Análisis agrupado de la encuesta externa a clientes
María Juliana Garzón Duque y Laura Ospina
2026-03-10
Introducción
Este informe presenta el análisis de la encuesta aplicada a clientes de Panadería Leal. El objetivo es comprender el perfil del cliente, sus hábitos de consumo, su percepción frente a la marca y la relación que establece con la comunicación externa de la empresa. El análisis se desarrolla a partir de estadísticos descriptivos, cruces entre variables y representaciones gráficas elaboradas en RStudio.
Metodología de análisis
La base de datos analizada corresponde a las respuestas obtenidas mediante un cuestionario aplicado a 500 clientes de la Panadería Leal. A partir de esta información, se construyó un análisis organizado en cuatro bloques: perfil demografíco del cliente,percepción de marca y relación con la comunicación externa de la panadería. Para ello, se emplearon herramientas de limpieza, tabulación y visualización de datos en RStudio.
library(readxl)
library(readxl)
library(dplyr)
library(ggplot2)
library(forcats)
library(knitr)
library(readxl)
library(readxl)
library(tm)
library(wordcloud)
library(RColorBrewer)
library(dplyr)
library(ggplot2)
library(forcats)
library(knitr)
library(tm)
library(wordcloud)
library(RColorBrewer)
library(stringr)
setwd("C:/Users/majug/OneDrive/Escritorio/RStudio")
Base_Leal<- read_excel("C:/Users/majug/OneDrive/Escritorio/RStudio/Encuesta Panadería La Leal (respuestas).xlsx")
View(Base_Leal)
head(Base_Leal)## # A tibble: 6 × 29
## `Marca temporal` ¿De qué punto de venta se …¹ ¿En qué rango de eda…² Género
## <dttm> <chr> <chr> <chr>
## 1 2025-07-15 14:21:33 Versalles (Cali) 35-44 años Femen…
## 2 2025-07-15 14:33:50 Versalles (Cali) 25-34 años Femen…
## 3 2025-07-15 14:34:02 Cañaveral (Palmira) 55 años o más Mascu…
## 4 2025-07-15 14:34:59 Cañaveral (Palmira) 45-54 años Femen…
## 5 2025-07-15 14:47:56 Cañaveral (Palmira) 55 años o más Mascu…
## 6 2025-07-15 15:52:07 Cañaveral (Palmira) 55 años o más Femen…
## # ℹ abbreviated names:
## # ¹`¿De qué punto de venta se encuentra respondiendo esta encuesta?`,
## # ²`¿En qué rango de edad estas?`
## # ℹ 25 more variables: `¿Cuál es tu nivel educativo?` <chr>,
## # `¿Tienes hijo/as?` <chr>, `¿A qué te dedicas?` <chr>,
## # `¿Dónde vives actualmente?` <chr>,
## # `¿Con qué frecuencia compras productos de panadería?` <chr>, …#Analisis de resultados
Bloque 1. Perfil demográfico del cliente
El análisis del perfil demográfico permite identificar las características sociodemográficas predominantes de los clientes de Panadería Leal. Estas variables son fundamentales para comprender las dinámicas de consumo asociadas a la marca y orientar la comunicación externa hacia los públicos con mayor nivel de vinculación con la organización.
1.1 Edad
Tabla de frecuencia
tabla_edad <- Base_Leal %>%
count(`¿En qué rango de edad estas?`) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) %>%
arrange(desc(n))
knitr::kable(
tabla_edad,
col.names = c("Rango de edad", "Frecuencia", "Porcentaje (%)"),
caption = "Distribución de clientes por rango de edad"
)| Rango de edad | Frecuencia | Porcentaje (%) |
|---|---|---|
| 25-34 años | 151 | 30.0 |
| 35-44 años | 131 | 26.0 |
| 18-24 años | 90 | 17.9 |
| 45-54 años | 69 | 13.7 |
| 55 años o más | 51 | 10.1 |
| Menos de 18 años | 11 | 2.2 |
Grafico de distribución
ggplot(tabla_edad,
aes(x = n,
y = `¿En qué rango de edad estas?`)) +
geom_col(fill = "#6F4E37", width = 0.7) +
geom_text(aes(label = paste0(porcentaje, "%")),
hjust = -0.2,
size = 4,
fontface = "bold",
color = "#2B2B2B") +
scale_x_continuous(expand = expansion(mult = c(0, 0.12))) +
labs(
title = "Clientes según rango de edad",
x = "Número de encuestados",
y = "Rango de edad"
) +
theme_minimal(base_size = 11) +
theme(
plot.title = element_text(size = 13, face = "bold", hjust = 0.5),
axis.title.x = element_text(size = 11, face = "bold"),
axis.title.y = element_text(size = 11, face = "bold"),
axis.text = element_text(size = 10),
panel.grid.major.y = element_blank(),
panel.grid.minor = element_blank()
)
El gráfico confirma con bastante claridad que la segmentación por edad no es solo teórica, sino empíricamente consistente con la estructura real de la clientela, lo cual fortalece mucho tu argumento metodológico. Aquí tienes un análisis redactado para integrarlo directamente después de la tabla de públicos externos:
El análisis del rango de edad de los clientes encuestados confirma que la segmentación generacional propuesta responde de manera precisa a la estructura real del público externo de Panadería Leal. Como se observa en la Figura X, el 56 % de los clientes se concentra entre los 25 y 44 años, consolidando a este grupo como el núcleo principal de consumo de la marca. Esta predominancia evidencia que la panadería ocupa un lugar estable dentro de las dinámicas cotidianas de hogares en etapa productiva, donde la rapidez del servicio, la cercanía de los puntos de venta y la disponibilidad permanente de productos influyen directamente en la decisión de compra.
