Modelos de participación de

mercado

IN58B
Ingeniería de Marketing

Nicolás Fritis
Manuel Reyes
Mauricio Ramírez
 Introducción

• ¿Por qué modelos de Participación de Mercado (PM)?

Se busca modelos en que puedan introducirse factores

competitivos de las marcas presentes en el mercado y
puedan aislarse los efectos externos (por ejemplo, ciclos
económicos).

In58b – Primavera 2008 2

 Modelos de participación de
mercado

Modelos estocásticos
agregados

In58b – Primavera 2008

 Modelos estocásticos

• Estos modelos están muy asociados a lo que vimos

como modelos estocásticos de compra del consumidor.
• Buscamos modelos que describan adecuadamente el
comportamiento agregado de los consumidores.
• Vimos un modelo respecto a los instantes de compra de
los consumidores (Modelo de incidencia de compra).
Ahora el foco corresponde al estudio de las
participaciones de mercado.

In58b – Primavera 2008 4

 Definiciones preliminares(1)

• Datos de Panel: Datos Panel T1 T2 T3 T4 T5

Seguimiento de las marcas C001 A A A B A
compradas por una muestra C002 A C B A B
identificable de C003 A B B B A
consumidores.

• Matrices de intercambio
de marcas (Brand T+1
Compras
Switch): Registros A B C Total
A 137 47 19T+1 203
derivado de datos de panel T
Conjunta
B 41 A
179 B12 C
232 Total
que indican como los A 0.267
C Condicion
22 10 0.092 78 T+1
46 0.037 0.396
consumidores cambian de TotalT B
200 al 236
0.080 A
0.349
77 B 0.452
0.023
513 C Total
marcas de un periodo a C 0.043
A 0.019 0.090 0.152
0.675 0.232 0.094 1.000
otro. TotalT 0.390
B 0.460
0.177 0.150
0.772 1.000
0.052 1.000
C 0.282 0.128 0.590 1.000

In58b – Primavera 2008 5

 Definiciones preliminares(2)

• Se definen:

P ( i | j ) = Ρ ( comprar i en t + 1| compra j en t )
Ρ ( i, j )
P ( i, j ) = Ρ ( comprar j en t y comprar i en t + 1) Ρ (i | j ) =
Ρ( j)
P ( j ) = Ρ ( comprar j en t + 1)
• Notar que:

∑ Ρ (i | j ) = 1
i
(ley probabilidad)

∑ Ρ ( i, j ) = Ρ ( i ) = m
j
i (market share)

In58b – Primavera 2008 6

 Modelo Ehremberg (Orden 0)

• Basado en observaciones empíricas, Ehremberg postuló

que:

Ρ ( i, j ) = k ⋅ mi ⋅ m j

• Con esto:

La lealtad depende sólo de

Ρ ( i, i ) = mi − k ⋅ mi (1 − mi ) la participación de mercado

 k ⋅ mi i≠ j
Ρ (i | j ) =  La compra actual no depende
1 − k (1 − mi ) i = j de la compra anterior
In58b – Primavera 2008 7
 Calibración

• Para la calibración del modelo requerimos:

– Participaciones de mercado del último periodo (mi)
– Probabilidad de compra repetitiva para cada marca (P(i,i)).

1 − ∑ i Ρ ( i, i )
k=
1 − ∑ i mi2

• El valor de k indica algunas características del mercado:

– Mercado maduro k≈0.5
– Mercado de lealtad k<<1

In58b – Primavera 2008 8

 Uso de gestión

• La capacidad predictiva es bastante baja (un modelo de

orden cero asume implícitamente cierta estabilidad en el
mercado).
• La aplicación más directa corresponde a la validación de
los supuestos por medio de la comparación de las
matrices de Brand Switch reales y teóricas:
– Los consumidores compran como en un modelo de
atracción.
– Los consumidores son de orden 0 (no importa que
compraron en el pasado).

