Optimizando la Lealtad del Cliente en Tiendas Oechsle

El equipo de marketing de Tiendas Oechsle ha identificado una oportunidad clave: mejorar la lealtad de sus clientes y, en consecuencia, aumentar sus ventas. Se cree que la lealtad del cliente no depende solo de factores transaccionales, sino también de la percepción que tienen los clientes sobre la marca y la calidad del servicio que reciben. Para comprender mejor estas complejas relaciones, se ha decidido emplear el análisis de senderos (Path Analysis), una técnica de modelado de ecuaciones estructurales que permite investigar las relaciones causales entre múltiples variables.

Objetivo General del Análisis:

El objetivo general de este análisis es desentrañar cómo la imagen de marca de Oechsle y la calidad del servicio que ofrece influyen en la satisfacción del cliente y, en última instancia, en su gasto promedio mensual. Se busca identificar las trayectorias causales más significativas y cuantificar la fuerza de estas relaciones, con el fin de priorizar las acciones de marketing y operaciones.

Objetivos Específicos:

Variables Disponibles:

  • Gasto_Promedio (Numérica): Gasto promedio mensual por cliente en Tiendas Oechsle (en soles). (Variable Dependiente Principal)
  • Satisfaccion_Cliente (Numérica): Índice de satisfacción del cliente, medido en una escala de 1 (muy insatisfecho) a 7 (muy satisfecho).
  • Calidad_Servicio (Numérica): Percepción de la calidad del servicio en la tienda, medida en una escala de 1 (muy baja calidad) a 7 (excelente calidad).
  • Imagen_Marca (Numérica): Percepción de la imagen de marca de Oechsle, medida en una escala de 1 (muy desfavorable) a 7 (muy favorable).

Hipótesis :

Se plantea que una mejor imagen de marca conduce a una mayor percepción de la calidad del servicio, lo que a su vez incrementa la satisfacción del cliente, resultando finalmente en un mayor gasto promedio. Es decir, se espera que la relación entre Imagen_Marca y Gasto_Promedio sea mediada por Calidad_Servicio y Satisfaccion_Cliente.

Tareas:

  1. Especificación del Modelo de Análisis de Senderos: Define el modelo de análisis de senderos en la sintaxis de lavaan, especificando las relaciones causales entre las variables. Asegúrate de que la sintaxis del modelo sea correcta y corresponda a las hipótesis planteadas.

  2. Ajuste del Modelo: Ajusta el modelo a los datos simulados utilizando la función sem() de lavaan.

  3. Evaluación del Ajuste del Modelo: Analiza los índices de ajuste del modelo (CFI, TLI, RMSEA) para determinar si el modelo tiene un ajuste aceptable a los datos. Justifica tu interpretación de los índices de ajuste. ¿Qué indican sobre la validez del modelo?

  4. Interpretación de los Coeficientes de Trayectoria: Examina los coeficientes estandarizados del modelo (obtenidos mediante parameterEstimates(modelo_ajustado, standardized = TRUE)) para determinar la fuerza y dirección de las relaciones entre las variables. Identifica las trayectorias directas e indirectas significativas. ¿Qué variables tienen un impacto directo y significativo en el gasto promedio? ¿Cómo se comparan los efectos directos e indirectos?

  5. Análisis del Efecto Indirecto: Calcula (o estima basándose en los coeficientes de trayectoria) el efecto indirecto de Imagen_Marca sobre Gasto_Promedio a través de la mediación de Calidad_Servicio y Satisfaccion_Cliente. ¿Qué porcentaje del efecto total de la imagen de marca sobre el gasto promedio se explica a través de esta mediación?

  6. Visualización de los Resultados: Crea un diagrama de senderos (Path Diagram) utilizando la función semPaths() para visualizar las relaciones entre las variables y los coeficientes de trayectoria. Ajusta la presentación del diagrama para que sea claro y fácil de interpretar.

