Tendencias del diseño emocional y afectivo. Evaluación de propiedades de diseño e identidad de producto de coches eléctricos y de combustión basada en seguimineto ocular y análisis conjunto
Abstract
En los últimos años, el número de nuevos modelos de vehículos eléctricos (EV) se ha multiplicado, generando así una tendencia en el mercado. En los análisis de tendencias consultados sobre las actitudes de los usuarios en relación con los vehículos eléctricos, particularmente con los coches eléctricos, en ninguno el factor estético o de diseño aparece como motivación de compra, probablemente porque los coches eléctricos aún no han establecido una identidad propia que los defina. Por tanto, es de interés analizar aquellos atributos estéticos formales que pueden realzar la identidad de los vehículos eléctricos. Actualmente la transición al coche eléctrico está siendo paulatinamente aceptada por todos los usuarios, por lo que el diseño de estos productos ocupa un espacio destacado en el sector del diseño del automóvil. Asimismo, la experiencia de usuario es uno de los aspectos determinantes para la elección de un modelo. Este estudio propone un proceso dividido en cuatro fases. La primera fase comprende un análisis de antecedentes para definir el método y las técnicas con las que alcanzar los objetivos. Así mismo, se evalúa la evolución del discurso y el avance de la investigación en este ámbito hasta la actualidad mediante un análisis en profundidad de la producción científica mediante técnicas de bibliometría y análisis de las publicaciones obtenidas de Web Of Science. Se incluye un análisis detallado de las revisiones bibliográficas más relevantes sobre diseño emocional y afectivo, así como las principales publicaciones sobre análisis bibliométrico. Se evalúan palabras clave, fuentes, autores, citas, organizaciones, categorías y países utilizando diversas técnicas bibliométricas. En los resultados se obtienen clústeres de las categorías temáticas donde se refleja un cambio en la tendencia de las publicaciones. En segunda fase, se realiza un análisis de Eyetracking, mediante el cual se determina qué zonas de la imagen de un vehículo son más influyentes en la percepción del mismo como eléctrico o de combustión, y la identificación del tipo de vehículo mediante el análisis de mapas de calor, mapas de seguimiento y números y tiempos de fijación, entre otros datos. A través de esto, es posible desarrollar diseños óptimos alineados con la percepción del usuario. En la tercera fase se emplea el método de Análisis Conjunto para analizar las preferencias de los usuarios por los coches eléctricos y de combustión, buscando identificar qué propiedades estéticas y formales del frontal de un automóvil están asociadas a los vehículos eléctricos. Y en la cuarta fase, se toma de base la información obtenida en las fases previas para aplicar Ingeniería Kansei (IK). La raíz de la Ingeniería Kansei es el diseño emocional y afectivo. Y los conceptos de diseño emocional y afectivo se han destacado en los últimos años como una tendencia con un alto potencial de crecimiento, proponiendo un enfoque que estudia los estados afectivos que provocan los productos en las personas. Si se realiza un análisis de ciclo de vida del producto, se comprueba cómo, al considerar a la afectividad y las emociones, se puede apoyar al diseño sostenible. Con esta metodología se busca comprender y traducir las emociones y sensaciones de los usuarios en parámetros y característica diseño del vehículo eléctrico, y así contribuir a la identidad propia de estos vehículos, y que su aceptación en el mercado siga en aumento. Además, asociado a la obtención de información de los usuarios en las diferentes fases, se realizan test de usuario con cuestiones sociodemográficas con el fin de segmentar la población y comprobar mediante Análisis de Varianza (ANOVAs) que existen diferencias significativas en la percepción sobre los vehículos eléctricos y obtener información complementaria sobre las propiedades estético-formales y las diferentes características sociodemográficas de los usuarios.
Full text
Tesis Doctoral Tendencias del diseño emocional y afectivo. Evaluación de propiedades de diseño e identidad de producto de coches eléctricos y de combustión basada en seguimiento ocular y Análisis Conjunto. Sevilla, diciembre 2024 Programa de Doctorado en Instalaciones y Sistemas para la Industria por la Universidad de Sevilla Autor Raúl Núñez Romero Directores: Dra. Amalia Luque Sendra Dr. Antonio Córdoba Roldán
Raúl Núñez Romero - 2
Raúl Núñez Romero - 3 DEDICATORIA A quienes han dedicado toda su vida a su familia, a quienes han dado lo mejor de sí de forma constante e incansable para sus hijos, a quienes han hecho de mi la persona que soy… A mis Padres.
Raúl Núñez Romero - 4 AGRADECIMIENTOS No quedan suficientes días en el futuro para poder agradecer lo suficiente la ayuda que me han brindado mis directores de tesis: Dra. Amalia Luque Sendra y Dr. Antonio Córdoba Roldán. Su apoyo continuo y enseñanzas han tenido un incalculable valor, y me han llevado por el mejor camino posible. También quiero agradecer profundamente lo bien que me han tratado los Compañeros y Amigos del Área de Proyectos de Ingeniería del Departamento de Ingeniería del Diseño de la Universidad de Sevilla. Mil gracias les debo por compartirme su espléndido saber hacer y haberme permitido crecer en conocimiento. Y por último, un agradecimiento especial al Dr. Francisco Aguayo González, por tenderme la mano en el pasado incierto y dar luz a mi carrera profesional.
Resumen Raúl Núñez Romero - 5 Resumen En los últimos años, el número de nuevos modelos de vehículos eléctricos (EV) se ha multiplicado, generando así una tendencia en el mercado. En los análisis de tendencias consultados sobre las actitudes de los usuarios en relación con los vehículos eléctricos, particularmente con los coches eléctricos, en ninguno el factor estético o de diseño aparece como motivación de compra, probablemente porque los coches eléctricos aún no han establecido una identidad propia que los defina. Por tanto, es de interés analizar aquellos atributos estéticos formales que pueden realzar la identidad de los vehículos eléctricos. Actualmente la transición al coche eléctrico está siendo paulatinamente aceptada por todos los usuarios, por lo que el diseño de estos productos ocupa un espacio destacado en el sector del diseño del automóvil. Asimismo, la experiencia de usuario es uno de los aspectos determinantes para la elección de un modelo. Este estudio propone un proceso dividido en cuatro fases. La primera fase comprende un análisis de antecedentes para definir el método y las técnicas con las que alcanzar los objetivos. Así mismo, se evalúa la evolución del discurso y el avance de la investigación en este ámbito hasta la actualidad mediante un análisis en profundidad de la producción científica mediante técnicas de bibliometría y análisis de las publicaciones obtenidas de Web Of Science. Se incluye un análisis detallado de las revisiones bibliográficas más relevantes sobre diseño emocional y afectivo, así como las principales publicaciones sobre análisis bibliométrico. Se evalúan palabras clave, fuentes, autores, citas, organizaciones, categorías y países utilizando diversas técnicas bibliométricas. En los resultados se obtienen clústeres de las categorías temáticas donde se refleja un cambio en la tendencia de las publicaciones. En segunda fase, se realiza un análisis de Eyetracking, mediante el cual se determina qué zonas de la imagen de un vehículo son más influyentes en la percepción del mismo como eléctrico o de combustión, y la identificación del tipo de vehículo mediante el análisis de mapas de calor, mapas de seguimiento y números y tiempos de fijación, entre otros datos. A través de esto, es posible desarrollar diseños óptimos alineados con la percepción del usuario. En la tercera fase se emplea el método de Análisis Conjunto para analizar las preferencias de los usuarios por los coches eléctricos y de combustión, buscando identificar qué propiedades estéticas y formales del frontal de un automóvil están asociadas a los vehículos eléctricos. Y en la cuarta fase, se toma de base la información obtenida en las fases previas para aplicar Ingeniería Kansei (IK). La raíz de la Ingeniería Kansei es el diseño emocional y afectivo. Y los conceptos de diseño emocional y afectivo se han destacado en los últimos años como una tendencia con un alto potencial de crecimiento, proponiendo un enfoque que estudia los estados afectivos que provocan los productos en las personas. Si se realiza un análisis de ciclo de vida del producto, se comprueba cómo, al considerar a la afectividad y las emociones, se puede apoyar al diseño sostenible. Con esta metodología se busca comprender y traducir las emociones y sensaciones de los usuarios en parámetros y característica diseño del vehículo eléctrico, y así contribuir a la identidad propia de estos vehículos, y que su aceptación en el mercado siga en aumento. Además, asociado a la obtención de información de los usuarios en las diferentes fases, se realizan test de usuario con cuestiones sociodemográficas con el fin de segmentar la población y comprobar mediante Análisis de Varianza (ANOVAs) que existen diferencias significativas en la percepción sobre los vehículos eléctricos y obtener información complementaria sobre las propiedades estéticoformales y las diferentes características sociodemográficas de los usuarios.