In58b – Primavera 2008 9

 Ejemplo(1)

T+1
Compras
A B C Total mi
A 137 47 19 203 0.396
T B 41 179 12 232 0.452
C 22 10 46 78 0.152
Total 200 236 77 513 1.000

Conjunta T+1
(real) A B C Total 1 − ( 0.267 + 0.349 + 0.090 )
A 0.267 0.092 0.037 0.396 k=
T B 0.080 0.349 0.023 0.452 1 − ( 0.3962 + 0.4522 + 0.1522 )
C 0.043 0.019 0.090 0.152 = 0.478
Total 0.390 0.460 0.150 1.000

In58b – Primavera 2008 10

 Ejemplo(2)

Conjunta T+1
(real) A B C Total
A 0.267 0.092 0.037 0.396
T B 0.080 0.349 0.023 0.452
C 0.043 0.019 0.090 0.152
Total 0.390 0.460 0.150 1.000

Conjunta T+1
(teórica) A B C Total
A 0.281 0.086 0.029 0.396 Ρ ( i, j ) = k ⋅ mi ⋅ m j
T B 0.086 0.334 0.033 0.452
C 0.029 0.033 0.090 0.152 Ρ ( i, i ) = mi − k ⋅ mi (1 − mi )
Total 0.396 0.452 0.152 1.000

In58b – Primavera 2008 11

 Ejemplo(3)

Condicional T+1
(real) A B C Total
A 0.675 0.232 0.094 1.000
T B 0.177 0.772 0.052 1.000
C 0.282 0.128 0.590 1.000

Condicional T+1
(teórica) A B C Total  k ⋅ mi i≠ j
A 0.711 0.216 0.073 1.000 Ρ (i | j ) = 
T B 0.189 0.738 0.073 1.000 1 − k (1 − mi ) i = j
C 0.189 0.216 0.595 1.000

In58b – Primavera 2008 12

 Modelo Markoviano(1)

• Supuesto: La probabilidad de comprar una

determinada marca depende sólo de la marca comprada
en el periodo anterior.
• Sea Yt la marca elegida en el periodo t. Luego los
supuestos se reducen a:

Ρ {Yt = k | Yt −1 , Yt − 2 ,..., Y0 } = Ρ {Yt = k | Yt −1} Propiedad markoviana

Ρ {Yt = k | Yt −1} = Ρ {Yt + n = k | Yt + n −1} Incrementos estacionarios

In58b – Primavera 2008 13

 Modelo Markoviano(2)

• Sea una matriz de probabilidad P={pij}ij, donde pij es la

probabilidad que un consumidor compre j dado que en
el periodo actual compró i.

0 ≤pij≤1

∑i pij = 1

In58b – Primavera 2008 14

 Modelo Markoviano(3)

• Sea mit la probabilidad de comprar la marca i en el

periodo t. Entonces:

n
mit = ∑ p ji m jt −1 i = 1...n
j =1

mi∞ : m∞ = m∞ ⋅ Ρ ∑m i i∞ =1

In58b – Primavera 2008 15

 Modelo Markoviano(4)
• Ejemplo:
t

A B

– Con mA,t-1 = mB,t-1 = 0.5 A 0.7 0.3

t-1
B 0.5 0.5

mA,t = mA,t-1*pAA + mB,t-1*pBA

mA,t = (0.5)(0.7) + (0.5)(0.5)=0.6
mB,t = 1 - mA,t = 1 - 0.6 = 0.4

mA,t+1 = mA,t*pAA + mB,t*pBA = (0.6)(0.7) + (0.4)(0.5) = 0.62

mA,infinito = 0.625

In58b – Primavera 2008 16

 Modelo de aprendizaje

• Supuesto: La compra de la marca aumenta la

probabilidad de repetirla mientras que la no compra la
disminuye.
• Modelo básico con 2 marcas. Sea pt la probabilidad de
comprar la marca de interés en el periodo t. El modelo:

Operador
 α1 +λ1 pt -1 si se elije marca en t aceptación
pt = 
α 2 +λ2 pt -1 ~ Operador
rechazo

In58b – Primavera 2008 17

 Gráficamente(1)
pt+1

1
Operador aceptación

pt+1(i|A)
Operador rechazo

pt+1(i|R)

pt(i) 1 pt
¿Qué ocurre si no compra nunca el producto?
¿Qué ocurre si compra siempre el producto?

In58b – Primavera 2008 18

 Gráficamente(2)
pt+1

1
Operador aceptación

Operador rechazo

pmin pmax 1 pt
¿Cómo interpretar los parámetros del modelo?

In58b – Primavera 2008 19

 Modelos de participación de
mercado

Modelos basados en la
competencia

In58b – Primavera 2008

 Definiciones básicas

• La definición del mercado y del conjunto de marcas a

considerar dependerán del contexto:
– Ej: mercados de las zapatillas o de las zapatillas para
deporte o de las zapatillas para jugar fútbol o…
• Consideremos.
– Participación de mercado (market share) de la marca i (si).
– Ventas del producto i, típicamente medidas en unidades
(Qi).
– Ventas totales de los productos del mercado (Q).
– Número de marcas en el mercado (m).

