.49 13.25 17.79 11.89 13.06 13.15 12.44 13.34 12.74 14.52 13.49 14.49 11.28 12.63 15.35 13.13 11.15 12.52 14.48 13.69 13.07 15.27 14.71 13.03 15.33 14.25 12.96 15.09 12.16 15.08 11.92 12.92 11.49 14.50 11.38 12.50 11.27 11.79 13.47

B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B

94

ANEXO 5 DATOS DE LOS LOCALES DE VENTA DE VINOS PARA APLICACIÓN DE LOS MODELOS HUFF Y MCI TIENDA

UBICACIÓN

Área

Marca

Calidad

Precio

Variedad

Atención

Local

Parqueadero

LOCAL

Av. República

120

10

10

6

5

10

10

3

PROPIO

y Rumipamba

LA BOLA DE

Av. Amazonas

150

7

6

9

7

5

5

7

ORO

e Isla Floreana

CAMARI

Av. Amazonas

180

5

5

8

4

3

4

8

JIPIJAPA

entre

80

5

5

7

4

3

3

3

150

7

6

8

7

8

9

6

180

7

7

8

8

8

8

9

200

6

5

8

5

3

3

2

1500

6

6

8

5

3

7

10

1000

6

6

8

6

3

6

10

30

4

4

8

4

3

2

8

30

4

4

8

4

3

2

8

Isla

Floreana

y

Gaspar

de

Villarroel BENKAL

Gaspar

de

MARKET

Villarroel y Av. De Los Shyris

POOL PARTY

Av.

de

los

Granados y 6 de Diciembre 88 GRADOS

Av.

de

los

Granados y 6 de Diciembre GOLVO DARK

Av. Gaspar de

STORE

Villarroel

y

París CORAL LA Y

Av.

10

de

Agosto y José Arízaga MEGA SANTA

Av.

10

MARIA

Agosto

de y

Villalengua EL TREBOL DE

Av. Villalengua

ORO

e Iñaquito

SUPER KVA

Jorge Drom y Villalengua

95

EDCA

Av. De Los

LICORES

Shyris

y

180

7

7

8

8

7

8

6

160

7

6

8

7

6

4

5

80

8

8

8

8

7

8

10

800

7

6

7

6

3

4

10

80

7

8

7

7

7

7

10

180

7

7

8

7

7

8

7

160

7

6

8

6

3

4

7

150

8

8

8

9

8

7

8

100

6

6

7

6

5

4

5

140

7

7

8

7

7

8

7

1200

7

8

7

8

4

6

10

120

5

5

8

6

4

5

6

200

7

7

8

8

7

6

4

140

7

7

7

7

5

5

4

El

Universo LICORYMAS

Juan

de

BATAN

Alcántara y El Telégrafo

EL GRIEGO

Av. Naciones Unidas y Av. De Los Shyris

MI

Av. Naciones

COMISARIATO

Unidas y Av. De Los Shyris

EL ESPAÑOL

Av. Naciones

JIPIJAPA

Unidas y Av. De Los Shyris

LA

CIGARRA

NACIONES

Av. Naciones Unidas y Av. De Los Shyris

TIENDA

Av. Naciones

SANTA MARIA

Unidas y Av. De Los Shyris

AMBASSADOR

Av. Amazonas y Corea

LICORES

EL

Av. América y

COMPA

Mañosca

LA

Av. América y

CIGARRA

AMERICA

Naciones Unidas

SUPERMAXI

Av. Amazonas

CCI

y Corea

EL ARBOLITO

Av. República

SALVADOR

del Salvador y Suecia

LICORES ECO

Av. América y

AMERICA

Llallement

LICORES DOMICILIO

A

Av. De Los Shyris Portugal

y

96

SYRAH

Av.

6

de

120

8

8

7

8

9

8

2

120

7

8

7

7

7

7

4

140

8

8

8

9

9

8

5

y

180

8

8

7

9

9

9

5

de

150

4

4

7

5

3

3

4

120

6

6

7

6

6

5

4

1400

7

8

7

8

4

6

10

160

7

7

8

7

8

4

4

300

7

7

8

8

8

9

9

1200

7

8

7

8

4

6

10

130

8

8

8

9

8

6

6

180

7

7

8

7

7

7

5

Diciembre

y

Portugal EL ESPAÑOL

Catalina Aldáz

ALDAZ

y Portugal

WINERY

Av. Eloy Alfaro

SOHO

y Suiza

LA

VINERIA

Bossano

GOURMET

Guerrero

RUTA 24

Avl

6

Diciembre

y

Bélgica SUPER

Av. De Los

LIQOURS

Shyris

y

Navarro SUPERMAXI

Av. Amazonas

EL JARDIN

y Mariana de Jesús

LICOREC

Pareja y Av. 6 de Diciembre

LA GUARDA

Paul Rivet y Av.