Por su parte, el segmento de jóvenes entre 18 y 24 años representa el 17,9 % de la muestra, lo que confirma su relevancia como público estratégico en términos de posicionamiento digital y proyección futura de la marca. Aunque no constituyen el grupo mayoritario, su papel es clave en la construcción de visibilidad en redes sociales y en la circulación simbólica de la marca en entornos digitales, especialmente considerando que este segmento utiliza Instagram como principal canal para descubrir opciones gastronómicas.
Finalmente, los clientes mayores de 45 años representan el 23,8 % del total, evidenciando la permanencia de un público tradicional que sostiene la relación histórica con la panadería a partir de atributos como la confianza, la trayectoria y la atención cercana. En conjunto, esta distribución etaria confirma la coexistencia de públicos con expectativas diferenciadas frente a la marca, lo que refuerza la necesidad de desarrollar estrategias comunicacionales segmentadas que permitan responder simultáneamente a lógicas de consumo cotidiano, fidelidad histórica y posicionamiento digital.
1.2 Genero
Tabla de frecuencia
tabla_genero <- Base_Leal %>%
count(Género) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) %>%
arrange(desc(n))
knitr::kable(
tabla_genero,
col.names = c("Género", "Frecuencia", "Porcentaje (%)"),
caption = "Distribución de clientes por género"
)| Género | Frecuencia | Porcentaje (%) |
|---|---|---|
| Femenino | 281 | 55.9 |
| Masculino | 218 | 43.3 |
| Otro | 2 | 0.4 |
| Prefiero no decirlo | 2 | 0.4 |
Grafico de distibución
ggplot(tabla_genero,
aes(x = n, y = forcats::fct_reorder(Género, n))) +
geom_col(fill = "#8C5A3C", width = 0.7) +
geom_text(aes(label = paste0(porcentaje, "%")),
hjust = -0.2,
size = 4,
fontface = "bold",
color = "#2B2B2B") +
scale_x_continuous(expand = expansion(mult = c(0, 0.12))) +
labs(
title = "Clientes según género",
x = "Número de encuestados",
y = "Género"
) +
theme_minimal(base_size = 11) +
theme(
plot.title = element_text(size = 13, face = "bold", hjust = 0.5),
axis.title.x = element_text(size = 11, face = "bold"),
axis.title.y = element_text(size = 11, face = "bold"),
axis.text = element_text(size = 10, color = "#444444"),
panel.grid.major.y = element_blank(),
panel.grid.minor = element_blank(),
panel.grid.major.x = element_line(color = "#E5E5E5")
)
El análisis de la distribución de clientes según género evidencia una predominancia femenina del 55,9 % frente al 43,3 % masculino, mientras que un 0,8 % corresponde a personas que prefirieron no identificarse dentro de las categorías tradicionales. Esta distribución muestra una participación ligeramente mayor de mujeres dentro de la base de clientes encuestada, lo que sugiere una presencia relevante de este segmento en la relación cotidiana con la panadería.
Si bien la diferencia no es amplia, el resultado permite identificar una tendencia consistente en la composición del público externo, donde la participación femenina adquiere un peso significativo dentro del conjunto de consumidores. En este sentido, la variable género aporta un primer acercamiento a la caracterización sociodemográfica de la clientela, contribuyendo a la comprensión de quiénes conforman el núcleo actual de usuarios de la marca.
1.3 Presencia de hijos
Tabla de frecuencia
tabla_hijos <- Base_Leal %>%
count(`¿Tienes hijo/as?`) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) %>%
arrange(desc(n))
knitr::kable(
tabla_hijos,
col.names = c("Respuesta", "Frecuencia", "Porcentaje (%)"),
caption = "Distribución de clientes según presencia de hijos"
)| Respuesta | Frecuencia | Porcentaje (%) |
|---|---|---|
| Si | 290 | 57.7 |
| No | 213 | 42.3 |
Grafico de distibución
ggplot(tabla_hijos,
aes(x = n, y = forcats::fct_reorder(`¿Tienes hijo/as?`, n))) +
geom_col(fill = "#A06A42", width = 0.7) +
geom_text(aes(label = paste0(porcentaje, "%")),
hjust = -0.2,
size = 4,
fontface = "bold",
color = "#2B2B2B") +
scale_x_continuous(expand = expansion(mult = c(0, 0.12))) +
labs(
title = "Clientes según presencia de hijos",
x = "Número de encuestados",
y = "Respuesta"
) +
theme_minimal(base_size = 11) +
theme(
plot.title = element_text(size = 13, face = "bold", hjust = 0.5),
axis.title.x = element_text(size = 11, face = "bold"),
axis.title.y = element_text(size = 11, face = "bold"),
axis.text = element_text(size = 10, color = "#444444"),
panel.grid.major.y = element_blank(),
panel.grid.minor = element_blank(),
panel.grid.major.x = element_line(color = "#E5E5E5")
)
El análisis de la presencia de hijos dentro de los encuestados evidencia que el 57,7 % de los clientes reporta tener hijos, frente a un 42,3 % que no, lo que indica que más de la mitad de la clientela se encuentra vinculada a estructuras familiares donde el consumo de productos de panadería suele integrarse en dinámicas cotidianas del hogar.
Desde una perspectiva comunicacional, este resultado es relevante porque sugiere que la relación entre los públicos y la marca no se limita a decisiones individuales de compra, sino que se inscribe en contextos familiares más amplios. En este sentido, la presencia mayoritaria de hogares con hijos refuerza la importancia de proyectar una identidad de marca asociada a valores como la confianza, la cercanía y la tradición, coherentes con su papel dentro de los hábitos alimentarios cotidianos de las familias.
