Reducción dimensional y análisis factorial en SPSS
Aplicación de PCA y análisis factorial exploratorio para identificar dimensiones latentes e interpretar patrones en conjuntos de datos empresariales.
Tipo
Trabajo académico
Área
Multivariate Analysis · Market Research
Herramientas
SPSS
Técnicas
PCA · Exploratory factor analysis · KMO · Bartlett test · Communalities · Factor rotation
Entregable
Análisis multivariante interpretado
Valor
Trabajo académico donde apliqué PCA y análisis factorial exploratorio en SPSS para identificar dimensiones latentes, reducir variables e interpretar patrones útiles en investigación de mercados y análisis empresarial.
Resumen ejecutivo
Caso metodológico útil para investigación de mercados: convertir muchas variables observadas en dimensiones interpretables sin perder la lectura de negocio.
Contexto de negocio
En encuestas y estudios empresariales suele haber muchas variables correlacionadas. La reducción dimensional ayuda a sintetizar información, construir escalas y detectar patrones latentes.
Mi contribución
Trabajo académico individual. Ejecuté el análisis en SPSS, revisé adecuación factorial e interpreté componentes/factores con orientación a investigación de mercados.
Datos y métodos
- SPSS y salidas .spv.
- Análisis de componentes principales y análisis factorial exploratorio.
- Evaluación mediante KMO, Bartlett, comunalidades y rotación.
Proceso
- 01Revisar matriz de correlaciones.
- 02Evaluar adecuación del análisis factorial.
- 03Extraer componentes/factores.
- 04Aplicar rotación e interpretar cargas.
- 05Traducir dimensiones a lectura de negocio.
Hallazgos clave
- La técnica permite condensar información y detectar dimensiones latentes.
- La interpretación depende de la calidad de variables y estructura de correlaciones.
Implicaciones de negocio
- Transferible a segmentación, investigación de mercados, escalas de percepción y customer insights.
- Complementa proyectos de consumer insights donde hay muchas variables actitudinales.
Limitaciones
- Trabajo académico con datos de práctica.
- No se presenta como caso de impacto empresarial real.
Qué haría a continuación
- Aplicarlo a encuestas propias con objetivos de segmentación.
- Conectar factores con modelos predictivos o perfiles de cliente.
Recursos
Visuales sugeridos
Factor loading table.
Scree plot.
Latent dimensions map.
Proyectos relacionados
01
Investigación de mercado sobre adopción de vehículos sostenibles
Proyecto individual / investigación publicada · Consumer Insights · Quantitative Research · Google Forms / R / SPSS
Proyecto individual donde analicé motivaciones, barreras y perfiles de adopción de vehículos eléctricos e híbridos mediante encuesta propia, SPSS/AMOS, SEM/CFA, MANOVA y regresión para extraer insights de consumidor transferibles a negocio.
Área
Consumer Insights · Quantitative Research
Técnicas
Survey research · SEM · CFA
02
Análisis hedónico de pricing de vehículos eléctricos europeos
Proyecto individual académico · Pricing Analytics · Econometrics · Market Intelligence · R / ggplot2 / lmtest
Proyecto individual donde analicé cómo autonomía, potencia y gama influyen en el precio de vehículos eléctricos europeos mediante R, regresión OLS, interacciones y errores robustos para extraer implicaciones de pricing y producto.
Área
Pricing Analytics · Econometrics · Market Intelligence
Técnicas
Hedonic pricing · OLS regression · Log-log model
03
Estimación bayesiana de conversión en campañas bancarias
Proyecto individual académico · CRM Analytics · Bayesian Inference · Decision Science · FirstBayes / Excel / UCI Bank Marketing dataset
Proyecto individual donde estimé la conversión de campañas de telemarketing bancario mediante inferencia bayesiana Binomial-Beta y distribución predictiva para traducir incertidumbre en expectativas operativas de marketing.
Área
CRM Analytics · Bayesian Inference · Decision Science
Técnicas
Binomial-Beta model · Posterior update · Prior sensitivity
Siguiente proyecto