Abstract Raúl Núñez Romero - 6 Abstract In recent years, the number of new electric vehicle (EV) models has multiplied, thus generating a trend in the market. In the trend analyses consulted on user attitudes towards electric vehicles, particularly electric cars, the aesthetic or design factor does not appear as a purchasing motivation in any of them, probably because electric cars have not yet established a style of their own that defines them. Therefore, it is of interest to analyse those formal aesthetic attributes that can enhance the identity of electric vehicles. Currently, the transition to electric cars is gradually being accepted by all users, so the design of these products occupies a prominent place in the automotive design sector. Likewise, user experience is one of the determining aspects for choosing a model. This study proposes a process divided into four phases. The first phase includes a background analysis to define the method and techniques with which to achieve the objectives. The aim is also to evaluate the evolution of the discourse and the progress of research in this field to date through an in-depth analysis of scientific production using bibliometric techniques and analysis of publications obtained from Web Of Science. A detailed examination of the most relevant bibliographic reviews on emotional and affective design is included, as well as the main publications on bibliometric analysis. Keywords, sources, authors, citations, organizations, categories and countries are evaluated using various bibliometric techniques. The results obtain clusters of the thematic categories where a change in the trend of publications is reflected. In the second phase, an Eyetracking analysis is carried out, through which it is determined which areas of the image of a vehicle are most influential in the perception of it as electric or combustion, and the identification of the type of vehicle through the analysis of heat maps, tracking maps and numbers and fixation times, among other data. Through this, it is possible to develop optimal designs aligned with the user's perception. In the third phase, the Conjoint Analysis method is used to analyse user preferences for electric and combustion cars, seeking to identify which aesthetic and formal properties of the front of a car are associated with electric vehicles. And in the fourth phase, the information obtained in the previous phases is used as a basis to apply Kansei Engineering (KE). The root of Kansei Engineering is emotional and affective design. And the concepts of emotional and affective design have emerged in recent years as a trend with high growth potential, proposing an approach that studies the affective states that products provoke in people. If a product life cycle analysis is carried out, it can be seen how, by considering affectivity and emotions, sustainable design can be supported. With this methodology, the aim is to understand and translate the emotions and sensations of users into parameters and design characteristics of the electric vehicle, and thus contribute to the identity of these vehicles, and to ensure that their acceptance in the market continues to increase. In addition, in addition to obtaining information from users in the different phases, user tests are carried out with sociodemographic questions in order to segment the population and verify, through Analysis of Variance (ANOVAs), that there are significant differences in the perception of electric vehicles and to obtain complementary information on the aesthetic-formal properties and the different sociodemographic characteristics of users.
Índice Raúl Núñez Romero - 7 Índice Resumen ........................................................................................................................................ 5 Abstract ......................................................................................................................................... 6 Índice ............................................................................................................................................. 7 Capítulo 1. Introducción .............................................................................................................. 10 1.1 Justificación ....................................................................................................................... 10 1.2 Antecedentes .................................................................................................................... 12 1.3 Preguntas de investigación, objetivos e hipótesis ............................................................. 18 1.4 Estructura de la tesis ......................................................................................................... 20 Capítulo 2. Estado del arte .......................................................................................................... 21 2.1 Introducción ...................................................................................................................... 21 2.2 Metodología de la revisión bibliográfica realizada ............................................................ 23 2.3 Resultados de la revisión bibliográfica .............................................................................. 24 2.4 Conclusiones de la revisión bibliográfica ........................................................................... 30 2.5 Ingeniería Kansei ............................................................................................................... 31 2.6 Eyetracking ........................................................................................................................ 37 2.7 Análisis Conjunto ............................................................................................................... 48 2.8 Conclusión Estado del arte ................................................................................................ 53 Capítulo 3. Fundamentos Teóricos .............................................................................................. 57 3.1 Ingeniería Kansei ............................................................................................................... 57 3.1.1 Elección del dominio del diseño. ................................................................................ 60 3.1.2 Espacio Semántico ...................................................................................................... 61 3.1.3 Espacio de propiedades. ............................................................................................ 64 3.1.4 Espacio de síntesis ...................................................................................................... 66 3.1.5 Creación del modelo y test de validez. ....................................................................... 69 3.2 Técnicas aplicadas en Ingeniería Kansei ............................................................................ 69 3.2.1 Teoría Eyetracking ...................................................................................................... 70 3.2.2 Análisis Conjunto ........................................................................................................ 73 3.2.3 Teoría cuantificación tipo 1 (QT1)) ............................................................................. 74 3.2.4 Análisis Factorial ......................................................................................................... 76 3.2.5 Análisis Clúster ........................................................................................................... 88 Capítulo 4. Metodología .............................................................................................................. 97 4.1 Evaluación de propiedades de diseño de coches eléctricos y de combustión basada en seguimiento ocular (Eyetracking) ............................................................................................ 97 4.1.1 Definir atributos y niveles .......................................................................................... 98
Índice Raúl Núñez Romero - 8 4.1.2 Definir atributos y niveles del objeto de diseño......................................................... 99 4.1.3 Representar el espacio muestral ................................................................................ 99 4.1.4 Definir AOIs .............................................................................................................. 100 4.1.5 Realización de experimentos .................................................................................... 100 4.2 Identidad de producto de coches eléctricos y de combustión basada en Análisis Conjunto. ............................................................................................................................... 100 4.2.1 Análisis de antecedentes .......................................................................................... 101 4.2.2 Test de usuario ......................................................................................................... 101 4.2.3 Análisis Conjunto ...................................................................................................... 101 4.2.4 Test visual ................................................................................................................. 102 4.3 Aplicación Ingeniería Kansei para diseño de vehículo eléctrico ...................................... 102 Capítulo 5. Evaluación de propiedades de diseño basada en seguimiento ocular (Eyetracking) ................................................................................................................................................... 104 5.1 Diseño del experimento .................................................................................................. 104 5.1.1 Eyetracking ............................................................................................................... 104 5.1.2 Test de usuario ......................................................................................................... 105 5.1.3 Test visual para identificar tipo vehículo .................................................................. 107 5.2 Resultados del experimento ............................................................................................ 107 5.2.1 Desarrollo del experimento de Eyetracking ............................................................. 107 5.2.2 Test de usuario ......................................................................................................... 115 5.2.3 Test visual para identificar tipo vehículo .................................................................. 116 Capítulo 6. Identidad de producto basada en Análisis Conjunto .............................................. 118 6.1 Diseño del experimento .................................................................................................. 118 6.1.1 Test de usuario ......................................................................................................... 118 6.1.2 Selección de los atributos y sus niveles .................................................................... 118 6.1.3 Selección de la metodología de Análisis Conjunto ................................................... 121 6.1.4 Especificación de las combinaciones de propiedades y aplicación de diseño factorial ortogonal ........................................................................................................................... 121 6.1.5 Selección del método de encuestación .................................................................... 122 6.1.6 Recolección de datos ................................................................................................ 122 6.1.7 Estimación de la importancia de los atributos y la utilidad de sus niveles .............. 122 6.1.8 Evaluación de la validez ............................................................................................ 123 6.2 Resultados de Análisis Conjunto. .................................................................................... 123 6.2.1 Test de usuario ......................................................................................................... 123 6.2.2 Análisis Conjunto ...................................................................................................... 124 Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico .......................................... 130 7.1 Planteamiento de Ingeniería Kansei ................................................................................ 130