1.4 Ocupación
Tabla de frecuencia
tabla_ocupacion <- Base_Leal %>%
count(`¿A qué te dedicas?`) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) %>%
arrange(desc(n))
knitr::kable(
tabla_ocupacion,
col.names = c("Ocupación", "Frecuencia", "Porcentaje (%)"),
caption = "Distribución de clientes según ocupación"
)| Ocupación | Frecuencia | Porcentaje (%) |
|---|---|---|
| Empleado/a | 270 | 53.7 |
| Independiente | 121 | 24.1 |
| Estudiante | 43 | 8.5 |
| Desempleado/a | 23 | 4.6 |
| Jubilado/a | 23 | 4.6 |
| Estudiante, Empleado/a | 13 | 2.6 |
| Empleado/a, Independiente | 5 | 1.0 |
| Estudiante, Empleado/a, Independiente | 2 | 0.4 |
| Estudiante, Independiente | 2 | 0.4 |
| Empleado/a, Jubilado/a | 1 | 0.2 |
Grafico de distibución
ggplot(tabla_ocupacion,
aes(x = n, y = forcats::fct_reorder(`¿A qué te dedicas?`, n))) +
geom_col(fill = "#6F4E37", width = 0.7) +
geom_text(aes(label = paste0(porcentaje, "%")),
hjust = -0.2,
size = 3.8,
fontface = "bold",
color = "#2B2B2B") +
scale_x_continuous(expand = expansion(mult = c(0, 0.15))) +
labs(
title = "Clientes según ocupación",
x = "Número de encuestados",
y = "Ocupación"
) +
theme_minimal(base_size = 11) +
theme(
plot.title = element_text(size = 13, face = "bold", hjust = 0.5),
axis.title.x = element_text(size = 11, face = "bold"),
axis.title.y = element_text(size = 11, face = "bold"),
axis.text = element_text(size = 10, color = "#444444"),
panel.grid.major.y = element_blank(),
panel.grid.minor = element_blank(),
panel.grid.major.x = element_line(color = "#E5E5E5")
)
El análisis de la ocupación de los clientes encuestados muestra que el 53,7 % corresponde a personas empleadas, seguido por un 24,1 % de trabajadores independientes, mientras que los estudiantes representan el 8,5 %, y los jubilados y personas desempleadas el 4,6 % cada uno. Esta distribución evidencia que la mayor parte de la clientela está conformada por población económicamente activa, con ingresos recurrentes y rutinas laborales estables.
Desde una perspectiva comunicacional, este resultado sugiere que el consumo en Panadería Leal se inscribe principalmente en dinámicas cotidianas asociadas a jornadas laborales, desplazamientos diarios y compras rápidas vinculadas al hogar o al trabajo. En este sentido, la comunicación de la marca puede fortalecerse mediante contenidos que resalten la accesibilidad de los puntos de venta, la disponibilidad permanente de productos y su integración en momentos habituales del día como el desayuno, las medias tardes o las compras de regreso a casa.
Asimismo, la presencia significativa de trabajadores independientes indica la existencia de un segmento con horarios más flexibles pero igualmente vinculado a consumos frecuentes y prácticos, lo que refuerza el papel de la panadería como un punto cercano de abastecimiento cotidiano dentro de la rutina urbana.
1.5 Cruce estratégico: edad × hijos
Grafico
ggplot(
Base_Leal,
aes(
x = `¿En qué rango de edad estas?`,
fill = `¿Tienes hijo/as?`
)
) +
geom_bar(position = "fill") +
scale_y_continuous(labels = scales::percent) +
labs(
title = "Presencia de hijos según rango de edad",
x = "Rango de edad",
y = "Proporción",
fill = "Tiene hijos"
) +
theme_minimal(base_size = 11) +
theme(
plot.title = element_text(size = 13, face = "bold", hjust = 0.5),
axis.title.x = element_text(size = 11, face = "bold"),
axis.title.y = element_text(size = 11, face = "bold"),
axis.text.x = element_text(angle = 35, hjust = 1, size = 10),
axis.text.y = element_text(size = 10),
panel.grid.minor = element_blank()
)
El análisis de la presencia de hijos según rango de edad evidencia una relación directa entre la etapa del ciclo de vida y la composición familiar de los clientes de Panadería Leal. Mientras que en el grupo de 18 a 24 años predomina ampliamente la ausencia de hijos, a partir del rango de 25 a 34 años comienza a observarse un equilibrio entre ambas condiciones, consolidándose posteriormente una clara mayoría de clientes con hijos en los segmentos de 35 a 44 años, 45 a 54 años y 55 años o más.
Este comportamiento confirma que el consumo de la panadería se encuentra fuertemente asociado a etapas de vida vinculadas con la consolidación de estructuras familiares, especialmente en los grupos de edad intermedia, donde la presencia de hijos supera ampliamente la mitad de los encuestados. En contraste, los segmentos más jóvenes presentan patrones de consumo menos asociados a dinámicas familiares tradicionales, lo que evidencia la coexistencia de públicos con contextos de consumo diferenciados.
Desde una perspectiva comunicacional, estos resultados permiten comprender que la relación de la marca con sus clientes varía según el momento del ciclo de vida en el que se encuentran, reforzando su papel como proveedor cotidiano dentro de entornos familiares en los grupos adultos, mientras que en los públicos más jóvenes su presencia se vincula a prácticas de consumo más individuales o situacionales.
1.6 Cruce estratégico: ocupación × frecuencia de compra en Leal
Grafico
ggplot(
Base_Leal,
aes(
x = `¿A qué te dedicas?`,
fill = `¿Con qué frecuencia compras productos de la Panadería Leal?`
)
) +
geom_bar(position = "fill") +
scale_y_continuous(labels = scales::percent) +
labs(
title = "Frecuencia de compra en Panadería Leal según ocupación",
x = "Ocupación",
y = "Proporción",
fill = "Frecuencia de compra"
) +
coord_flip() +
theme_minimal(base_size = 11) +
theme(
plot.title = element_text(size = 13, face = "bold", hjust = 0.5),
axis.title.x = element_text(size = 11, face = "bold"),
axis.title.y = element_text(size = 11, face = "bold"),
axis.text = element_text(size = 10),
panel.grid.minor = element_blank()
)
El análisis de la frecuencia de compra según ocupación evidencia que los clientes empleados e independientes concentran los niveles más altos de consumo recurrente, destacándose especialmente las compras a diario y entre dos y tres veces por semana. Este comportamiento confirma que la relación con Panadería Leal no corresponde a un consumo ocasional, sino a un hábito integrado en las dinámicas cotidianas de la población económicamente activa.