Qi Qi
si = = m
Q
∑ Qj
j =1

In58b – Primavera 2008 21

 Enfoque de esfuerzos de marketing(1)

• Premisa básica: la participación de mercado de una

marca i es proporcional a su esfuerzo de marketing Mi
(Kotler, 1984):

1
si = k ⋅ M i ∑i si = 1 ⇒ k = M
i
∑ i
• Teorema fundamental de la participación de
mercado: “La participación de mercado de cada marca
es proporcional a su porción total del esfuerzo de
marketing”. Mi
si =
∑M
i
i

In58b – Primavera 2008 22

 Enfoque de esfuerzos de marketing(2)

• Los esfuerzos son independientes de los resultados.

Podemos introducir un coeficiente de efectividad por
marca αi:
αi M i
si =
∑α j M j
j

• Hasta ahora no hemos dicho mucho: necesitamos

explicitar que queremos decir con esfuerzo de
marketing. Según Kotler, es función del marketing mix
actual y previo.

M i = f ( precioi , publicidad i , ditribucion i , ...)

In58b – Primavera 2008 23

 Esfuerzos de marketing

• Se han propuesto varias formas funcionales.

Consideremos:
– Precio del producto de la marca i, Pi.
– Gasto en publicidad de la marca i, Ai.
– Esfuerzo en distribución de la marca i (por ejemplo,
número de tiendas), Di.

M i = exp ( pPi + aAi + dDi + ...)

M i = Pi p Aia Did ...
• La primera forma corresponde a la versión más simple
del MNL (multinomial logit), mientras que la segunda
corresponde a MCI (multiplicative, competitive-
interaction).
In58b – Primavera 2008 24
 Esfuerzos de marketing (Ejp)
M i = Pi p Aia Did ...
Ejemplo numérico del Teorema Fundamental de Kotler

Empresa Coef Efect Precio Publicidad Distribución Esf Mktg Esf Mktg pond Market Share

1 0,9 $ 10,5 $ 80.000 $ 54.000 $ 77.558 $ 69.802 28,7%

2 1,2 $ 11,3 $ 90.000 $ 48.000 $ 66.374 $ 79.649 32,7%

3 1 $ 9,8 $ 70.000 $ 65.000 $ 94.012 $ 94.012 38,6%

-1,8 0,6 0,8 $ 237.944 $ 243.463 100,0%

parametros

Aumento del Market

Share en la empresa 2

Ejemplo Numérico - El efecto de bajar el precio

Empresa Coef Efect Precio Publicidad Distribución Esf Mktg Esf Mktg pond Market Share

1 0,9 $ 10,5 $ 80.000 $ 54.000 $ 77.558 $ 69.802 26,5%

2 1,2 $ 10,0 $ 90.000 $ 48.000 $ 82.706 $ 99.248 37,7%

3 1 $ 9,8 $ 70.000 $ 65.000 $ 94.012 $ 94.012 35,7%

-1,8 0,6 0,8 $ 254.276 $ 263.062 100,00%

parametros

In58b – Primavera 2008 25

 Enfoque de atracción de marcas

• Premisa básica: El único determinante al momento de

realizar la compra es la atracción que ejerce la marca
sobre los consumidores (Bell, Kenney y Little 1975):
• La atracción que ejerce una marca i (Ai) debe cumplir
con una serie de axiomas:

Ax1: Ai ≥ 0∀i ∧ ∑ Ai > 0

i

Ax2: Ai = 0 ⇒ si = 0 Ai
si =
Ax3: Ai = A j ⇒ si = s j
∑ Ai
i

Ax4: Si la atracción de una marca cambia, el market share

de cualquier marca se ve afectado, independiente de cual
sea esa marca.
In58b – Primavera 2008 26
 Modelos de participación de mercado(1)

• Consideremos:
– Valor de la variable explicativa k de la marca i (xki).
– Parámetro de influencia constante de la marca i (αi).
– Parámetro a ser estimado (βk).
– Error (εi)

MCI: Ai = exp(α i )∏ xkiβk ε i

Ai
k si =
MNL: Ai = exp α i + ∑ β k xki + ε i
( ) ∑ Ai
i
k

In58b – Primavera 2008 27

 Modelos de participación de mercado(2)

• Existen otros modelos de participación de mercado en

que no importan los competidores:

si = α i + ∑ β k xki + ε i lineal
k

si = exp(α i )∏ xkiβk ε i multiplicativo

k
si = exp α i + ∑ β k xki + ε i
( k
) exponencial

• Naert & Bultez (1973), plantean 2 requerimientos de

consistencia lógica que estos modelos no cumplen:
– si ≥ 0.
– Σisi = 1.