  7. Conclusiones y Recomendaciones: Basado en el análisis, formule recomendaciones específicas y accionables para la gerencia de Oechsle, dirigidas a mejorar la lealtad de los clientes e impulsar las ventas. Estas recomendaciones deben estar directamente fundamentadas en los resultados del análisis de senderos y considerar la interrelación entre la imagen de marca, la calidad del servicio y la satisfacción del cliente.

Desarrollo

Carga de librerias

library(lavaan)    # Para Modelos de Ecuaciones Estructurales
## This is lavaan 0.6-19
## lavaan is FREE software! Please report any bugs.
library(dplyr)     # Para manipulación de datos
## 
## Adjuntando el paquete: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(ggplot2)   # Para gráficos
library(semPlot)   # Para el Diagrama de Senderos

Importación de la Base de datos

data_oeschle=read.csv(file.choose())
head(data_oeschle)
##   X Gasto_Promedio Satisfaccion_Cliente Calidad_Servicio Imagen_Marca
## 1 1       157.9036                    5                6            4
## 2 2       181.0774                    5                7            7
## 3 3       235.5768                    7                7            6
## 4 4       226.3456                    6                5            5
## 5 5       235.9410                    5                7            5
## 6 6       151.6044                    4                5            4
  1. Especificación del modelo de analisis Definimos las relaciones causales usando la sintaxis de lavaan
modelo_sem <- '
  # Regresiones
  Calidad_Servicio ~ Imagen_Marca
  Satisfaccion_Cliente ~ Calidad_Servicio
  Gasto_Promedio ~ Satisfaccion_Cliente

  # Varianzas (opcional, pero bueno para claridad)
  Imagen_Marca ~~ Imagen_Marca
  Calidad_Servicio ~~ Calidad_Servicio
  Satisfaccion_Cliente ~~ Satisfaccion_Cliente
  Gasto_Promedio ~~ Gasto_Promedio
'

Este modelo especifica que la Imagen_Marca impacta a la Calidad_Servicio, la Calidad_Servicio impacta a la Satisfaccion_Cliente, y la Satisfaccion_Cliente impacta el Gasto_Promedio.

  1. Ajuste del modelo

Ajustamos el modelo a los datos usando la función sem().

modelo_ajustado <- sem(modelo_sem, data = data_oeschle)
## Warning: lavaan->lav_data_full():  
##    some observed variances are (at least) a factor 1000 times larger than 
##    others; use varTable(fit) to investigate
  1. Evaluación del Ajuste del Modelo Evaluamos qué tan bien se ajusta el modelo a los datos. Buscamos valores aceptables para los índices CFI, TLI y RMSEA.
summary(modelo_ajustado, fit.measures = TRUE, standardized = TRUE)
## lavaan 0.6-19 ended normally after 7 iterations
## 
##   Estimator                                         ML
##   Optimization method                           NLMINB
##   Number of model parameters                         7
## 
##   Number of observations                           300
## 
## Model Test User Model:
##                                                       
##   Test statistic                                 7.861
##   Degrees of freedom                                 3
##   P-value (Chi-square)                           0.049
## 
## Model Test Baseline Model:
## 
##   Test statistic                               201.904
##   Degrees of freedom                                 6
##   P-value                                        0.000
## 
## User Model versus Baseline Model:
## 
##   Comparative Fit Index (CFI)                    0.975
##   Tucker-Lewis Index (TLI)                       0.950
## 
## Loglikelihood and Information Criteria:
## 
##   Loglikelihood user model (H0)              -2881.107
##   Loglikelihood unrestricted model (H1)      -2877.177
##                                                       
##   Akaike (AIC)                                5776.215
##   Bayesian (BIC)                              5802.141
##   Sample-size adjusted Bayesian (SABIC)       5779.941
## 
## Root Mean Square Error of Approximation:
## 
##   RMSEA                                          0.073
##   90 Percent confidence interval - lower         0.004
##   90 Percent confidence interval - upper         0.138
##   P-value H_0: RMSEA <= 0.050                    0.210
##   P-value H_0: RMSEA >= 0.080                    0.504
## 
## Standardized Root Mean Square Residual:
## 
##   SRMR                                           0.040
## 
## Parameter Estimates:
## 
##   Standard errors                             Standard
##   Information                                 Expected
##   Information saturated (h1) model          Structured
## 
## Regressions:
##                          Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
##   Calidad_Servicio ~                                                          
##     Imagen_Marca            0.400    0.047    8.476    0.000    0.400    0.440
##   Satisfaccion_Cliente ~                                                      
##     Calidad_Servic          0.495    0.075    6.638    0.000    0.495    0.358
##   Gasto_Promedio ~                                                            
##     Satisfccn_Clnt         28.419    2.801   10.147    0.000   28.419    0.505
## 
## Variances:
##                    Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
##     Imagen_Marca      0.929    0.076   12.247    0.000    0.929    1.000
##    .Calidad_Servic    0.622    0.051   12.247    0.000    0.622    0.807
##    .Satisfccn_Clnt    1.287    0.105   12.247    0.000    1.287    0.872
##    .Gasto_Promedio 3472.921  283.563   12.247    0.000 3472.921    0.744
fitMeasures(modelo_ajustado, c("cfi", "tli", "rmsea"))
##   cfi   tli rmsea 
## 0.975 0.950 0.073