En contraste, los segmentos de estudiantes, personas desempleadas y jubiladas presentan patrones de compra más distribuidos entre frecuencias semanales y quincenales, lo que sugiere una relación menos intensiva pero igualmente constante con la marca. Esto indica que, aunque existen diferencias en la regularidad del consumo entre grupos ocupacionales, la panadería mantiene presencia en distintos momentos de la rutina de sus públicos.
Desde una perspectiva comunicacional, estos resultados permiten reconocer que Panadería Leal funciona principalmente como un punto de abastecimiento cotidiano, especialmente para personas con rutinas laborales estables. En este sentido, la comunicación de la marca puede reforzar su vínculo con estos públicos resaltando la disponibilidad permanente de productos, la cercanía de los puntos de venta y su presencia en momentos habituales del día como el desayuno, las pausas laborales o las compras de regreso al hogar.
Bloque 2. Percepción de marca desde la experiencia del cliente
Este bloque analiza la identidad percibida de Panadería Leal a partir de la experiencia de consumo de sus clientes. Para ello, se examinan las motivaciones de compra, los productos favoritos, la preferencia por puntos de venta, los factores que explican dicha preferencia y las barreras de compra percibidas. En conjunto, estas variables permiten identificar los atributos centrales que estructuran el posicionamiento de la marca en la mente de los consumidores.
2.1 Motivaciones de compra en una panadería
Tabla de frecuencia
tabla_motivaciones <- Base_Leal %>%
count(`¿Qué te motiva a comprar en una panadería?`) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) %>%
arrange(desc(n))
knitr::kable(
tabla_motivaciones,
col.names = c("Motivación", "Frecuencia", "Porcentaje (%)"),
caption = "Motivaciones de compra en una panadería"
)| Motivación | Frecuencia | Porcentaje (%) |
|---|---|---|
| Calidad de los productos | 198 | 39.4 |
| Sabor/tradición | 148 | 29.4 |
| Atención al cliente | 97 | 19.3 |
| Cercanía | 28 | 5.6 |
| Precio | 11 | 2.2 |
| Variedad de productos | 10 | 2.0 |
| NA | 3 | 0.6 |
| Cercania, atencion y precio | 1 | 0.2 |
| En realidad son varios factores simultáneos, siendo sabor y precios los más importantes | 1 | 0.2 |
| Horario desde temprano y variedad | 1 | 0.2 |
| Muy excelente atención | 1 | 0.2 |
| Sabor y atención al cliente | 1 | 0.2 |
| Sabor,cálida atención al cliente | 1 | 0.2 |
| Todooo | 1 | 0.2 |
| todos | 1 | 0.2 |
Los resultados muestran que la calidad de los productos es el principal factor que influye en la decisión de compra de los clientes, con un 39,4 % de las respuestas. Este hallazgo indica que el valor percibido de la panadería está fuertemente asociado al desempeño del producto mismo, lo que sugiere que la experiencia sensorial sigue siendo el eje central del vínculo con el consumidor.
En segundo lugar aparece el sabor y la tradición con un 29,4 %, lo que refuerza la importancia de los atributos simbólicos y culturales en la relación con la marca. Este resultado sugiere que la preferencia de los clientes no depende únicamente de características funcionales, sino también de elementos asociados a la memoria, la confianza y la continuidad en el tiempo.
La atención al cliente, con un 19,3 %, se posiciona como el tercer factor más relevante. Esto evidencia que la experiencia de servicio cumple un papel significativo en la fidelización y percepción positiva del establecimiento, complementando los atributos del producto.
En contraste, variables como la cercanía (5,6 %), el precio (2,2 %) y la variedad de productos (2,0 %) presentan menor incidencia relativa en la decisión de compra. Este comportamiento sugiere que los clientes priorizan atributos de calidad y experiencia sobre factores logísticos o económicos.
Mapa de palabras
texto_motivacion <- Base_Leal$`¿Qué te motiva a comprar en una panadería?`
# eliminar NA
texto_motivacion <- texto_motivacion[!is.na(texto_motivacion)]
# normalización manual de términos similares
texto_motivacion <- str_replace_all(texto_motivacion, "cálidad", "atención")
texto_motivacion <- str_replace_all(texto_motivacion, "buena atención", "atención")
texto_motivacion <- str_replace_all(texto_motivacion, "excelente atención", "atención")
texto_motivacion <- str_replace_all(texto_motivacion, "sabor y tradición", "sabor")
texto_motivacion <- str_replace_all(texto_motivacion, "variedad de productos", "variedad")
corpus <- Corpus(VectorSource(texto_motivacion))
corpus <- tm_map(corpus, content_transformer(tolower))
corpus <- tm_map(corpus, removePunctuation)
corpus <- tm_map(corpus, removeNumbers)
# stopwords adicionales personalizadas
palabras_irrelevantes <- c(
stopwords("spanish"),
"panaderia", "panadería", "productos", "comprar",
"factor", "factores", "cosas", "varios",
"todo", "todos", "variedad", "producto"
)
corpus <- tm_map(corpus, removeWords, palabras_irrelevantes)
wordcloud(
corpus,
max.words = 50,
random.order = FALSE,
colors = brewer.pal(8, "Dark2"),
scale = c(4, 0.9)
)
El Word Cloude refuerza visualmente los resultados cuantitativos del
cuadro anterior. En ella se destacan principalmente los términos:
calidad sabor tradición atención cliente
El tamaño de estas palabras indica su mayor frecuencia dentro de las respuestas abiertas, lo que confirma que los elementos más valorados por los consumidores están relacionados con la experiencia del producto y el trato recibido, más que con variables como precio o ubicación.