Raúl Núñez Romero - 9 7.1.1 Selección del Dominio .............................................................................................. 130 7.1.2 Espacio Semántico .................................................................................................... 130 7.1.3 Espacio de propiedades............................................................................................ 146 7.1.4 Síntesis ...................................................................................................................... 148 7.2 Resultados de Ingeniería Kansei ...................................................................................... 150 7.2.1 Tratamiento de datos QT1 ........................................................................................ 150 7.2.2 Resultados de Ingeniería Kansei ............................................................................... 154 7.3 Conclusiones de Ingeniería Kansei .................................................................................. 156 Capítulo 8. Discusión y conclusiones ......................................................................................... 161 8.1 Preguntas de investigación. ............................................................................................. 162 8.2 Hipótesis: ......................................................................................................................... 163 8.3 Contribuciones y limitaciones ......................................................................................... 164 8.4 Líneas futuras .................................................................................................................. 165 8.5 Publicaciones ................................................................................................................... 166 Referencias bibliográficas .......................................................................................................... 167 Anexos ....................................................................................................................................... 183
Capítulo 1. Introducción Raúl Núñez Romero - 16 En mercadotecnia es frecuente utilizar el Análisis Conjunto para analizar el comportamiento de los usuarios a la hora de tomar una decisión de compra de un coche (Jamali Hondori et al., 2013; Numon et al., 2019). En lo referente a EV, Kowalska et al. (2022), analizan las preferencias de compra en coches eléctricos mediante Análisis Conjunto, para lo cual proponen 11 atributos (precio, marca, autonomía, acceso a servicios, acceso a estaciones de recarga, segmento de coche, valores funcionales, seguridad, tipo de combustible, recarga de baterías e impacto de las condiciones climáticas). De este estudio se concluyó que los atributos más valorados en la elección de un vehículo eléctrico son la seguridad, seguida del precio y de la autonomía. (Kowalska-Pyzalska et al., 2022). Moons and De Pelsmacker (2014) utilizan el Análisis Conjunto para analizar la experiencia evocada en EV (Moons & De Pelsmacker, 2014). Rudolph (2016) analiza que tipo de incentivos en la compra de EV, como: subvenciones directas, un impuesto al CO2 independiente, aparcamiento gratuito, aumento de la infraestructura de recarga disponible y un aumento de los costes del combustible mediante el aumento del impuesto, son preferidos por los usuarios (Rudolph, 2016). En referencia a los aspectos estéticos formales del vehículo Suzianti et al. (2016) utilizan el Análisis Conjunto para analizar los atributos estéticos externos del vehículo en la toma de decisiones de los usuarios, haciendo referencia a la percepción afectiva del usuario. Para ello los autores proponen introducir la Ingeniería Kansei y combinarla con el Análisis Conjunto. En cuanto a los atributos estéticos formales los autores seleccionan: luces traseras, manija de la puerta, faros, parachoques delantero y luz antiniebla. Los atributos se analizan en su conjunto presentados en forma de fotografías de coches reales donde los usuarios valoran su grado de preferencia de cada uno (Suzianti et al., 2016) Existen estudios en los que se centra la atención en un elemento concreto del vehículo. Muslim et al. (2019) proponen analizar mediante Análisis Conjunto los atributos que definen a un panel de instrumentos del coche eléctrico y panel de instrumentos del coche convencional. Los autores consideran atributos como el tipo de distribución, el velocímetro, la capacidad de la batería, la autonomía y el ecómetro (Muslim et al., 2019). Un ejemplo en cuanto al uso de la Ingeniería Kansei en el diseño de EV, es el propuesto por M.Li et al. (2020). En este caso los autores desean establecer la relación entre las emociones o kanseis: “suave-duro”, “tecnológico-retro”, “simple-complejo” y “ligero-estable” con elementos característicos de un coche eléctrico como “forma del faro”, “forma de la parrilla superior”, “forma de los faros antiniebla” y “decoración paramétrica”. La conclusión a la que llegan los autores es que la forma del faro delantero es la que más contribuye a los kanseis “tecnológicoretro”, siendo el faro de tipo línea el más tecnológico y el faro circular el más retro. En segundo lugar, la forma de la rejilla superior es lo más importante para dar un aspecto tecnológico, siendo la forma trapezoidal la más tradicional y los vehículos sin parrilla los de aspecto más tecnológico (M. Li et al., 2020). El estudio de coches eléctricos propuesto por Xi et al. (2017) establecen que para evocar un aspecto de “alta-tecnología” en un EV los atributos “faro”, “forma de la cara frontal” y “parrilla delantera” son los más importantes. Entrando en detalle, las formas “forma larga y delgada” de los faros delanteros y la forma “tipo X” para la forma de la cara frontal son las predominantes (Xi et al., 2017). Las conclusiones de estos estudios de referencia son de gran utilidad para establecer los atributos de diseño a tener en cuenta en el presente estudio.
Capítulo 1. Introducción Raúl Núñez Romero - 17 Los estudios e investigaciones tienen en común el uso de diferentes tipos de técnica de medición de las percepciones y aptitudes de los usuarios. De forma genérica se puede hacer una clasificación en dos grandes grupos: técnicas psicométricas y técnicas biomédicas y neurocientíficas. En cuanto a técnicas psicométricas, las más relevantes son: - Encuestas y Cuestionarios: Que son una serie de preguntas de forma oral o escrita, que se utilizan para recoger datos sobre la satisfacción del usuario, actitudes, preferencias y expectativas respecto a un producto. - Análisis Conjunto: Permite entender cómo los diferentes atributos de un producto influyen en la percepción que tiene el usuario. Por ejemplo, para un vehículo, pueden tomarse como atributos: el diseño estético, la autonomía y el precio. - Diferencial Semántico: Permite medir las connotaciones y significados que las personas asocian con ciertos conceptos o palabras con puntuaciones cuantitativa. Se utiliza para evaluar cómo se perciben diferentes ideas, productos o marcas a través de escalas que reflejan dimensiones o características del producto. Esta técnica ayuda a entender las actitudes y emociones que las personas tienen hacia un producto o elemento especifico. Mediante la escala de Diferencial Semántico se utiliza pares de adjetivos opuestos (como "bueno-malo" o "agradabledesagradable") y los encuestados marcan su posición en una escala entre esos dos extremos. Esto permite captar matices en la percepción de un concepto. Mientras que una variante, que igualmente permite evaluar las connotaciones es la escala Likert, que se enfoca en evaluar el grado de acuerdo con afirmaciones específicas. Generalmente, se presentan afirmaciones y los encuestados indican su grado de acuerdo o desacuerdo en una escala que puede ir de "totalmente en desacuerdo" a "totalmente de acuerdo". Por ejemplo, una escala Likert típica podría tener cinco puntos: 1 (totalmente en desacuerdo) a 5 (totalmente de acuerdo). En cuanto a técnicas biomédicas y neurocientíficas, estas técnicas se enfocan en la respuesta fisiológica y neurológica de los usuarios al interactuar con un producto. Algunas de las más relevantes son: - Electroencefalografía (EEG): Se puede utilizar para medir la actividad cerebral de los usuarios mientras evalúan el diseño o la funcionalidad de un producto, proporcionando información sobre sus emociones y niveles de atención, con la ayuda de sensores o cascos colocados en la cabeza que captan la actividad en la corteza cerebral. - Resonancia Magnética Funcional (FMRI): Permite observar cómo el cerebro responde a diferentes estímulos relacionados con un producto, lo que puede ayudar a identificar características que generan mayor interés o satisfacción, viendo cómo se activan las diferentes partes del cerebro. - Medición de la Conductancia de la Piel o Respuesta Galvánica de la Piel (GSR): Usa sensores colocados sobre la piel que miden la conductancia de la piel debido a la sudoración. Esta técnica también puede ayudar a evaluar la respuesta emocional de los usuarios al experimentar con un producto, lo que puede ser útil para entender su conexión emocional con él. - La oculometría o Eyetracking (ET): Utiliza las características únicas del comportamiento ocular de una persona, como el movimiento y la posición de los ojos, para evaluar o verificar los parámetros relevantes al mostrarle un estímulo visual. Además, todos los estudios presentados incluyen un análisis de características demográficas a través de encuestas que ayuden a comprender mejor las preferencias de los usuarios y a obtener datos de detalle en bases a dichas características.