6

de

Diciembreq SUPERMAXI

Av. La Gasca y

AMERICA

Av. América

AMBASSADOR

Av. Amazonas

CORDERO

y Cordero

LA

Cordero

CIGARRA

CORDERO

y

Reina Victoria

Importante resaltar que el presente estudio se enfocó en vinos de alta gama para un mercado de nivel medio alto y alto (niveles socio económicos A y B). Con este marco de referencia, se ha recopilado los datos de los parámetros para cada local de forma estandarizada, en un rango de 1 a 10 como se ve en la tabla. A continuación, se define cada uno de los parámetros consignados en esta tabla.

Área

Área del local medida en metros cuadrados.

97

Marca

Nivel de las marcas de vinos ofertadas. Locales con oferta de mejores marcas tienen valores más altos ya que son competencia directa en la captación de mercado.

Calidad

Nivel en la calidad del vino ofertado. Locales con vinos de mejor calidad tienen valores más altos.

Precio:

Es importante este dato ya que indica el nivel competitivo de los precios. Si un local ofrece mejores precios (precios más bajos) tiene un valor más alto para este parámetro.

Variedad:

A mayor variedad de vinos, el local tiene un valor más alto en este parámetro.

Atención:

Una atención especializada en vinos da al local un mayor valor en este caso.

Local:

La presentación de un local con mejor ambiente y distribución en perchas otorgará un mayor valor para este parámetro.

Parqueadero

Locales con mayores facilidades de parqueadero obtienen mejor calificación para este parámetro.

Como se puede ver, todos estos parámetros están directamente relacionados con aquellos que se obtuvo de las encuestas (ver ANEXO 3 para mayor detalle).

98

ANEXO 6 RESULTADOS DEL MODELO HUFF

NEAR FID 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

LOCAL LOCAL PROPIO LA BOLA DE ORO CAMARI JIPIJAPA BENKAL MARKET POOL PARTY 88 GRADOS GLOVO DARK STORE CORAL LA Y MEGA SANTA MARIA EL TREBOL DE ORO SUPER KVA EDCA LICORES LICORYMAS BATAN EL GRIEGO MI COMISARIATO LA CIGARRA NACIONES TIENDA SANTA MARIA AMBASSADOR LICORES EL COMPA LA CIGARRA AMERICA SUPERMAXI CCI EL ARBOLITO SALVADOR LICORES ECO AMERICA LICORES A DOMICILIO SYRAH EL ESPAÑOL ALDAZ WINERY SOHO LA VINERIA GOURMET

HOGARES POTENCIALES NSE A 60

HOGARES POTENCIALES NSE B 220

8

25

12

39

6

18

7

20

9

26

14

40

130

425

133

438

4

12

4

12

36

107

26

80

16

40

156

394

50

107

34

95

39

130

21

78

16

58

243

732

58

134

72

232

82

179

32

80

18

47

97

210

38

94

99

28 29 30 31 32 33 34 35 36 Total general

RUTA 24 SUPER LIQOURS SUPERMAXI EL JARDIN LICOREC LA GUARDA SUPERMAXI AMERICA AMBASSADOR CORDERO LA CIGARRA CORDERO EL ESPAÑOL JIPIJAPA

51

135

74

188

432

1568

28

81

81

253

117

588

25

103

28

138

16 2270

39 7163

100

ANEXO 7 RESULTADOS DEL MODELO MCI

NEAR FID 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

LOCAL LOCAL PROPIO LA BOLA DE ORO CAMARI JIPIJAPA BENKAL MARKET POOL PARTY 88 GRADOS GLOVO DARK STORE CORAL LA Y MEGA SANTA MARIA EL TREBOL DE ORO SUPER KVA EDCA LICORES LICORYMAS BATAN EL GRIEGO MI COMISARIATO LA CIGARRA NACIONES TIENDA SANTA MARIA AMBASSADOR LICORES EL COMPA LA CIGARRA AMERICA SUPERMAXI CCI EL ARBOLITO SALVADOR LICORES ECO AMERICA LICORES A DOMICILIO SYRAH EL ESPAÑOL ALDAZ WINERY SOHO LA VINERIA GOURMET

HOGARES POTENCIALES NSE A 70

HOGARES POTENCIALES NSE B 257

1

4

0

0

0

0

9

28

65

199

0

0

12

42

10

32

0

0

0

0

53

155

1

2

226

576

2

5

76

167

0

1

332

1083

0

1

30

110

141

429

0

1

25

75

2

5

6

15

3

9

266

635

144

396

101

28 29 30 31 32 33 34 35 36 Total general

RUTA 24 SUPER LIQOURS SUPERMAXI EL JARDIN LICOREC LA GUARDA SUPERMAXI AMERICA AMBASSADOR CORDERO LA CIGARRA CORDERO EL ESPAÑOL JIPIJAPA

0

0

1

3

238

904

1

3

371

1271

71

364

51

219

7

36

54

135 2270

7163