2.2 Productos favoritos de Panadería Leal
Tabla de frecuencia
tabla_favoritos <- Base_Leal %>%
count(`¿Qué productos de Panadería Leal son tus favoritos y por qué?`) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) %>%
arrange(desc(n))
knitr::kable(
head(tabla_favoritos, 15),
col.names = c("Producto favorito y razón", "Frecuencia", "Porcentaje (%)"),
caption = "Principales productos favoritos de Panadería Leal"
)| Producto favorito y razón | Frecuencia | Porcentaje (%) |
|---|---|---|
| NA | 52 | 10.3 |
| Pandebono | 11 | 2.2 |
| Todos | 8 | 1.6 |
| Pastel de pollo | 7 | 1.4 |
| Pan | 6 | 1.2 |
| Empanada | 5 | 1.0 |
| Pan queso | 5 | 1.0 |
| Chicharrón | 4 | 0.8 |
| Maiz | 4 | 0.8 |
| Pan de la abuela | 3 | 0.6 |
| Pandebonos | 3 | 0.6 |
| Almojabana | 2 | 0.4 |
| Casi todos | 2 | 0.4 |
| Esponjado | 2 | 0.4 |
| Esponjados | 2 | 0.4 |
Los resultados muestran que no existe una concentración dominante en un solo producto específico, sino una preferencia distribuida entre varias opciones tradicionales de la panadería, lo que sugiere una valoración positiva del portafolio en su conjunto.
Entre los productos mencionados con mayor frecuencia aparecen:
Pandebono Pastel de pollo Pan Empanadas Pan de queso Pan de la abuela Almojábanas Chicharrón
Este patrón evidencia que la preferencia del consumidor se orienta principalmente hacia productos típicos de la tradición panadera regional, lo que refuerza la importancia del componente cultural y gastronómico dentro de la identidad percibida de la marca.
Asimismo, el hecho de que varias personas respondieran “todos” o “casi todos” indica una valoración transversal del portafolio, lo cual sugiere niveles positivos de satisfacción general con la oferta de productos.
Por otra parte, el porcentaje de respuestas clasificadas como NA (10,3 %) puede interpretarse como ausencia de preferencia definida o dificultad para identificar un producto favorito específico, lo que es consistente con escenarios donde el consumo es habitual y diversificado.
2.3 Preferencia por puntos de venta
Tabla de frecuencia
tabla_puntos <- Base_Leal %>%
count(`¿Cuál es el punto de venta que más frecuenta?`) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) %>%
arrange(desc(n))
knitr::kable(
tabla_puntos,
col.names = c("Punto de venta", "Frecuencia", "Porcentaje (%)"),
caption = "Puntos de venta más frecuentados por los clientes"
)| Punto de venta | Frecuencia | Porcentaje (%) |
|---|---|---|
| Obrero | 85 | 16.9 |
| Mercedes | 64 | 12.7 |
| Balcon | 54 | 10.7 |
| Llanogrande | 53 | 10.5 |
| Bosque | 48 | 9.5 |
| Marden | 40 | 8.0 |
| Cañaveral (Palmira) | 39 | 7.8 |
| Cañaveral (Cali) | 33 | 6.6 |
| Cañaveral (Buga) | 31 | 6.2 |
| Coomeva | 31 | 6.2 |
| Versalles (Cali) | 15 | 3.0 |
| NA | 10 | 2.0 |
Grafica
ggplot(
tabla_puntos,
aes(
x = porcentaje,
y = forcats::fct_reorder(`¿Cuál es el punto de venta que más frecuenta?`, porcentaje)
)
) +
geom_col(fill = "#6F4E37", width = 0.7) +
geom_text(
aes(label = paste0(porcentaje, "%")),
hjust = -0.2,
size = 4,
fontface = "bold",
color = "#2B2B2B"
) +
scale_x_continuous(
limits = c(0, max(tabla_puntos$porcentaje) + 4),
labels = function(x) paste0(x, "%")
) +
labs(
title = "Puntos de venta más frecuentados",
x = "Porcentaje de encuestados",
y = "Punto de venta"
) +
theme_minimal(base_size = 11) +
theme(
plot.title = element_text(size = 13, face = "bold", hjust = 0.5),
axis.title.x = element_text(size = 11, face = "bold"),
axis.title.y = element_text(size = 11, face = "bold"),
axis.text = element_text(size = 10, color = "#444444"),
panel.grid.major.y = element_blank(),
panel.grid.minor = element_blank(),
panel.grid.major.x = element_line(color = "#E5E5E5")
)
Los resultados evidencian que el punto de venta Obrero concentra la mayor frecuencia de visitas entre los encuestados (16,9 %), seguido por Mercedes (12,7 %), Balcón (10,7 %) y Llanogrande (10,5 %). Posteriormente se ubican Bosque (9,5 %), Marden (8,0 %) y Cañaveral Palmira (7,8 %), lo que sugiere una distribución relativamente equilibrada de la clientela entre varios establecimientos de la ciudad.
En contraste, los puntos ubicados fuera de Palmira, como Cañaveral Cali (6,6 %), Versalles Cali (3,0 %) y Cañaveral Buga (6,2 %), presentan menores niveles de frecuencia relativa, lo cual puede asociarse tanto a la localización de la muestra como al arraigo histórico de la marca en su ciudad de origen.
Estos resultados permiten inferir que los puntos tradicionales de Palmira continúan funcionando como núcleos principales de relación con el cliente, consolidando su papel no solo como espacios de compra, sino también como escenarios de construcción de cercanía y fidelización.
