¿Qué quieren realmente los clientes?

¿Qué ocurre cuando se combinan el virtuosismo en el diseño de productos, técnicas de investigación de mercado de gran potencia y copiosos datos sobre los clientes? Con demasiada frecuencia, el resultado son aparatos que sufren de “feature creep” o la devolución de mercancía por valor de miles de millones de dólares por parte de clientes que, después de todo, querían algo diferente. Ese tipo de despilfarro ya es bastante malo en tiempos normales, pero en una recesión puede cobrarse un peaje temible.

El problema es que la mayoría de las herramientas de valoración de las preferencias de los clientes que se utilizan hoy en día en el desarrollo de productos son instrumentos sin filo, principalmente porque a los consumidores les cuesta articular sus deseos reales. Cuando se les pide que valoren una larga lista de atributos del producto en una escala del 1 (“completamente sin importancia”) al 10 (“extremadamente importante”), los clientes suelen decir que quieren muchos o incluso la mayoría de ellos. Para resolver ese problema, las empresas necesitan una forma de ayudar a los clientes a afinar la distinción entre “agradable de tener” y “hay que tener”.

Algunas empresas están empezando a perforar la niebla utilizando una técnica de investigación llamada “Escalado de Diferencia Máxima”. “MaxDiff” fue iniciada a principios de los años 90 por Jordan Louviere, que ahora es profesor en la Universidad de Tecnología de Sydney. (Como ocurre con la mayoría de los avances académicos de vanguardia, llevó tiempo traducir la investigación de Louviere en herramientas prácticas). MaxDiff requiere que los clientes realicen una secuencia de compensaciones explícitas. Los investigadores empiezan por reunir una lista de atributos del producto o de la marca -normalmente de 10 a 40- que representan beneficios potenciales. A continuación, presentan a los encuestados conjuntos de unos cuatro atributos cada vez, pidiéndoles que seleccionen qué atributo de cada conjunto prefieren más y menos. Las rondas posteriores de agrupaciones mixtas permiten a los investigadores identificar la posición de cada atributo en relación con todos los demás por el número de veces que los clientes lo seleccionan como su consideración más o menos importante.

Una popular cadena de restaurantes utilizó recientemente MaxDiff para comprender por qué sus esfuerzos de expansión estaban fracasando. En una serie de grupos de discusión y encuestas sobre preferencias, los consumidores coincidieron en lo que querían: opciones de comida más saludables y una decoración actualizada. Pero cuando se puso en marcha el nuevo menú de la cadena, fuertemente promocionado, el equipo de marketing quedó consternado por los mediocres resultados. Los clientes encontraban confusas las nuevas y complejas opciones, y las ventas eran flojas en los nuevos establecimientos, más contemporáneos.

Los responsables de marketing de la empresa decidieron ampliar el abanico de preferencias. Utilizando MaxDiff, pidieron a los clientes que compararan ocho atributos y llegaron a una sorprendente conclusión. Los resultados mostraron que el servicio prompt de comidas calientes y una ubicación conveniente eran mucho más importantes para los clientes que los artículos saludables y el mobiliario moderno, que acabaron muy abajo en la lista. El mejor camino a seguir era mejorar el servicio de cocina y seleccionar los emplazamientos de los restaurantes en función del lugar de trabajo de los clientes.

Una lectura más clara de las preferencias de los clientes

La capacidad de predecir cómo se comportarán los clientes puede ser extremadamente poderosa, y no sólo cuando los presupuestos son ajustados. Las empresas que planifican lanzamientos de productos transfronterizos necesitan una herramienta libre de prejuicios culturales. Y a medida que los gustos de los clientes se fragmentan, los equipos de desarrollo de productos necesitan técnicas fiables para trazar líneas claras entre los segmentos de clientes basándose en las características que más importan a cada grupo. Las empresas están empezando a aplicar el análisis MaxDiff también a estas cuestiones.