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