Interpretación de los índices de ajuste:

  1. Interpretación de los coeficientes de trayectoria

Analizamos los coeficientes estandarizados para determinar la fuerza y dirección de las relaciones.

parameterEstimates(modelo_ajustado, standardized = TRUE) %>%
  filter(op == "~")
##                    lhs op                  rhs    est    se      z pvalue
## 1     Calidad_Servicio  ~         Imagen_Marca  0.400 0.047  8.476      0
## 2 Satisfaccion_Cliente  ~     Calidad_Servicio  0.495 0.075  6.638      0
## 3       Gasto_Promedio  ~ Satisfaccion_Cliente 28.419 2.801 10.147      0
##   ci.lower ci.upper std.lv std.all
## 1    0.308    0.493  0.400   0.440
## 2    0.349    0.642  0.495   0.358
## 3   22.930   33.908 28.419   0.505

Interpretación de los coeficientes :

Un coeficiente estandarizado de 0.40 para la trayectoria “Calidad_Servicio ~ Imagen_Marca” significa que un aumento de una desviación estándar en Imagen_Marca está asociado con un aumento de 0.40 desviaciones estándar en Calidad_Servicio, manteniendo constantes los demás factores. Un coeficiente estandarizado positivo indica una relación positiva, mientras que un coeficiente negativo indica una relación negativa.

  1. Análisis del efecto indirecto. Calculamos el efecto indirecto de Imagen_Marca en Gasto_Promedio.
# Calcula el producto de los coeficientes estandarizados de las trayectorias
# Imagen_Marca -> Calidad_Servicio -> Satisfaccion_Cliente -> Gasto_Promedio
efecto_indirecto <- parameterEstimates(modelo_ajustado, standardized = TRUE) %>%
  filter(op == "~") %>%
  pull(std.all) %>%
  prod() # Multiplica todos los coeficientes de las regresiones

cat("Efecto Indirecto Estandarizado de Imagen_Marca -> Gasto_Promedio:", round(efecto_indirecto, 3), "\n")
## Efecto Indirecto Estandarizado de Imagen_Marca -> Gasto_Promedio: 0.08

Magnitud: El valor 0.08 es relativamente pequeño en magnitud. Los efectos indirectos suelen ser más pequeños que los efectos directos, pero 0.08 indica que la influencia de la Imagen_Marca en el Gasto_Promedio a través de las variables mediadoras (Calidad del Servicio y Satisfacción del Cliente) es modesta.