2.4 Razones de preferencia de punto
Tabla de frecuencia
tabla_preferencia_sede <- Base_Leal %>%
count(`¿Por qué es tu preferido?`) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) %>%
arrange(desc(n))
knitr::kable(
head(tabla_preferencia_sede, 15),
col.names = c("Razón de preferencia", "Frecuencia", "Porcentaje (%)"),
caption = "Principales razones de preferencia por punto de venta"
)| Razón de preferencia | Frecuencia | Porcentaje (%) |
|---|---|---|
| NA | 58 | 11.5 |
| Calidad | 12 | 2.4 |
| Cercanía | 11 | 2.2 |
| Por la atención | 11 | 2.2 |
| Sabor | 8 | 1.6 |
| Cercania | 7 | 1.4 |
| Buena atención | 6 | 1.2 |
| Atención | 4 | 0.8 |
| La atención | 4 | 0.8 |
| Por el sabor | 4 | 0.8 |
| Atencion | 3 | 0.6 |
| Atención al cliente | 3 | 0.6 |
| Calidad de producto | 3 | 0.6 |
| Es rico | 3 | 0.6 |
| La atención al cliente | 3 | 0.6 |
texto_preferencia <- Base_Leal$`¿Por qué es tu preferido?`
# eliminar NA
texto_preferencia <- texto_preferencia[!is.na(texto_preferencia)]
# pasar a minúscula
texto_preferencia <- str_to_lower(texto_preferencia)
# normalización de expresiones equivalentes
texto_preferencia <- str_replace_all(texto_preferencia, "buena atención", "atención")
texto_preferencia <- str_replace_all(texto_preferencia, "excelente atención", "atención")
texto_preferencia <- str_replace_all(texto_preferencia, "muy buena atención", "atención")
texto_preferencia <- str_replace_all(texto_preferencia, "buen servicio", "servicio")
texto_preferencia <- str_replace_all(texto_preferencia, "queda cerca", "cercanía")
texto_preferencia <- str_replace_all(texto_preferencia, "cerca de mi casa", "cercanía")
texto_preferencia <- str_replace_all(texto_preferencia, "me queda cerca", "cercanía")
# separar palabras
palabras <- unlist(strsplit(texto_preferencia, "\\s+"))
# eliminar palabras irrelevantes
stop_extra <- c(
"que","los","las","por","con","para","una","del",
"porque","siempre","muy","más","mas",
"punto","venta","leal","panaderia","panadería"
)
palabras <- palabras[!palabras %in% stop_extra]
palabras <- palabras[nchar(palabras) > 2]
tabla_palabras <- sort(table(palabras), decreasing = TRUE)
set.seed(123)
wordcloud(
words = names(tabla_palabras),
freq = as.numeric(tabla_palabras),
min.freq = 2,
max.words = 50,
random.order = FALSE,
rot.per = 0.15,
colors = brewer.pal(8, "Pastel2"),
scale = c(4, 1)
)
La nube de palabras construida a partir de las respuestas abiertas de los encuestados evidencia que la elección del punto de venta está asociada principalmente a factores de atención, calidad de los productos, sabor y cercanía. Estos elementos aparecen como los criterios más recurrentes en la explicación de la preferencia por determinadas sedes de Panadería Leal.
En particular, la alta presencia de términos como “atención”, “servicio” y “personal” sugiere que la experiencia relacional con los colaboradores influye significativamente en la decisión de compra. De manera complementaria, palabras como “calidad”, “frescos”, “ricos” y “producto” refuerzan la importancia del componente gastronómico como factor de fidelización.
Asimismo, la reiteración de expresiones como “cerca”, “casa”, “zona”, “residencia” y “tradición” indica que la proximidad territorial y la familiaridad con el entorno del punto de venta constituyen motivaciones clave en la preferencia de los clientes, consolidando la relación entre la marca y su presencia cotidiana en los barrios donde opera.
2.5 Barreras de compra percibidas
Tabla de frecuencia
tabla_barreras <- Base_Leal %>%
count(`¿Por qué no comprar en la Panadria Leal?`) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) %>%
arrange(desc(n))
knitr::kable(
tabla_barreras,
col.names = c("Razón", "Frecuencia", "Porcentaje (%)"),
caption = "Principales barreras de compra percibidas por los clientes"
)| Razón | Frecuencia | Porcentaje (%) |
|---|---|---|
| Ninguna | 316 | 62.8 |
| Cosotos muy altos | 119 | 23.7 |
| NA | 33 | 6.6 |
| Oferta poco variada | 14 | 2.8 |
| Mal servicio | 3 | 0.6 |
| Ambiente inapropoiado | 2 | 0.4 |
| Creo que mientras exista la leal, seguiré comprando | 1 | 0.2 |
| El tener que pararse de la mesa si uno desea otro producto debe de pararse a pedirlo y hacer fila ,es incomodo | 1 | 0.2 |
| En candelaria no hay punto | 1 | 0.2 |
| Mas medios de pago Nequi u otros | 1 | 0.2 |
| Ningún motivo siempre hay mucha te ración y antojos sus productos son excelentes | 1 | 0.2 |
| No existe mal comentario pues la pregunta no va con la estetica dela respuesta | 1 | 0.2 |
| No manejan medios de pago electronicos | 1 | 0.2 |
| No tiene puntos negativos | 1 | 0.2 |
| Porque no reciben tarjetas | 1 | 0.2 |
| Recomendaria la leal | 1 | 0.2 |
| Si compro | 1 | 0.2 |
| Si compro. Pero un motivo sería el costo | 1 | 0.2 |
| Si tuviera una mala experiencia por algo extraño en algún producto o una mala atención | 1 | 0.2 |
| Siempre compro | 1 | 0.2 |
| Solo los baños que son muy feos osea mejorarlos | 1 | 0.2 |
| Todo es muy rico | 1 | 0.2 |
Los resultados evidencian que la mayoría de los encuestados (62,8 %) afirma no identificar barreras para la compra en Panadería Leal, lo que sugiere un alto nivel de satisfacción general con la experiencia ofrecida por la empresa.
Sin embargo, entre quienes sí reconocen limitaciones, el factor más relevante corresponde a la percepción de precios altos (23,7 %), posicionándose como la principal barrera identificada por los clientes. Este resultado indica que, aunque la calidad del producto es valorada positivamente, el componente económico puede incidir en la frecuencia de consumo o en la elección frente a otras alternativas del mercado.
