Realizado por

Daren Sebastian Cruz Quiroga

Emy Lizette Vásquez Mejía

Colaborador

Jose Yesid Salazar Quiroga

Tutores

Javier Rodríguez Cajamarca

Andrés Felipe Navas

NVIVO 11

NVivo es un software enfocado a la investigación cualitativa, proporciona las herramientas para organizar y analizar la información cualitativa encontrando las conexiones entre los datos.

Búsqueda en bases de datos

Al iniciar un proyecto de estudio, se debe recopilar la información necesaria que será analizada posteriormente, para ello se consulta en las bases de datos afines con el tema de estudio. Una vez allí, se ingresan palabras claves en el espacio de búsqueda, es importante plantear ecuaciones de búsqueda de bases de datos, ya que estas no reconocen los nombres complejos, para esto debemos identificar cuales son las palabras más relevantes dado el tema de estudio y utilizar condicionales los siguientes condicionales: AND, cuando se pretende que todas esas palabras aparezcan en el documento; OR, cuando pueden aparecer alguna de las palabras y NOT para excluir las palabras que definitivamente no debe aparecer en los textos. Se recomienda usar las palabras en inglés pues todos los artículos académicos contiene Palabras Claves (KeyWords) en este idioma.

Algunas bases de datos como Scopus y Web of Science permiten filtrar información para delimitar y ser más específicos la búsqueda de artículos, además brindan el “Análisis de resultados” una la revisión de los documentos que mostró sobre el tema, por ejemplo, permite ver desde qué año comienza a publicarse los documentos al respecto y la cantidad de los mismos, por años, país de publicación y los autores, entre otros.

Una vez seleccionados los documentos, se pueden exportar por medio de un gestor bibliográfico (Mendeley, EndNote, Refworks ), estos guardan la referencia para la citación, resumen y el artículo en pdf sí se encuentra disponible.

NCapture para análisis en NVivo

NCapture es una extensión de Chrome para capturar fácil y rápidamente contenido de la web (artículos, páginas, redes sociales) para después llevarlo a NVivo (QSR International, 2015). Para obtener la extensión se debe busca en Google Chrome: NCapture fon NVivo, ingresar al Chrome Web Store y dar clic en Añadido a Chrome, allí pregunta si se desea habilitar la extensión, se aceptar y ya queda configurado.

En el siguiente video se muestra como capturar la información

Una vez se ha recopilado la información se debe llevar a NVivo donde sera procesada para realizar el respectivo análisis de las redes sociales.

Análisis de temas

Es una herramienta que busca identificar los temas principales de los que trata un recurso, NVivo permite hacer la identificación automática, también se puede hacer manualmente por medio de la minería de texto y conteo de palabras.

A través de la codificación aproximada de los grandes cantidades de texto se puede obtener unos hallazgos preliminares que lleven a generar conclusiones generales a partir de los temas identificados.

Análisis de sentimientos

Detrás de cada comentario o publicación en un determiando recurso, se puede encontrar una información subjetiva en forma de opiniones, emociones o actitudes. El análisis de sentimientos es una técnica que viene desde la minería de opinión, aplicándola permite identificar el tono emocional, ya sea positivo, negativo o neutral, de una serie de palabras dentro del contexto del mensaje.

Es de gran utilidad porque se puede realizar un sondeo general de la opinión que expresaron los interlocutores sobre algún tema, que puede ser tan general o específico dependiendo de lo que se desee analizar, logrando entender las actitutes que estos tienen y reaccionar ante ellas.

Construcción de sociogramas

Un sociograma es un mapa social, que representa gráficamente las relaciones o vínculos sociales entre las personas o con otras entidades; en ellos se puede explorar y visualizar la interdependencia de los sujetos que forman parte de un grupo reflejando los grados de influencia y preferencia (QRS International, 2017).

Los sociogramas se basan en las relaciones entre los sujetos, estas pueden ser en una dirección, simétrica y asociativa.