Capítulo 1. Introducción Raúl Núñez Romero - 18 1.3 Preguntas de investigación, objetivos e hipótesis Se plantean tres preguntas de investigación de forma que establezcan una guía que oriente todo el proceso de estudio. Estas ayudan a definir el enfoque y los objetivos, delimitando y marcado la senda a seguir en el camino de la investigación. Estas preguntas buscan aportar conocimiento en el área de estudio y dan pie a marcar los objetivos que se quieren alcanzar y formular hipótesis. • RQ1: ¿Cuáles son los elementos estético-formales que contribuyen a la percepción de la identidad de un vehículo eléctrico? Esta pregunta de investigación se centra en la intersección entre la identidad de un vehículo eléctrico y su diseño estético-formal, lo cual es un tema muy relevante en el contexto actual de la movilidad sostenible. En cuanto, a la "identidad": Es importante establecer qué se entiende en el contexto de un vehículo eléctrico. Serían aspectos como la percepción del usuario, la marca, la sostenibilidad, y cómo estos elementos se reflejan en el diseño estético del vehículo. La dimensión estético-formal explora cómo los elementos visuales y formales del diseño (como la forma, el color, los materiales y la ergonomía) contribuyen a la identidad del vehículo, buscando que características estéticas son más valoradas por los consumidores de vehículos eléctricos. • RQ2: ¿Qué técnicas científicas son más efectivas para evaluar la base identitaria de un vehículo eléctrico y cómo pueden aplicarse para mejorar su diseño y desarrollo? Dentro de las técnicas científicas, se busca qué métodos científicos se pueden utilizar para analizar la identidad estética de un vehículo. El fruto es conseguir herramientas para la mejora del diseño aporta directrices que puedan ser utilizadas por diseñadores e ingenieros para mejorar la estética y la identidad de los vehículos eléctricos. Podrían estas herramientas ayudar a crear vehículos que no solo sean funcionales y sostenibles, sino que también apelen emocionalmente a los consumidores. Aquí se considera técnicas de percepción visual, encuestas a usuarios, análisis de tendencias de diseño, y técnicas de neurociencia que estudien las reacciones emocionales a diferentes diseños. De forma genérica se pueden clasificar en dos grandes grupos: técnicas psicométricas (encuestas, Análisis Conjunto, Diferencial Semántico, etc.) y técnicas biomédicas y neurocientíficas (Electroencefalografía, resonancia magnética, oculometría, …). • RQ3: ¿Cómo influyen las variables socio-demográficas, de los diferentes grupos de población, en la identificación y percepción de los vehículos eléctricos? Al explorar esta pregunta, se puede descubrir cómo diferentes grupos demográficos (edad, género, nivel educativo, ingresos) perciben los vehículos eléctricos, sus actitudes hacia la sostenibilidad, la tecnología y la innovación. Así mismo, podrían encontrarse si hay diferencias en el conocimiento sobre beneficios y características vehículos eléctricos entre distintos grupos poblaciones con diferente nivel educacional. Factores económicos también pueden aparecer a la hora de influir en la disposición a comprar un vehículo eléctrico. Podría analizarse cómo el ingreso y la situación laboral afectan la percepción de costo-beneficio de estos vehículos. También la percepción puede variar según la región. En áreas urbanas, donde la infraestructura de carga puede ser más accesible, la aceptación podría ser mayor en comparación con áreas rurales. Así mismo, las creencias y valores culturales pueden influir en la percepción de los vehículos eléctricos. Esto podría incluir actitudes hacia el medio ambiente y la tecnología. E igualmente podrían identificarse barreras y motivaciones que enfrentan diferentes grupos para adoptar vehículos eléctricos. La información recopilada al abordar esta RQ3 daría una visión más completa de cómo las características demográficas afectan la percepción y aceptación de los vehículos eléctricos.
Capítulo 1. Introducción Raúl Núñez Romero - 19 Los objetivos principales derivados de las preguntas de investigación planteadas, como metas a conseguir en esta investigación son: • O1: Definir una serie de atributos y niveles de atributos relevantes para el establecimiento de la identidad de un coche eléctrico y obtener un espacio muestral objeto de estudio. Con este objetivo se conseguiría responder a RQ1. • O2: Aplicar oculometría y Análisis Conjunto para obtener información relevante sobre que atributos y niveles son los que más contribuyen a la identidad de un vehículo eléctrico e identificar los atributos y niveles que no contribuyen. Con este objetivo se conseguiría dar respuesta a RQ2. • O3: Analizar el grado de acierto y fallo en la clasificación de vehículos como eléctricos y de combustión por parte de los usuarios. A través de este objetivo se puede enlazar las respuestas a las RQ1 y RQ2 • O4: Analizar si existen diferencias en los resultados basadas en características sociales y demográficas como el género, la edad, la intención de compra, conciencia proambiental, etc. Alcanzar este objetivo daría respuesta a RQ3 Se formulan las siguientes hipótesis, punto de partida para desarrollar los objetivos centrales del trabajo: • H1: Es importante fomentar el coche eléctrico como medida alternativa de disminución de la contaminación gracias al transporte verde. • H2: El mercado está dispuesto a aceptar el coche eléctrico ya que, partiendo de los datos expuestos, las ventas mundiales tuvieron un crecimiento exponencial y se ha aceptado este transporte como la mejor alternativa factible y fiable en el futuro próximo. • H3: Las propiedades estéticas del vehículo influyen en la percepción de cualquier vehículo, y por tanto, en el sector incipiente del coche eléctrico. • H4: Mediante oculometría (Eyetracking) se puede determinar qué zonas de una imagen (en este caso imágenes de vehículos) son más influyentes en la percepción de este como eléctrico o de combustión. • H5: Las zonas más importantes de un vehículo y las percepciones de los usuarios sobre el mismo pueden ser distintas en función del género y otras variables sociodemográficas. • H6: Existen atributos y niveles de atributo estético formales que son más influyentes que otros en la identificación de un coche como eléctrico o de combustión. • H7: Actualmente es difícil identificar un coche como eléctrico o de combustión mediante percepción visual. • H8: Existen variables sociales y/o demográficas que influyen en la percepción de un coche como eléctrico o de combustión.
Capítulo 1. Introducción Raúl Núñez Romero - 20 1.4 Estructura de la tesis Esta tesis se estructura en seis capítulos que recogen el trabajo fundamental desarrollado en la investigación doctoral y varios apartados finales donde se detallan las referencias bibliográficas y los anexos. El capítulo 1 es la visión general del trabajo y en él se establece una justificación que motiva la investigación realizada y se provee una visión de los antecedentes que la consolidan. Y en este primer capítulo se plantean tres preguntas de investigación y se formulan ocho hipótesis y cuatro objetivos para poner el punto de partida de los siguientes pasos. En el capítulo 2 se hace una revisión extensa del estado del arte de la temática y conocimiento actual, para establecer el marco teórico. Hay una recopilación de trabajos que tratan el diseño emocional y afectivo, así como trabajos que tratan sobre el diseño de productos bajo este tipo de diseño y otros trabajos que tratan el vehículo eléctrico. Aquí Se describe la metodología empleada y se plasman los resultados y conclusiones del estado del arte. En el capítulo 3 se exponen los fundamentos teóricos que dan base a las metodologías, técnicas y procedimientos utilizados para desarrollar este trabajo de investigación. En el capítulo 4 se concentra el núcleo de la metodología aplicada. Divido en tres bloques, cada uno de ellos comprende una fase experimental. El primero usa la técnica de oculometría (Eyetracking) para evaluar las propiedades de diseño del vehículo eléctrico. El segundo se apoya en de la técnica de Análisis Conjunto (CA) para evaluar los atributos estético formales del vehículo eléctrico que definen su identidad. El tercer experimento complementa a los dos anteriores como broche de cierre al simular el diseño del vehículo eléctrico mediante Ingeniería Kansei. En el capítulo 5 se presenta el experimento de Eyetracking, que constituye uno de los elementos clave de esta investigación. A través de esta técnica, se pretende identificar las características más relevantes del frontal de los vehículos desde la perspectiva de los usuarios. Además, el Eyetracking se complementa con una prueba de usuario y un test visual para identificar el tipo de vehículo, lo que proporciona una fuente adicional de datos que enriquece los resultados obtenidos con el Eyetracking. El capítulo 6 se aborda el segundo pilar fundamental de la investigación, centrado en el experimento que examina la identidad del frontal de los vehículos a través del Análisis Conjunto. Mediante esta técnica estadística, se pretende evaluar los distintos atributos y características del frontal del vehículo, así como sus combinaciones, con el fin de comprender cómo los usuarios perciben la identidad del vehículo. Y también se asiste su desarrollo con información relativa a las características sociodemográficas de los usuarios. En el capítulo 7 se presenta el tercer pilar de la investigación, en el que se integran los datos y resultados de los experimentos previos de Eyetracking y Análisis Conjunto. A partir de los parámetros y atributos identificados en el análisis de los datos obtenidos en esos experimentos, se establece la base para el desarrollo de la Ingeniería Kansei. Con la integración de información, se generarán resultados que permitirán formular conclusiones El capítulo 8 se destina a la exposición de conclusiones derivada del desarrollo del trabajo de investigación. Aquí se consideran los límites a los que se llega y se discute la validez de las hipótesis planteadas en el inicio en base a los objetivos y finalmente se apuntan futuras líneas de investigación que den pie a avanzar en el campo del diseño afectivo-emocional en el campo del vehículo eléctrico.
