Laboratorio N°6 : SEM + PATH
Prof. Jose Caycho H.
2025-01
Optimizando la Lealtad del Cliente en Supermercados plazaVea: Modelado de Senderos para Amas de Casa Jóvenes de NSE A
Contexto:
El equipo de marketing de Supermercados plazaVea ha identificado a las amas de casa jóvenes (18-35 años) del nivel socioeconómico A (NSE A) como un segmento de clientes de alto valor. Sin embargo, no se comprende del todo qué factores impulsan su lealtad a la marca PlazaVea, y cómo se traduce esta lealtad en un mayor gasto en el supermercado. Para mejorar las estrategias de marketing y la experiencia del cliente, se decide realizar un análisis de senderos para entender estas relaciones.
Objetivo General del Análisis:
Analizar las relaciones causales entre la percepción de la conveniencia de PlazaVea, la calidad de los productos ofrecidos, la experiencia de compra en línea y la lealtad (medida a través del gasto) de las amas de casa jóvenes de NSE A en Supermercados PlazaVea.
Variables:
- Gasto_Mensual (Numérica): Gasto promedio mensual en PlazaVea (en soles). (Variable Dependiente)
- Conveniencia (Numérica): Percepción de la conveniencia de comprar en PlazaVea (escala de 1 a 7, donde 7 es “muy conveniente”).
- Calidad_Productos (Numérica): Percepción de la calidad de los productos ofrecidos (escala de 1 a 7, donde 7 es “excelente calidad”).
- Experiencia_Online (Numérica): Calidad de la experiencia de compra en línea (app o web) (escala de 1 a 7, donde 7 es “excelente”).
Hipótesis:
Se plantea el siguiente modelo causal:
- La percepción de la conveniencia de PlazaVea influye positivamente en la Calidad percibida de los productos.
- La percepción de la conveniencia de PlazaVea influye positivamente en la experiencia de compra en línea.
- La percepción de la calidad de los productos influye positivamente en el gasto mensual.
- La calidad de la experiencia de compra en línea influye positivamente en el gasto mensual.
Tareas:
- 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.
- Ajuste del Modelo: Ajusta el modelo a los datos simulados usando la función sem() de lavaan.
- 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.
- Interpretación de los Coeficientes de Trayectoria: Examina los coeficientes estandarizados del modelo para determinar la fuerza y dirección de las relaciones entre las variables. Identifica las trayectorias directas e indirectas significativas.
- Análisis de los Efectos Indirectos: Calcula los efectos indirectos de Conveniencia sobre Gasto_Mensual a través de Calidad_Productos e Influencia_Redes.
- Conclusiones y Recomendaciones: ¿Qué estrategias debería seguir PlazaVea para optimizar la lealtad y el gasto de este segmento de clientes?
Importación de librerías.
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, unionlibrary(ggplot2) # Para gráficos
library(car) # VIF## Cargando paquete requerido: carData##
## Adjuntando el paquete: 'car'## The following object is masked from 'package:dplyr':
##
## recodelibrary(semPlot) # Para el Diagrama de Senderos Importación de la base
data_plazavea=read.csv(file.choose())
head(data_plazavea)## X Gasto_Mensual Conveniencia Calidad_Productos Experiencia_Online
## 1 1 195.5706 5 5 4
## 2 2 365.9174 5 7 6
## 3 3 297.9437 6 6 6
## 4 4 171.5125 5 5 4
## 5 5 280.4522 5 5 5
## 6 6 354.2704 6 7 5- Especificación del Modelo de Análisis de Senderos Definimos las relaciones causales usando la sintaxis de lavaan
modelo_sem <- '
# Regresiones
Calidad_Productos ~ Conveniencia
Experiencia_Online ~ Conveniencia
Gasto_Mensual ~ Calidad_Productos + Experiencia_Online
# Varianzas
Conveniencia ~~ Conveniencia
Calidad_Productos ~~ Calidad_Productos
Experiencia_Online ~~ Experiencia_Online
Gasto_Mensual ~~ Gasto_Mensual
'- Ajuste del Modelo Ajustamos el modelo a los datos usando la función sem().
modelo_ajustado <- sem(modelo_sem, data = data_plazavea)- Evaluación del Ajuste del Modelo Evaluamos qué tan bien se ajusta el modelo a los datos.