En menor proporción aparecen aspectos como la percepción de una oferta poco variada (2,8 %) y el mal servicio (0,6 %), lo que sugiere que estos factores no representan problemáticas estructurales dentro de la experiencia del cliente. De manera similar, variables como el ambiente del punto de venta, la disponibilidad de medios de pago o la ubicación de sedes específicas fueron mencionadas de forma marginal, evidenciando un impacto reducido en la decisión de compra.
Bloque 3. Relación redes sociales-clientes
3.1 Redes utilizadas para descubrir nuevas opciones gastronómicas
Tabla de frecuencia
tabla_descubrimiento <- Base_Leal %>%
count(`¿Qué redes sociales utilizas para descubrir nuevas opciones gastronómicas?`) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) %>%
arrange(desc(n))
knitr::kable(
tabla_descubrimiento,
col.names = c("Red social", "Frecuencia", "Porcentaje (%)"),
caption = "Redes utilizadas para descubrir nuevas opciones gastronómicas"
)| Red social | Frecuencia | Porcentaje (%) |
|---|---|---|
| 109 | 21.7 | |
| Ninguna | 103 | 20.5 |
| 62 | 12.3 | |
| TikTok | 35 | 7.0 |
| Instagram, Facebook, TikTok | 32 | 6.4 |
| Instagram, Facebook | 27 | 5.4 |
| Instagram, TikTok | 24 | 4.8 |
| NA | 16 | 3.2 |
| Instagram, Facebook, TikTok, YouTube | 13 | 2.6 |
| YouTube | 13 | 2.6 |
| Google Maps / Reseñas en línea | 10 | 2.0 |
| Facebook, TikTok | 9 | 1.8 |
| Instagram, Facebook, TikTok, Google Maps / Reseñas en línea, YouTube | 9 | 1.8 |
| Instagram, Facebook, TikTok, Google Maps / Reseñas en línea | 5 | 1.0 |
| Instagram, Facebook, YouTube | 3 | 0.6 |
| Instagram, Google Maps / Reseñas en línea | 3 | 0.6 |
| Instagram, TikTok, Google Maps / Reseñas en línea | 3 | 0.6 |
| Instagram, TikTok, YouTube | 3 | 0.6 |
| Instagram, YouTube | 3 | 0.6 |
| Facebook, Google Maps / Reseñas en línea | 2 | 0.4 |
| Instagram, | 2 | 0.4 |
| Instagram, Facebook, Google Maps / Reseñas en línea, YouTube | 2 | 0.4 |
| TikTok, YouTube | 2 | 0.4 |
| Todas | 2 | 0.4 |
| Amigos | 1 | 0.2 |
| Facebook, TikTok, Google Maps / Reseñas en línea | 1 | 0.2 |
| Facebook, TikTok, YouTube | 1 | 0.2 |
| Facebook, YouTube | 1 | 0.2 |
| Instagram, Facebook, Google Maps / Reseñas en línea | 1 | 0.2 |
| Instagram, Ninguna | 1 | 0.2 |
| Instagram, TikTok, Google Maps / Reseñas en línea, YouTube, | 1 | 0.2 |
| La vendedora tiende a ofrecer en algunas ocasiones los productos nuevos | 1 | 0.2 |
| Recomendación de personas | 1 | 0.2 |
| TikTok, | 1 | 0.2 |
| WhatsApp del vendedor | 1 | 0.2 |
Los resultados muestran que Instagram (21,7 %) es la principal red social utilizada por los encuestados para descubrir nuevas opciones gastronómicas, seguida por quienes afirman no utilizar ninguna red para este propósito (20,5 %) y por Facebook (12,3 %). En menor proporción aparecen TikTok (7,0 %) y combinaciones entre varias plataformas digitales, especialmente aquellas que integran Instagram con Facebook y TikTok.
Estos datos indican que Instagram continúa siendo el canal más relevante en los procesos de exploración gastronómica, particularmente por su capacidad visual para mostrar productos, experiencias y ambientes asociados al consumo.
Por otra parte, el porcentaje significativo de personas que no utiliza redes sociales para descubrir nuevas opciones sugiere que el voz a voz, la cercanía territorial y la tradición siguen desempeñando un papel importante en la elección de establecimientos como Panadería Leal, lo cual es coherente con los resultados observados previamente en variables relacionadas con proximidad y fidelización local.
Asimismo, la presencia de plataformas como YouTube y Google Maps / reseñas en línea, aunque en menor proporción, evidencia la relevancia creciente de los entornos digitales de recomendación y evaluación en la construcción de decisiones de consumo.