Capítulo 2. Estado del arte Raúl Núñez Romero - 21 Capítulo 2. Estado del arte En este capítulo se establece el estado del arte y se plasma el conocimiento actual. La visión en perspectiva del estado del arte reciente da una imagen de la tendencia actual en las áreas de estudio. Se hace un análisis exhaustivo de las investigaciones previas relacionadas con los temas en estudio. Principalmente se citan artículos científicos y fuentes relevantes. Y con la metodología seguida para la revisión bibliográfica, se justifican los resultados obtenidos de la revisión. Entre toda la información recabada se encuentran vacíos de conocimiento, o áreas que no han sido suficientemente investigadas, y que se pretenden rellenar con los trabajos de esta tesis. Así mismo, se delimita el campo de estudio donde se enmarca la tesis y se da muestras de técnicas y metodologías ampliamente utilizadas y con reconocidos resultados, que sirven de apoyo en esta investigación. 2.1 Introducción El diseño emocional y afectivo es un enfoque de diseño que busca diseñar y desarrollar productos, servicios y/o experiencias que conecten emocionalmente con las personas. El diseño emocional surge como una evolución de la ergonomía de producto que va más allá de la ergonomía tradicional, centrada en aspectos funcionales y de seguridad, y del diseño centrado en el usuario el cual abarca aspectos como la usabilidad. El diseño emocional explora nuevos factores humanos en el diseño de productos como proporcionar una interacción placentera, aportar valor social y valor emocional al usuario (Hernández et al., 2018; Yoon et al., 2021). Este enfoque se basa en la idea de que las emociones influyen en las decisiones y comportamientos de los usuarios. Por lo tanto, al diseñar y desarrollar productos que despierten emociones positivas, se puede lograr que las personas sientan el compromiso que tiene la empresa con el usuario y el valor emocional que aporta el producto, lo que a su vez puede generar una mayor lealtad, satisfacción y fidelidad del usuario con el producto y con la empresa o marca que lo desarrolla (Fukuda, 2010). Algunas estrategias comunes utilizadas en el diseño emocional y afectivo incluyen: • Utilizar colores, formas y materiales que evocan emociones positivas. • Incorporar elementos visuales o interactivos que despiertan la curiosidad y la exploración. • Diseñar interfaces intuitivas y fáciles de usar. • Personalizar la experiencia de diseño para que se adapte a las necesidades y preferencias individuales de cada usuario. El diseño emocional y afectivo es utilizado en una amplia variedad de campos, desde la tecnología y el diseño de productos de cualquier complejidad, diseño de embalaje, hasta el diseño de entornos de ocio y de trabajo, servicios y eventos. Diversos autores han abordado el diseño emocional de productos. Donald Norman, experto en ciencia cognitiva en el dominio de la ingeniería de la usabilidad es uno de los autores de referencia en diseño emocional. Norman (Norman 2004) explica cómo el diseño emocional puede afectar a la relación con los objetos cotidianos que nos rodean. Aarron Walter (Walter 2011) explora cómo el diseño emocional puede afectar la forma en que los usuarios interactúan con productos digitales. El autor presenta técnicas prácticas para incorporar el diseño emocional en el diseño de interfaces de usuario y sitios web.
Capítulo 2. Estado del arte Raúl Núñez Romero - 22 Aarron Walter (Walter 2019) también expone las mejores prácticas disponibles para el diseño y desarrollo de productos que ayudan al equipo de diseño a incorporar las emociones en el desarrollo, así como crear entornos de diseño colaborativo y reducir tiempos de desarrollo. Pamela Pavliscak (Pavliscak 2018) explora cómo el diseño puede ser utilizado para fomentar la felicidad y el bienestar. Se presentan una serie de técnicas y herramientas para el diseño de productos y servicios que tienen como objetivo aumentar la satisfacción del usuario. Por otro lado, Mitsuo Nagamachi (Nagamachi 2011) propone una metodología cuantitativa para el diseño y desarrollo de productos emocionales y afectivos denominada Ingeniería Kansei. Esta propuesta se presenta como una metodología de diseño ergonómico basada en satisfacer a los usuarios psicológicamente, mediante una traducción tecnológica de las emociones del usuario en elementos de diseño a integrar en el producto. La diferencia entre el diseño emocional y afectivo es bastante sutil, y algunos expertos los consideran como sinónimos. Sin embargo, el diseño emocional se enfoca en crear productos o experiencias que generen una respuesta emocional en los usuarios, ya sea positiva o negativa. El diseño emocional utiliza técnicas de diseño visual, de interacción y de comunicación que buscan estimular una respuesta emocional en los usuarios (Sha, 2021). Por otro lado, el diseño afectivo se enfoca en diseñar experiencias que sean más acordes con las necesidades y expectativas emocionales de los usuarios. El objetivo del diseño afectivo es crear experiencias que generen una respuesta emocional positiva en los usuarios y, al mismo tiempo, se adapten a sus necesidades y expectativas individuales. El diseño afectivo utiliza técnicas de diseño centrado en el usuario, la investigación y la personalización para crear experiencias relevantes y significativas para los usuarios (Alexandros et al., 2011). Por lo tanto, se puede establecer que el diseño emocional se enfoca en crear una respuesta emocional en los usuarios, mientras que el diseño afectivo se enfoca en diseñar experiencias que satisfagan las necesidades emocionales de los usuarios de una manera personalizada. Aunque los dos conceptos están relacionados, la diferencia entre ellos radica en la manera en que se centran en las emociones de los usuarios. Aarron Walter (Walter 2011) hace una distinción entre el diseño emocional y el diseño afectivo. Se afirma que el diseño emocional busca crear una respuesta emocional en los usuarios, mientras que el diseño afectivo se enfoca en diseñar experiencias que sean más relevantes y significativas para los usuarios. Pieter Desment (Shiota et al., 2021), experto en diseño experiencial, analiza los términos “emoción positiva” y “afecto positivo” ya que el afecto positivo y la emoción se han convertido en temas importantes en las ciencias del comportamiento, y de creciente importancia en las ciencias básicas y aplicadas. Para el autor, las emociones positivas se refieren a complejos y múltiples componentes de las respuestas emocionales evocadas por la percepción de oportunidades y recompensas en un entorno; y el afecto positivo se define como cualquier sentimiento subjetivo experimentado como agradable o placentero. Donald Norman (Norman 2004), discute cómo las emociones pueden afectar la forma en que se interactúa con los productos y cómo se puede diseñar y desarrollar productos para tener en cuenta las emociones de los usuarios. Aunque no se hace una distinción clara entre el diseño emocional y afectivo, sus ideas sobre cómo las emociones influyen en la experiencia del usuario pueden ayudar a diferenciar ambos enfoques.