NVivo permite realizar tres tipos de sociogramas:

Egocéntrico: Las relaciones parten de un caso particular (el ego), que está representado en forma de estrella, del cual se comienza a desprender todos los demás casos conectados.
En Red: Permite visualizar como un conjunto de casos están conectados, incluyendo los casos que se consideran aislados.
Twitter: Con la información extraída desde NCapture se conforma un sociograma que establece las conexiones entre los usuarios de un tweet con sus respectivos retweets y las menciones que se generen.

Para analizar el sociograma con mayor profundidad se interpretan las medidas de centralidad:

Grados: Es el recuento de la cantidad de vértices a los que está conectado un vértice, es decir, indica el grado de conexión que tiene un vértices, entre mayor sea el grado se entiende que ese caso tiene mayor influencia y popularidad dentro de los casos de la red.

En ese orden de ideas se encuentra el grado correcto (degree in) y grado incorrecto (degree out), que es la cantidad de enlaces que hay dentro del vértice y fuera de este, respectivamente; en otras palabras se hace un recuento de los enlaces entrantes y salientes para algún vértice o caso en particular. Para hallar estos puntajes se tiene en cuenta los enlaces dirigidos, en una dirección o simétrico, los enlaces asociativos al no tener una dirección inherente no se tiene en cuenta. Dada una situación en la cual en la red no haya ningún enlace directo, las asociativas se trataran como simétricas.

Intermediación: Es la frecuencia con que el vértice se encuentra en el camino más corto entre otros dos vértice; es útil para determinar las rutas de comunicación y saber en qué puntos de la red se rompería. Los caminos más cortos se determinan independientemente de la direccionalidad de los enlaces.

Cercanía: Es una medida de alcance que representa la velocidad en que la información puede llegar a otros casos desde un punto de partida dado; con este indicador se puede observar qué caso tiene acceso a la información de forma más rápida y fácil. Para calcular la cercanía se suma la distancia más corta que hay entre el caso determinado hasta los otros vértices conectados en la red.

Densidad: Es el recuento de los pares de vértices que están conectados en el diagrama, dividido en el número total de conexiones posibles. Esta medida indica el nivel de conexión de la red en su conjunto.

Reciprocidad: Esta medida solo tiene el cuenta las redes dirigidas, muestra el porcentaje de bordes en la red que son recíprocos (relaciones de dirección opuesta entre los mismos casos).

SPSS

Análisis RFM

Por sus siglas en inglés Recency, Frequency, Monetary value. Segmentación de actividades recientes, frecuencia y valor monetario (RFM), es un método para dividir clientes según su comportamiento para saber cuál grupo de clientes es el más favorables para la organización. Se destaca de esta herramienta de SPSS su efectividad, rapidez para usar y facilidad de entender (IBM, 2017).

Con la información arrojada en este análisis se puede predecir, en el marco de un futuro inmediato, el comportamiento del grupo, mirar como sus puntuaciones RFM cambian a lo largo del tiempo.

Está basado en una teoría simple sobre estas tres variables:

Recientes:

Se revisa en tiempo transcurrido desde que el cliente hizo su última compra, bajo la consideración de que los clientes que han adquirido productos recientemente tienen más posibilidades de que vuelvan a realizar adquisiciones, que aquellos que hicieron su compra hace bastante tiempo.

Frecuencia:

Para revisar cuantas veces el cliente ha adquirido algo de determinada organización, en cierto periodo de tiempo (depende del análisis). El supuesto detrás es los consumidores que más han comprado productos tiene mayor posibilidades de que vuelva a hacerlo en comparación con aquellos que han adquirido menos productos.

Valor Monetario:

Hace referencia al valor del cliente, puede ser en términos de la cantidad de dinero invertida en sus adquisiciones, puede ser utilidades bruta o ganancias netas que ha obtenido la empresa de ese cliente; en ese orden de ideas, aquellos que han destinado mayor cantidad de dinero a sus compras en el pasado tienen más posibilidades de responder que aquellos que han tenido menos; también hay otras formas en que la organización puede definir el valor del cliente.

El análisis RFM consiste en darle una puntuación, a cada cliente por su comportamiento, en cada una de los anteriores variables, habiendo definido previamente el número de categorías; se piensa en cada una de las tres variables como una lista SPSS las ordena a quien tiene mayores posibilidades de respuesta con la puntuación más baja, es así como al final cada cliente tendrá una clasificación con tres dígitos, así que entre más bajo sea el número es mejor.