3.2 Tipo de contenido esperado por los clientes
Tabla de frecuencia
Base_Leal <- Base_Leal %>%
rename(
contenido_esperado = 25
)
tabla_contenido <- Base_Leal %>%
count(contenido_esperado) %>%
filter(!is.na(contenido_esperado)) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) %>%
arrange(desc(porcentaje))
knitr::kable(
head(tabla_contenido, 15),
col.names = c("Tipo de contenido", "Frecuencia", "Porcentaje (%)"),
caption = "Tipo de contenido esperado por los clientes en redes sociales"
)| Tipo de contenido | Frecuencia | Porcentaje (%) |
|---|---|---|
| Reels mostrando productos | 179 | 38.2 |
| Recetas con sus productos | 124 | 26.5 |
| Novedades | 84 | 17.9 |
| Contenido de los colaboradores | 43 | 9.2 |
| Historias sobre la comunidad y los clientes | 27 | 5.8 |
| Ninguno | 2 | 0.4 |
| Labor social | 1 | 0.2 |
| Ninguno. No lo uso | 1 | 0.2 |
| No las uso. | 1 | 0.2 |
| No me gusta los contenidos de redes | 1 | 0.2 |
| No uso redes sociales | 1 | 0.2 |
| Promoción | 1 | 0.2 |
| Recetas con productos y También la forma como se elaboran los productos a manera de short | 1 | 0.2 |
| Si es de su interés obtener productos listos para batidos saludables me pueden contactar y con gusto les enviaré muestras gratuitas… 3125794947 | 1 | 0.2 |
| VIDEOS MAS DIVERTIDOS LO CUAL ATRAE VISTAS Y VAN A QUERER IR AL LOCAL | 1 | 0.2 |
Grafica
ggplot(
head(tabla_contenido, 10),
aes(
x = porcentaje,
y = forcats::fct_reorder(contenido_esperado, porcentaje)
)
) +
geom_col(fill = "#8C5A3C", width = 0.7) +
geom_text(
aes(label = paste0(porcentaje, "%")),
hjust = -0.2,
size = 4,
fontface = "bold",
color = "#2B2B2B"
) +
scale_x_continuous(
limits = c(0, max(head(tabla_contenido, 10)$porcentaje) + 5),
labels = function(x) paste0(x, "%")
) +
labs(
title = "Contenido esperado por los clientes en redes sociales",
x = "Porcentaje de encuestados",
y = "Tipo de contenido"
) +
theme_minimal(base_size = 11) +
theme(
plot.title = element_text(size = 13, face = "bold", hjust = 0.5),
axis.title.x = element_text(size = 11, face = "bold"),
axis.title.y = element_text(size = 11, face = "bold"),
axis.text = element_text(size = 10, color = "#444444"),
panel.grid.major.y = element_blank(),
panel.grid.minor = element_blank(),
panel.grid.major.x = element_line(color = "#E5E5E5")
)
Los resultados evidencian que el tipo de contenido más esperado por los clientes en redes sociales corresponde a los reels mostrando productos (38,2 %), seguido por recetas elaboradas con productos de la panadería (26,5 %) y novedades de la marca (17,9 %). En menor proporción aparecen contenidos relacionados con los colaboradores (9,2 %) y las historias de la comunidad y los clientes (5,8 %).
Estos resultados indican que los usuarios priorizan contenidos visuales y prácticos que permitan conocer los productos, sus características y sus posibilidades de consumo, lo cual es coherente con el papel que cumplen las redes sociales en los procesos de descubrimiento gastronómico, especialmente en plataformas como Instagram.
Asimismo, el interés por recetas sugiere que los clientes no solo buscan información sobre la oferta disponible, sino también ideas de uso y experiencias asociadas al consumo, lo que abre oportunidades para fortalecer contenidos pedagógicos y cercanos que amplíen la relación con la marca más allá del punto de venta.
Por otra parte, aunque en menor proporción, el interés por contenidos relacionados con los colaboradores y la comunidad evidencia la existencia de una expectativa por narrativas más humanas e identitarias, alineadas con la trayectoria y el carácter tradicional de la empresa.
3.3 Conocimiento de redes sociales
Tabla de frecuencia
tabla_seguimiento_redes <- Base_Leal %>%
count(`¿Sigues a Panadería Leal en redes sociales?`) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) %>%
arrange(desc(n))
knitr::kable(
tabla_seguimiento_redes,
col.names = c("Respuesta", "Frecuencia", "Porcentaje (%)"),
caption = "Seguimiento de Panadería Leal en redes sociales"
)| Respuesta | Frecuencia | Porcentaje (%) |
|---|---|---|
| No | 318 | 63.2 |
| Sí | 177 | 35.2 |
| NA | 8 | 1.6 |
Grafico
ggplot(
tabla_seguimiento_redes,
aes(
x = porcentaje,
y = forcats::fct_reorder(`¿Sigues a Panadería Leal en redes sociales?`, porcentaje)
)
) +
geom_col(fill = "#6F4E37", width = 0.6) +
geom_text(
aes(label = paste0(porcentaje, "%")),
hjust = -0.2,
size = 4,
fontface = "bold",
color = "#2B2B2B"
) +
scale_x_continuous(
limits = c(0, max(tabla_seguimiento_redes$porcentaje) + 5),
labels = function(x) paste0(x, "%")
) +
labs(
title = "Seguimiento de Panadería Leal en redes sociales",
x = "Porcentaje de encuestados",
y = "Respuesta"
) +
theme_minimal(base_size = 11) +
theme(
plot.title = element_text(size = 13, face = "bold", hjust = 0.5),
axis.title.x = element_text(size = 11, face = "bold"),
axis.title.y = element_text(size = 11, face = "bold"),
axis.text = element_text(size = 10, color = "#444444"),
panel.grid.major.y = element_blank(),
panel.grid.minor = element_blank(),
panel.grid.major.x = element_line(color = "#E5E5E5")
)
Los resultados evidencian que el 63,2 % de los encuestados no sigue a
Panadería Leal en redes sociales, mientras que solo el 35,2 % afirma
hacerlo. Este comportamiento indica que, aunque la empresa cuenta con un
alto nivel de reconocimiento en el entorno físico y territorial, su
presencia en el ecosistema digital aún presenta oportunidades de
fortalecimiento en términos de alcance y vinculación con los
clientes.
La diferencia entre quienes siguen la marca y quienes no lo hacen sugiere que la relación con los consumidores continúa estando mediada principalmente por la experiencia directa en los puntos de venta, más que por canales digitales de interacción o fidelización.
Desde una perspectiva estratégica, este hallazgo resulta relevante, ya que evidencia un margen amplio para consolidar las redes sociales como un canal complementario de comunicación con los clientes, especialmente en la difusión de productos, promociones, historias de la empresa y contenidos asociados a la tradición panadera que caracteriza la identidad de la marca.
En este sentido, fortalecer la presencia digital no implica sustituir la cercanía territorial que actualmente constituye una de las principales fortalezas de Panadería Leal, sino ampliar sus posibilidades de conexión con los públicos, particularmente en segmentos más jóvenes o en ciudades donde la marca continúa en proceso de posicionamiento.