Capítulo 2. Estado del arte Raúl Núñez Romero - 23 Aunque algunas fuentes discuten las diferencias entre el diseño emocional y afectivo, los dos enfoques a menudo se utilizan de manera intercambiable. Ambos enfoques buscan crear experiencias que conecten emocionalmente con los usuarios y, en última instancia, mejoren la satisfacción y la fidelidad del usuario. El diseño emocional y afectivo es un campo en constante evolución. Algunas tendencias recientes en este ámbito son: Diseño inclusivo: una tendencia reciente en el diseño emocional y afectivo es el enfoque en la inclusión y la diversidad. Los diseñadores están prestando más atención a cómo las emociones y las necesidades de diferentes grupos de usuarios pueden variar y cómo pueden diseñar experiencias que satisfagan las necesidades de todos los usuarios (Patrick & Hollenbeck, 2021). Diseño basado en datos: el diseño emocional y afectivo también está evolucionando hacia un enfoque más basado en datos. Los diseñadores están utilizando datos y análisis para comprender mejor las emociones y necesidades de los usuarios y diseñar experiencias que se adapten a ellas (Chan et al., 2018; Montijn, 2017). Diseño centrado en la salud mental: el diseño emocional y afectivo también está prestando más atención a la salud mental, especialmente tras el periodo de pandemia. Los diseñadores están creando experiencias que promueven la tranquilidad, la relajación y la felicidad, y que pueden ayudar a mejorar el bienestar emocional de los usuarios (Hassell, 2019; Visch et al., 2011). Diseño ecológico: el diseño emocional y afectivo también se está centrando en la sostenibilidad ambiental. Los diseñadores están creando productos y experiencias que promueven la conciencia ambiental y que ayudan a reducir la huella ecológica de los usuarios (Bao et al., 2019; J. Wu et al., 2021). Diseño de realidad aumentada y virtual: el diseño emocional y afectivo también está experimentando con nuevas tecnologías como la realidad aumentada y virtual. Los diseñadores están creando experiencias inmersivas que aprovechan la tecnología para ofrecer experiencias emocionales más intensas (Katicic et al., 2015; Ogi, 2011). Por lo tanto, el diseño emocional y afectivo está evolucionando para adaptarse a las necesidades cambiantes de los usuarios y a los avances en la tecnología y los datos. Las tendencias actuales apuntan a una mayor inclusión, sostenibilidad, salud mental, y una mayor inmersión y personalización. 2.2 Metodología de la revisión bibliográfica realizada Se ha seguido una metodología de revisión atendiendo a los objetivos de: encontrar la literatura científica reciente que haya tratado la las áreas y temáticas similares, saber en qué campos se desarrolla la temática, encontrar que tendencia existe actualmente, conocer que regiones tienen mayor intensidad de investigación y encontrar huecos o vacíos de conocimientos que sean de interés para desarrollar conocimiento: Se han identificado las palabras clave relevantes para esta investigación. Algunas palabras clave evaluadas han sido "diseño emocional", "diseño afectivo", "experiencia del usuario", "interacción humano-computadora", "psicología del diseño", entre otras. Finalmente se ha decidido centrarse en los términos "diseño emocional" y "diseño afectivo".
Capítulo 2. Estado del arte Raúl Núñez Romero - 24 Se ha realizado una búsqueda en una base de datos especializada, concretamente Web of Science, utilizando las palabras clave enunciadas. Se han utilizado operadores booleanos (en este caso OR) y comillas para delimitar frases exactas y obtener resultados más precisos. En la figura 1 se muestra la búsqueda concreta realizada: en la colección principal de Web of Science, en la edición del “Science Citation Index” ampliado, utilizando como tema "diseño afectivo" o "diseño emocional", en los últimos 5 años (de 2018 a 2022, para evitar el efecto distorsionador de 2023, aún en curso). Se han exportado los resultados de la búsqueda a un software bibliométrico (VOSviewer), para realizar un análisis en profundidad de la producción científica. Este análisis permitirá visualizar las relaciones entre autores, revistas y palabras clave, identificar las áreas temáticas más investigadas y analizar la evolución temporal de la investigación. Se ha realizado un examen detallado de las revisiones bibliográficas más relevantes sobre diseño emocional y afectivo. Para ello se han utilizado los resultados del análisis bibliométrico para identificar las revisiones bibliográficas más citadas y relevantes, y analizarlas en profundidad para comprender mejor la evolución y las tendencias de la investigación en este campo. Figura 1. Búsqueda realizada en Web of Science. Se han utilizado los resultados del análisis bibliométrico y del examen detallado de las revisiones bibliográficas para elaborar los resultados, que presentan los hallazgos y conclusiones sobre la evolución de las tendencias y el avance de la investigación en diseño emocional y afectivo, con la intención de que sea útil para investigadores, diseñadores y profesionales interesados en este campo. 2.3 Resultados de la revisión bibliográfica Realizando la búsqueda especificada en el segundo paso de la metodología, se obtiene como resultado un conjunto de 99 publicaciones. Si estudiamos la categoría a la que pertenecen dichas publicaciones, podemos ver (figura 2) que las categorías más representadas son: ingeniería multidisciplinar (23), ciencias computacionales (11), ergonomía (10), investigación en educación (9) e ingeniería eléctrica y electrónica (9).
Capítulo 2. Estado del arte Raúl Núñez Romero - 25 Figura 2. Resultados de áreas de investigación obtenidos en Web of Science. Se han extraído publicaciones de los cinco últimos años (2018-2022), obteniendo una distribución temporal como la que se muestra en la figura 3. Se observa una tendencia creciente en número de publicaciones en los últimos años, exceptuando el año 2021 que sobresale en número de publicaciones, como consecuencia (probablemente) de la pandemia. En dicha la figura 3 se observa también el creciente número de citas que reciben las publicaciones mencionadas. Figura 3. Distribución de publicaciones y citas para el periodo 2018-2022. Resultados obtenidos en Web of Science. Como se representa en la figura 4 la procedencia geográfica de los trabajos es mayoritariamente China (52), seguida por Corea del Sur (8) y Estados Unidos (8). Los países europeos con mayor número de contribuciones son Alemania (7), España (6) e Italia (5).
Capítulo 2. Estado del arte Raúl Núñez Romero - 32 Figura 7. Estructura de sistema de Ingeniería Kansei (Nagamachi, 2010). Schütte et al., 2004, (figura 7) desarrolla para Ingeniería Kansei herramientas semánticas como el Método del Diferencial Semántico, así como procedimientos estadísticos como regresión lineal, modelos lineales generales, redes neuronales y algoritmos genéticos. Estas herramientas ayudan a capturar y cuantificar las impresiones y emociones de los usuarios en relación con las propiedades del producto. Las etapas de la Ingeniería Kansei (figura 8) incluyen: 1. Identificación de las emociones y necesidades del cliente: Recopilación de impresiones y sentimientos sobre el producto. 2. Desarrollo del espacio semántico: Uso de herramientas como el Método del Diferencial Semántico para traducir emociones en palabras. 3. Modelado y análisis: Creación de modelos matemáticos y predicciones que conectan las propiedades del producto con las impresiones del usuario. 4. Validación: Realización de pruebas experimentales a posterior para validar los modelos y asegurar que cumplen con las expectativas del cliente (S. T. W. Schütte et al., 2004).