summary(modelo_ajustado, fit.measures = TRUE, standardized = TRUE)## lavaan 0.6-19 ended normally after 6 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 8
##
## Number of observations 300
##
## Model Test User Model:
##
## Test statistic 3.493
## Degrees of freedom 2
## P-value (Chi-square) 0.174
##
## Model Test Baseline Model:
##
## Test statistic 206.688
## Degrees of freedom 6
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.993
## Tucker-Lewis Index (TLI) 0.978
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -2907.673
## Loglikelihood unrestricted model (H1) -2905.927
##
## Akaike (AIC) 5831.346
## Bayesian (BIC) 5860.976
## Sample-size adjusted Bayesian (SABIC) 5835.605
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.050
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper 0.135
## P-value H_0: RMSEA <= 0.050 0.388
## P-value H_0: RMSEA >= 0.080 0.357
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.027
##
## 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_Productos ~
## Conveniencia 0.394 0.048 8.274 0.000 0.394 0.431
## Experiencia_Online ~
## Conveniencia 0.449 0.067 6.684 0.000 0.449 0.360
## Gasto_Mensual ~
## Calidad_Prdcts 15.707 3.910 4.017 0.000 15.707 0.198
## Experienc_Onln 27.436 2.867 9.570 0.000 27.436 0.471
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## Conveniencia 0.973 0.079 12.247 0.000 0.973 1.000
## .Calidad_Prdcts 0.662 0.054 12.247 0.000 0.662 0.814
## .Experienc_Onln 1.315 0.107 12.247 0.000 1.315 0.870
## .Gasto_Mensual 3636.919 296.953 12.247 0.000 3636.919 0.710fitMeasures(modelo_ajustado, c("cfi", "tli", "rmsea"))## cfi tli rmsea
## 0.993 0.978 0.050- 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 ci.lower
## 1 Calidad_Productos ~ Conveniencia 0.394 0.048 8.274 0 0.301
## 2 Experiencia_Online ~ Conveniencia 0.449 0.067 6.684 0 0.317
## 3 Gasto_Mensual ~ Calidad_Productos 15.707 3.910 4.017 0 8.044
## 4 Gasto_Mensual ~ Experiencia_Online 27.436 2.867 9.570 0 21.817
## ci.upper std.lv std.all
## 1 0.487 0.394 0.431
## 2 0.580 0.449 0.360
## 3 23.370 15.707 0.198
## 4 33.055 27.436 0.471- Análisis de los Efectos Indirectos Calculamos los efectos indirectos de Conveniencia en Gasto_Mensual.
# Calcula efectos indirectos (¡ojo con el orden!):
parametros <- parameterEstimates(modelo_ajustado, standardized = TRUE) %>% filter(op == "~")
a <- parametros$std.all[1] # Conveniencia -> Calidad_Productos
b <- parametros$std.all[2] # Conveniencia -> Experiencia_Online
c <- parametros$std.all[3] # Calidad_Productos -> Gasto_Mensual
d <- parametros$std.all[4] # Experiencia_Online -> Gasto_Mensual
#Efecto indirecto 1: Conveniencia -> Calidad_Productos -> Gasto_Mensual
efecto_indirecto_1 <- a*c
cat("Efecto Indirecto Estandarizado (Conveniencia -> Calidad -> Gasto):", round(efecto_indirecto_1, 3), "\n")## Efecto Indirecto Estandarizado (Conveniencia -> Calidad -> Gasto): 0.085#Efecto indirecto 2: Conveniencia -> Experiencia_Online -> Gasto_Mensual
efecto_indirecto_2 <- b*d
cat("Efecto Indirecto Estandarizado (Conveniencia -> Online -> Gasto):", round(efecto_indirecto_2, 3), "\n")## Efecto Indirecto Estandarizado (Conveniencia -> Online -> Gasto): 0.17#Efecto indirecto total
efecto_indirecto_total <- a*c + b*d
cat("Efecto Indirecto Total Estandarizado (Conveniencia -> Gasto):", round(efecto_indirecto_total, 3), "\n")## Efecto Indirecto Total Estandarizado (Conveniencia -> Gasto): 0.255- Visualización de los Resultados (Diagrama de Senderos) Creamos un diagrama de senderos para visualizar las relaciones y los coeficientes. NOTA: Requiere instalar y utilizar la librería semPlot
library(semPlot)
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
- Conclusiones y Recomendaciones [Esquema]
Basado en este análisis, el equipo de marketing de PlazaVea puede concluir que:
[Escribir conclusiones sobre el impacto de la conveniencia, la calidad de los productos y la experiencia online en el gasto. ¿Qué trayectorias fueron significativas? ¿Qué variables parecen ser los impulsores más importantes del gasto?]
En función de estas conclusiones, se recomienda a PlazaVea:
[Recomendación 1: Por ejemplo, si la Calidad_Productos tiene un fuerte impacto directo en el Gasto, invertir en mejorar la calidad percibida a través de estrategias de selección de proveedores y control de calidad.] [Recomendación 2: Por ejemplo, si el efecto indirecto de Conveniencia a través de Experiencia_Online es importante, optimizar la experiencia de compra en línea para mejorar la satisfacción del cliente.]