Dirección: Al no ser negativo, significa que el aumento en la variable Imagen_Marca, trae como consecuencia un aumento en la variable Gasto_Promedio, pero a un nivel muy bajo.

Unidades: Como el efecto está estandarizado, se interpreta en términos de desviaciones estándar. Un aumento de una desviación estándar en la Imagen_Marca se asocia con un aumento de 0.08 desviaciones estándar en el Gasto_Promedio, a través de su influencia en la Calidad del Servicio y la Satisfacción del Cliente.

  1. visualización de los resultados (diagrama de senderos) Creamos un diagrama de senderos para visualizar las relaciones y los coeficientes.
semPaths(modelo_ajustado,
         whatLabels = "std",         # Mostrar coeficientes estandarizados
         layout = "tree2",          # Diseño del diagrama
         edge.label.cex = 0.8,     # Tamaño de las etiquetas de las flechas
         curve = 1,                # Curvatura de las flechas
         mar = c(1,1,1,1),            # Márgenes
         residuals = FALSE,          # Ocultar varianzas residuales
         fade = FALSE)               # No atenuar las variables no significativas

Interpretación del Diagrama: El diagrama de senderos muestra visualmente las relaciones entre las variables y la magnitud de los efectos directos e indirectos. Es importante identificar las trayectorias más fuertes y significativas.

Interpretación de los coeficientes:

Imagen de Marca -> Calidad del Servicio (0.44): Un aumento de una desviación estándar en la Imagen de Marca se asocia con un aumento de 0.44 desviaciones estándar en la Calidad del Servicio. Esta relación es positiva y moderada. Una buena imagen de marca contribuye a una mejor percepción de la calidad del servicio en Oechsle.

Calidad del Servicio -> Satisfacción del Cliente (0.36): Un aumento de una desviación estándar en la Calidad del Servicio se asocia con un aumento de 0.36 desviaciones estándar en la Satisfacción del Cliente. Esta relación es positiva y moderada. Una alta calidad del servicio está asociada con una mayor satisfacción de los clientes.

Satisfacción del Cliente -> Gasto Promedio (0.51): Un aumento de una desviación estándar en la Satisfacción del Cliente se asocia con un aumento de 0.51 desviaciones estándar en el Gasto Promedio. Esta relación es positiva y relativamente fuerte. Los clientes más satisfechos tienden a gastar más en Oechsle.

  1. Conclusiones y Recomendaciones

Importancia de la Satisfacción: La relación más fuerte en el modelo es entre la Satisfacción del Cliente y el Gasto Promedio (0.51). Esto sugiere que las estrategias que se enfoquen directamente en aumentar la satisfacción del cliente tendrán el mayor impacto en las ventas.

Potencial de Mejora en la Imagen de Marca y Calidad del Servicio: Aunque la Imagen de Marca tiene un efecto indirecto en el Gasto Promedio, los coeficientes de las trayectorias “Imagen de Marca -> Calidad del Servicio” (0.44) y “Calidad del Servicio -> Satisfacción del Cliente” (0.36) son relativamente bajos, lo que indica que hay margen de mejora en cómo la imagen de marca se traduce en una experiencia de servicio positiva y en satisfacción del cliente.

Recomendaciones para Oechsle:

  • Priorizar la Satisfacción del Cliente: Implementar programas y estrategias enfocados en aumentar la satisfacción del cliente.
  • Mejorar la Calidad del Servicio: Identificar y abordar los factores que contribuyen a una baja percepción de la calidad del servicio. Invertir en capacitación del personal, mejorar los procesos de atención al cliente y optimizar la experiencia en tienda.
  • Fortalecer la Imagen de Marca: Alinear las campañas de marketing y comunicación con los valores de la marca y enfocarlas en resaltar los aspectos que los clientes valoran más (ej: calidad, precio, variedad, servicio).