Capítulo 2. Estado del arte Raúl Núñez Romero - 33 Figura 8. Modelo de Ingeniería Kansei (S. T. W. Schütte et al., 2004). Jindo & Hirasago, 1997 aplica Ingeniería Kansei en el diseño de interiores de automóviles, específicamente en componentes como el velocímetro y el volante. Los elementos de diseño del velocímetro analizados en el estudio incluyen la escala, la tipografía (letras), los tipos de indicadores y el punto de inicio del indicador. Se realizaron evaluaciones subjetivas utilizando un método de diferencial semántico, donde los participantes asignaron valores numéricos a pares de adjetivos que describían sus impresiones sobre los velocímetros. Las impresiones más importantes consideradas en la evaluación de los velocímetros según los sujetos del estudio fueron "fácil de entender" y "diseño". Estas dos dimensiones fueron fundamentales para interpretar las evaluaciones subjetivas y determinar cómo los elementos de diseño influían en la percepción general del velocímetro (Jindo & Hirasago, 1997). Los campos de aplicación de Ingeniería Kansei son muy variados, en C. C. Wang et al., 2016 integran la ingeniería Kansei y redes neuronales artificiales para diseñar zapatillas de baloncesto personalizadas. Utilizando cuestionarios y datos de jugadores de la NBA, se creó un mapa topológico para agrupar características de zapatillas y jugadores. Un programa en MATLAB verificó los grupos y facilitó el diseño de nuevas zapatillas en SolidWorks. El resultado fue que la forma de la suela en las zapatillas para correr es el factor de diseño más significativo que afecta las respuestas emocionales de los consumidores (C. C. Wang et al., 2016). En el campo arquitectónico, Ishihara et al., 2011 aplican la ingeniería Kansei en el diseño de jardines residenciales japoneses y el desarrollo de un sistema de realidad virtual de bajo costo para visualizar estos diseños (figura 9). La ingeniería Kansei convierte las ideas ambiguas de los clientes en diseños detallados, facilitando la colaboración entre diseñadores y clientes.(Ishihara et al., 2011).
Capítulo 2. Estado del arte Raúl Núñez Romero - 34 Figura 9. Resultado de jardín virtual tras aplicar IK (Ishihara et al., 2011). Incluso en el campo de diseño intangible, como el sector servicios, se encuentran ejemplos del uso de Ingeniería Kansei. Hartono, 2020 presenta un enfoque modificado de la Ingeniería Kansei para diseñar servicios sostenibles en un aeropuerto internacional, destacando la importancia de satisfacer las necesidades emocionales del cliente para mejorar la sostenibilidad y la satisfacción del servicio. En el estudio integraron el modelo Kano y la teoría TRIZ. Particularmente implementar el modelo Kano juega un papel crucial en la satisfacción emocional del cliente al identificar las necesidades latentes que están estrechamente conectadas con el deleite y las emociones del cliente. Este modelo mejora la metodología de Ingeniería Kansei al proporcionar una herramienta de apoyo para mapear el nivel de desempeño de los atributos del servicio basándose en la impresión del cliente. Además, prioriza los atributos atractivos que conducen a una satisfacción significativa del Kansei. Y la implementación de TRIZ busca resolver las posibles contradicciones entre términos Kansei. Se utilizó el enfoque confirmatorio basado en Kansei (KEbased confirmatory approach) para confirmar la aplicabilidad del modelo propuesto en el estudio (figura 10). Este enfoque verifica si el Kansei está verdaderamente representado por la percepción de los atributos de servicio relacionados (Hartono, 2020). Figura 10. Modelo de IK modificado para el diseño de servicios sostenible (Hartono, 2020).
Capítulo 2. Estado del arte Raúl Núñez Romero - 35 El uso de Ingeniera Kansei en el diseño de vehículo eléctrico se ve representada en X. Kang, (2021), donde utiliza la Ingeniería Kansei para explorar la relación entre la sensibilidad visual del cliente y el diseño de la forma de los vehículos híbridos eléctricos (HEV). Mediante la subdivisión morfológica (figura 11) y el uso de algoritmos de reducción de atributos, se identifican los patrones clave de los HEV que impactan en la satisfacción del cliente. Y se establece un modelo de mapeo entre las características morfológicas clave y la percepción emocional del cliente, optimizando así el diseño del producto para mejorar la satisfacción y el deseo de compra (X. Kang, 2021). Figura 11. Cuadro morfológico de atributos HEV (X. Kang, 2021). Otro ejemplo de la conjunción de vehículo eléctrico e Ingeniería Kansei es el trabajo de Qi & Kim, 2024. Utilizan la Ingeniería Kansei y la complementan con otra metodología: el Proceso Analítico Jerárquico (AHP) para evaluar el diseño de los vehículos eléctricos (figura 12). La Ingeniería Kansei se utilizó para cuantificar el vocabulario de la imagen del diseño y seleccionar palabras perceptuales representativas. El AHP se empleó para establecer la relación entre las características del diseño y el vocabulario de la imagen, y para determinar los pesos de cada característica (Qi & Kim, 2024).
Capítulo 2. Estado del arte Raúl Núñez Romero - 36 Figura 12. Modelo combinado de IK y AHP (Qi & Kim, 2024a). Una variante en la utilización de Ingeniería Kansei es el estudio de M. Li et al., 2020. También explora la relación entre los elementos de diseño y la imagen Kansei en el diseño de vehículos eléctricos. Pero utiliza el 'Image Circumplex' (figura 13) para medir la imagen Kansei y aplica el Análisis Morfológico y la Teoría de Cuantificación Tipo I para construir un modelo matemático que apoye el diseño. Este 'Image Circumplex' es un método desarrollado para medir la imagen Kansei, donde se combina el método de Diferencial Semántico (SD) y el tablero de imágenes, disponiendo las palabras Kansei de manera circular, con las palabras que describen el producto ideal en la parte superior y sus opuestos en la parte inferior. Y los participantes pueden puntuar cada palabra Kansei en una escala de 5 puntos (M. Li et al., 2020).
Capítulo 2. Estado del arte Raúl Núñez Romero - 37 Figura 13. Imagen Circumplex para IK. 2.6 Eyetracking La técnica de seguimiento ocular, oculometría o Eyetracking, es una herramienta utilizada para medir y analizar los movimientos de los ojos de una persona mientras observa un estímulo visual (figura 14). Existen diferentes métodos para realizar el seguimiento ocular, incluyendo dispositivos que se colocan en la cabeza (como gafas de Eyetracking) y sistemas que utilizan cámaras fijas para rastrear los movimientos oculares. El Eyetracking puede proporcionar datos sobre dónde mira una persona (puntos de fijación), cuánto tiempo pasa mirando ciertos elementos (duración de fijación) y cómo se mueven sus ojos entre diferentes áreas (sacadas) (Jacob & Karn, 2003). Figura 14. Esquema funcionamiento Eyetracking (Choosing an Eye Tracking System, n.d.).
Capítulo 2. Estado del arte Raúl Núñez Romero - 38 Esta técnica se utiliza en diversas disciplinas, como la psicología, la neurociencia, el marketing y el diseño de interfaces. En investigación de mercado, se utiliza para entender cómo los consumidores interactúan con anuncios, embalaje o sitios web (Q. Wang et al., 2014). En diseño de interfaces, ayuda a optimizar la usabilidad al identificar qué elementos atraen más la atención del usuario (C. Zhou et al., 2022). Y en psicología y neurociencia, permite estudiar procesos cognitivos y emocionales (Aidan Moran & Ranieri, 2018; Mele & Federici, 2012; Rahal & Fiedler, 2019) (figura 15). Figura 15. Ejemplo de aplicacion de investigacion de los mecanismo cognitivos y afectivos mediante Eyetracking (Rahal & Fiedler, 2019). El seguimiento ocular ha evolucionado desde métodos invasivos y mecánicos en sus inicios, como los desarrollados por Dodge y Cline en 1901, hasta técnicas no invasivas (figura 16) y más sofisticadas en la actualidad. En las décadas de 1960 y 1970, se introdujeron sistemas de seguimiento ocular montados en la cabeza (figura 17) y se automatizó el análisis de datos, permitiendo su uso en tiempo real. Se utiliza tanto para estudios de usabilidad como para interfaces de control en tiempo real, integrándose con otros dispositivos de entrada para mejorar la interacción humano-computadora (Hyön et al., 2003).
Capítulo 2. Estado del arte Raúl Núñez Romero - 39 Figura 16. Sistema para reconocer el movimiento de los ojos. Fuente: By Yarbus, A. L. at English Wikipedia. Figura 17. Sistema de Eyetracking montado en cabeza. Fuente: Joabro 17 at Englisch Wikipedia. Para entender el funcionamiento del seguimiento ocular hay que considerar que interaccionan elementos físicos y componentes tecnológicos. Y de esta interacción se puede registrar y evaluar la manera en que las personas procesan un estímulo visual. El órgano biológico del que se obtiene la información es el ojo humano (figura 18), un órgano muy complejo encargado de procesar la luz para crear la secuencia de imágenes que crean la realidad.