In58b – Primavera 2008 28

 Calibración de parámetros

• La calibración de parámetros se puede hacer

usando regresiones lineales para lo cual se
deben linealizar (log-centering) las
expresiones.

 si  K
 xki 
 = α i + ∑ β k ln  α i* = (α i − α )
* *
MCI: ln   i
+ ε con
s  k =1  x 
 εi 
ε i* = ln  
ε 
 si  K
MNL: ln 
s


= α i
*
+ ∑
k =1
β k ( ki
x − x ) i
+ ε *
con α i* = (α i − α )
ε i* = ( ε i − ε )
In58b – Primavera 2008 29
 Elasticidades de MS(1)

• Definición: Corresponde al cambio relativo en la participación

de mercado ante la variación en una variable del marketing
mix.

∆si si ∆s x
esi = = i ki
∆xki xki ∆xki si
• En la práctica es muy difícil aislar los efectos para una
medición empírica. Para encontrar una elasticidad debemos
asumir un modelo, calibrarlo y calcular las elasticidades
punto:
∂si xki
esi =
∂xki si

In58b – Primavera 2008 30

 Elasticidades de MS(2)

• Siguiendo este esquema podemos calcular elasticidades

para cada uno de los modelos propuestos:

esi = ( β k xki ) si lineal

esi = β k multiplicativo
esi = β k xki exponencial

esi = β k (1 − si ) MCI

esi = β k (1 − si ) xki MNL

In58b – Primavera 2008 31

 Propiedades elasticidad

• ¿Qué propiedades debiera cumplir una elasticidad de

participación de mercado?

1. eQi x j = eQx j + esi x j

2. Si si creciente en x j ⇒ Lim si →1esi x j = 0 Se satura el mercado

3. Si si creciente en x j ⇒ Lim x →∞ esi x j = 0 Se satura el recurso

• Se puede demostrar que todos los modelos cumplen con

propiedad 1, pero modelos lineal, multiplicativo y exponencial
no satisfacen 2 y 3.
In58b – Primavera 2008 32
 MCI vs. MNL

• Hemos visto razones por las cuales preferir MNL o MCI

frente a modelos lineales, multiplicativo o
exponenciales. Pero, ¿Cuándo usar MCI y cuándo usar
MNL?

• A pesar de ser conceptualmente muy distintos, si

miramos numéricamente los resultados de las
participaciones de mercado, los comportamientos son
muy similares. Las diferencias aparecen al observar las
elasticidades:

– ¿Cómo debiera ser el comportamiento para valores bajos

de la variable explicativa?
– ¿depende del mercado o del atributo?

In58b – Primavera 2008 33

 MCI
Market Share Elasticidad

1.8

1.6

1.4

1.2

0.8

0.6

0.4

0.2

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Índice de gasto en publicidad

In58b – Primavera 2008 34

 MNL
Market Share Elasticidad

1.8

1.6

1.4

1.2

0.8

0.6

0.4

0.2

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Índice de gasto en publicidad
In58b – Primavera 2008 35
 Modelo general de atracción

• Podemos formular un modelo en que algunos efectos sean

del tipo MCI y otros del tipo MNL.

K
βk
MGA: Ai = exp (α i + ε i ) ∏ f k ( xki )
k =1

 x MCI
fk ( x ) = 
exp ( x ) MNL

In58b – Primavera 2008 36

 Extensiones(1)

• El parámetro de efectividad αi es propio de cada marca, pero

independiente de las acciones especificas que tome.
• Una marca podría ser más efectiva en algunas variables del
marketing mix.
• Podemos hacer que el parámetros β dependa de la marca.

K
β ki
MGA: Ai = exp (α i + ε i ) ∏ f k ( xki )
k =1

In58b – Primavera 2008 37

 Extensiones(2)

• Elasticidades cruzadas:
∂si si ∂si xki
esi ⋅ j = =
∂xkj xkj ∂xki si

esi ⋅ j = − β kj s j MCI Problema IIA!

(Revisar Axioma 4)
esi ⋅ j = − β kj xk s j MNL

• Definimos un parámetro de competitividad cruzada de la

variable xkj sobre la marca i (βkij).

K
β kij
MGA: Ai = exp (α i + ε i ) ∏ f k ( xki )
k =1

In58b – Primavera 2008 38

Modelos de participación de
mercado

IN58B
Ingeniería de Marketing

Nicolás Fritis
Manuel Reyes
Mauricio Ramírez