Por ejemplo, las personas que hayan invertido más valor monetario se le asignará un 1, hay un consumidor que no ha realizado adquisiciones no ha sido recientes tendrá un 4, pero sus adquisiciones fueron frecuentes tendrá un 2 y si invierten un gran valor monetario en ellas tendrá un uno, así pues su clasificación RFM será 421, lo mismo pasará con cada cliente, se conocerán quienes son los más rentables para la empresa y finalmente con esta información realizará una segmentación (IBM, 2017).

Árboles de decisión

Son una representación gráfica y análitica de una serie de sucesos que pueden surgir a raíz de una decisión, en el caso de SPSS pueden ser usados para clasificación, identificar grupos (segmentar), descubrir las relaciones entre grupos y predecir eventos futuros (Berlanga Silvente, Rubio Hurtado, Vilà Baños,2013).

Algunas ventajas de los árboles de decisión, son facilitan la interpretación de la decisión que se tomó o se quiere tomar, explica el comportamiento de las variables con respecto a la decisión , reducen el número de variables independientes, permite identificar y patrones de forma visual.

La variable que se pretende explicar será la variable dependiente, en cambio las variables que seleccionemos como explicativas, variables independientes, serán las predictoras del comportamiento de la variable dependiente.

Los métodos de división para los árboles, es decir la forma en que está determinada su crecimiento y análisis, son:

CHAID (Chi-square automatic interaction detector): Pro medio de Chi-cuadrado se detectan automáticamente las interacciones entre las variables, así que para cada nodo de decisión CHAID elige la variables independiente que tiene una interacción más fuerte con la variable dependiente; aquellas variables que no son significativas no se tienen en cuenta.
CHAID exhaustivo: Examina las interacciones para determinar todas las divisiones posibles para cada predictor, tratando todas las variables por igual.
CRT (Classification and regression trees): Se hace las particiones de los datos en subconjuntos que sean lo más homogéneos posibles con respecto a la variable dependiente.
QUEST (Quick, unbiased, efficient, statistical tree): La variable dependiente debe ser nominal. Crea árboles binarios de forma rápida y eficiente, su principal ventaja es que elecciona variables sin sesgo, ya que no favorecen predictores con muchas categorías.

Mapas perceptuales

Es un método que busca ubicar las percepciones, opiniones sobre un producto, marca o empresa, por medio de una representación gráfica que relaciona variables que expresen la situación, de acuerdo con los atributos seleccionados para el estudio.

Este mapa da una posición al criterio evaluado que permite identificar las percepción de las personas con respecto a las variables establecidas y se puede hacer comparaciones, es por ello que las variables de la representación deben ser de escala.

Análisis factorial

Es una técnica de reducción de datos por medio de una regresión múltiple, es decir, el análisis factorial parte de un conjunto amplio de variables y va eliminando aquella que presenten redundancias, esto se evidencia por la alta correlación entre algunas variables, de esta forma se establece una estructura más simple con menos dimensiones, que que igualmente proporciona la misma información y permite comprender globalmente el fenómeno.

Se debe hacer claridad que no es una técnica de agrupación ni de dependencia, sino una reducción de dimensiones hasta dejar los factores realmente explicativos (Mahía Casado, sf).

En SPSS, encontramos esta técnica en “Análisis”, “factores”. Allí hay unas botones con opciones para definir el tipo de análisis:

Descriptivos: Donde se relacionan los estadísticos más relevantes para el análisis y los tipos de correlaciones
Extracción: Se define el método para la estimación del modelo factorial, pueden ser: Componentes principales, mínimos cuadrados no ponderados, mínimos cuadrados generalizados, máxima verosimilitud, factorizaciones de ejes principales, alfa y de imágen.
Rotación: Donde se selecciona el método de rotación factorial (Varimax, Quitimax, Equamax, Oblimin directo, Promax)
Puntuaciones: Se decide el almacenamiento de las puntuaciones factoriales como variable, allí también se puede seleccionar los métodos alternativos para calcular las puntuaciones.