¿Qué quieren realmente los clientes?
por Eric Almquist, Jason Lee
¿Qué ocurre cuando se combinan el virtuosismo en el diseño de productos, técnicas de investigación de mercado de gran potencia y copiosos datos sobre los clientes? Con demasiada frecuencia, el resultado son aparatos que sufren de “feature creep” o la devolución de mercancía por valor de miles de millones de dólares por parte de clientes que, después de todo, querían algo diferente. Ese tipo de despilfarro ya es bastante malo en tiempos normales, pero en una recesión puede cobrarse un peaje temible.
El problema es que la mayoría de las herramientas de valoración de las preferencias de los clientes que se utilizan hoy en día en el desarrollo de productos son instrumentos sin filo, principalmente porque a los consumidores les cuesta articular sus deseos reales. Cuando se les pide que valoren una larga lista de atributos del producto en una escala del 1 (“completamente sin importancia”) al 10 (“extremadamente importante”), los clientes suelen decir que quieren muchos o incluso la mayoría de ellos. Para resolver ese problema, las empresas necesitan una forma de ayudar a los clientes a afinar la distinción entre “agradable de tener” y “hay que tener”.
Algunas empresas están empezando a perforar la niebla utilizando una técnica de investigación llamada “Escalado de Diferencia Máxima”. “MaxDiff” fue iniciada a principios de los años 90 por Jordan Louviere, que ahora es profesor en la Universidad de Tecnología de Sydney. (Como ocurre con la mayoría de los avances académicos de vanguardia, llevó tiempo traducir la investigación de Louviere en herramientas prácticas). MaxDiff requiere que los clientes realicen una secuencia de compensaciones explícitas. Los investigadores empiezan por reunir una lista de atributos del producto o de la marca -normalmente de 10 a 40- que representan beneficios potenciales. A continuación, presentan a los encuestados conjuntos de unos cuatro atributos cada vez, pidiéndoles que seleccionen qué atributo de cada conjunto prefieren más y menos. Las rondas posteriores de agrupaciones mixtas permiten a los investigadores identificar la posición de cada atributo en relación con todos los demás por el número de veces que los clientes lo seleccionan como su consideración más o menos importante.
Una popular cadena de restaurantes utilizó recientemente MaxDiff para comprender por qué sus esfuerzos de expansión estaban fracasando. En una serie de grupos de discusión y encuestas sobre preferencias, los consumidores coincidieron en lo que querían: opciones de comida más saludables y una decoración actualizada. Pero cuando se puso en marcha el nuevo menú de la cadena, fuertemente promocionado, el equipo de marketing quedó consternado por los mediocres resultados. Los clientes encontraban confusas las nuevas y complejas opciones, y las ventas eran flojas en los nuevos establecimientos, más contemporáneos.
Los responsables de marketing de la empresa decidieron ampliar el abanico de preferencias. Utilizando MaxDiff, pidieron a los clientes que compararan ocho atributos y llegaron a una sorprendente conclusión. Los resultados mostraron que el servicio prompt de comidas calientes y una ubicación conveniente eran mucho más importantes para los clientes que los artículos saludables y el mobiliario moderno, que acabaron muy abajo en la lista. El mejor camino a seguir era mejorar el servicio de cocina y seleccionar los emplazamientos de los restaurantes en función del lugar de trabajo de los clientes.
Una lectura más clara de las preferencias de los clientes
La capacidad de predecir cómo se comportarán los clientes puede ser extremadamente poderosa, y no sólo cuando los presupuestos son ajustados. Las empresas que planifican lanzamientos de productos transfronterizos necesitan una herramienta libre de prejuicios culturales. Y a medida que los gustos de los clientes se fragmentan, los equipos de desarrollo de productos necesitan técnicas fiables para trazar líneas claras entre los segmentos de clientes basándose en las características que más importan a cada grupo. Las empresas están empezando a aplicar el análisis MaxDiff también a estas cuestiones.
Artículos Relacionados

Investigación: La IA generativa hace que la gente sea más productiva y esté menos motivada

Arreglar los chatbots requiere psicología, no tecnología
Los chatbots dotados de IA se están convirtiendo en el nuevo estándar para la gestión de consultas, reclamaciones y devoluciones de productos, pero los clientes se alejan de las interacciones con los chatbots sintiéndose decepcionados. La mayoría de las empresas intentan solucionar este problema diseñando mejores modelos de IA en sus chatbots, pensando que si los modelos suenan lo suficientemente humanos, el problema acabará desapareciendo. Pero esta suposición es errónea. Esto se debe a que el problema de fondo no es tecnológico. Es psicológico: Hay que engatusar a la gente para que vea a los chatbots como un medio positivo de interacción. Los autores han analizado recientemente las últimas investigaciones sobre chatbots e interacciones IA-humanos, y en este artículo presentan seis acciones probadas que puede llevar a cabo al desplegar su chatbot de IA para impulsar la satisfacción, la percepción positiva de la marca y las ventas.

Investigación: ¿Está penalizando a sus mejores empleados por desconectar?
Para combatir el creciente desgaste del personal, muchas empresas han defendido programas de bienestar y han fomentado un enfoque renovado en el equilibrio entre la vida laboral y personal. Pero un nuevo estudio descubrió que incluso cuando los líderes reconocían que desvincularse del trabajo aumenta el bienestar de los empleados y mejora su rendimiento laboral, los directivos seguían penalizando a los empleados que adoptaban estos comportamientos cuando optaban a un ascenso o estaban siendo considerados para un nuevo puesto. Basándose en sus conclusiones, los investigadores ofrecen sugerencias para ayudar a las empresas a crear políticas y construir una cultura que proteja los límites de los trabajadores, evite el agotamiento y recompense el trabajo fuerte.