Capítulo 2. Estado del arte Raúl Núñez Romero - 40 Figura 18. Esqueda del ojo y representacion del punto de vista y el reflejo en la fovea. Fuente: Web tobii.com. Los parámetros de la visión que se registran con el seguimiento ocular, comprenden las acciones exteriores del ojo humano, como son la velocidad del movimiento del globo ocular, el enfoque o la dilatación de la pupila. Y mediante su registro y medición se busca que el movimiento ocular medible aporte información sobre cognición, entendimiento, compresión u entendimiento de la imagen o estimulo visual que se recibe. Los parámetros o acciones oculares pueden ser medidos y registrados de diferentes maneras, pudiendo ser de forma invasiva o no invasiva. Como inicio de oculometría, el oftalmólogo Louis Emile Javal en 1879 estudio los movimientos oculares y a raíz de sus experimentos concluyó que el ojo realiza una serie de paradas cortas llamadas fijaciones y un movimiento rápido llamadas sacadas. Y en 1898, Edmund Huey inventó un sistema invasivo, consistente en una especie de “lente de contacto” colocada en el ojo de una persona. La lente tenía un agujero conectado a un puntero de aluminio de manera que el puntero se movía conforme al ojo y podía registrar los movimientos rápidos (sacadas). El primer método no invasivo de seguimiento ocular fue construido en chicago en 1901. Dodge y Cline (1901) idearon la forma de registrar la luz reflejada por la córnea para medir los movimientos del ojo. A mediados del siglo XX, se incorporó el uso de cámaras para analizar los movimientos oculares, y se fueron desarrollando técnicas para mejorar la precisión de las medidas oculares utilizando aparatos externos y otros que iban sobre el usuario. Uno de los primeros estudios que buscaba entender la relación entre las fijaciones oculares y las etapas de procesamiento mental fue (Just & Carpenter, 1976). El desarrollo de los ordenadores, así como los avances en tecnología y en el campo de la psicología y los procesos cognitivos, fueron fundamentales para respaldar las investigaciones con seguimiento ocular. Con el paso de los años y hasta la actualidad la técnica de seguimiento ocular ha ido mejorando (Rosch & Vogel-Walcutt, 2013). En el contexto de diseño de producto y el empleo de Eyetracking, Guo et al., 2016 analizan principalmente imágenes de teléfonos inteligentes (figura 19), centrándose en cómo los usuarios perciben y evalúan estos productos a través de su apariencia y características visuales. El estudio investiga la relación entre el movimiento ocular y la experiencia del usuario al evaluar productos, utilizando datos de seguimiento ocular para entender cómo los usuarios perciben y eligen entre diferentes opciones. Sin embargo, el estudio reconoce limitaciones, como el tamaño reducido de la muestra y la necesidad de considerar una mayor diversidad de usuarios y alternativas en la vida real (Guo et al., 2016).
Capítulo 2. Estado del arte Raúl Núñez Romero - 41 Figura 19. Tarea de evaluación de teléfono con Eyetracking (Guo et al., 2016). Khalighy et al., 2015 realizan una investigación en la que se centran en el análisis de datos con Eyetracking para evaluar las preferencias de los usuarios hacia diferentes diseños de sillas. Se utilizan imágenes renderizadas de sillas (figura 20) y se recopilan datos de fijaciones oculares para cada sujeto, eliminando fijaciones extremadamente cortas y fuera de rango. Los datos se procesan y analizan para calcular cualidades de belleza, utilizando software especializado para convertir y filtrar los archivos de datos (Khalighy et al., 2015). Figura 20. Ejemplo de diseño de sillas con las que se empleo Eyetracking (Khalighy et al., 2015).
Capítulo 2. Estado del arte Raúl Núñez Romero - 48 2.7 Análisis Conjunto El Análisis Conjunto es una metodología crucial para entender las preferencias de los consumidores, permitiendo a las empresas diseñar productos y servicios que se alineen con sus necesidades. Su flexibilidad y capacidad de aplicación en diversos sectores, lo convierten en una herramienta competitiva para la gestión estratégica. Además, facilita la segmentación del mercado y la identificación de oportunidades no satisfechas, maximizando así la utilidad de los esfuerzos empresariales (Dominique & Lopes, 2011). En cuanto al diseño de producto, el Análisis Conjunto es una herramienta muy útil, ya que permite entender cómo los consumidores valoran diferentes características de un producto. En esencia, el Análisis Conjunto ayuda a identificar qué atributos son más importantes para los consumidores y cómo estos atributos influyen en sus decisiones. Por ejemplo, para el diseño de un vehículo, podrías analizar características como la dimensión de la carrocería, la autonomía, la calidad de los interiores, el precio, etc. Los consumidores suelen tener preferencias complejas, y el Análisis Conjunto permite simular diferentes combinaciones de estas características para ver cuál sería la opción más atractiva para ellos (Chaudhuri & Bhattacharyya, 2009). El Análisis Conjunto se basa en la premisa de que las decisiones de compra de los consumidores son influenciadas por múltiples atributos de un producto. En lugar de evaluar cada atributo de forma aislada, esta técnica considera cómo los consumidores valoran combinaciones de atributos. Para ello se descompone un producto en sus características o atributos individuales (como precio, tamaño, color, funcionalidades, etc.) y analiza cómo cada uno de estos atributos afecta la preferencia general del consumidor. Se utilizan encuestas donde se presentan diferentes combinaciones de atributos a los participantes. A través de estas elecciones, se puede inferir la importancia relativa de cada atributo y cómo interactúan entre sí, pidiendo a los participantes que califiquen o elijan sus preferencias. El Análisis Conjunto utiliza modelos estadísticos para estimar las preferencias de los consumidores. Esto permite predecir cómo cambiarían las decisiones de compra si se modifican ciertos atributos. Los resultados del Análisis Conjunto ayudan a los diseñadores a tomar decisiones informadas sobre qué características incluir en un producto, asegurando que se alineen con las expectativas y deseos del consumidor. Esto proporciona información valiosa que puede guiar el desarrollo del producto, asegurando que se alineen con las expectativas y deseos de los usuarios y del mercado (Rao, n.d.). El Análisis Conjunto en el diseño de productos es una potente y versátil herramienta. Alp & Öz, 2020 hacen una aplicación de esta herramienta buscando medir las preferencias del consumidor en el diseño de productos informáticos. Concretamente se utiliza para identificar los atributos más valorados, como el procesador y la memoria RAM en ordenadores portátiles (figura 20). Lo cual ofrece resultados numéricos interpretables y ayuda a predecir la participación de mercado y las combinaciones de productos preferidas (Alp & Öz, 2020).
Capítulo 2. Estado del arte Raúl Núñez Romero - 49 Figura 30. Ejemplo de atributos y niveles de producto informático evaluados con CA (Alp & Öz, 2020). También es posible integrar Análisis Conjunto con otras técnicas para optimizar el desarrollo de productos. Aktar Demirtas et al., 2009 proponen un enfoque integrado de dos etapas para optimizar el diseño de grifos de cocina (figura 31), utilizando regresión logística ordinal (OLOGREG) y Análisis Conjunto (CA). Y también se utilizan palabras Kansei. Se concluye que OLOGREG es superior a CA para determinar las preferencias de diseño basadas en percepciones visuales de los usuarios, mejorando así la competitividad del producto en el mercado (Aktar Demirtas et al., 2009). Figura 31. Muestras de grifos de cocina evaluados con CA y OLOGREG (Aktar Demirtas et al., 2009). Otro ejemplo de utilización de Análisis Conjunto para el desarrollo de producto, es el estudio de Kuzmanovic & Martic, 2012, donde presentan un enfoque para el diseño competitivo de líneas de productos (figura 32) utilizando datos de Análisis Conjunto y el concepto de equilibrio de Nash. El estudio se realiza sobre impresoras, analizando la competencia en el mercado de los fabricantes de impresoras y se propone un procedimiento en dos fases para resolverlo. El objetivo es maximizar las ganancias al satisfacer las preferencias del cliente y considerar las reacciones de los competidores (Kuzmanovic & Martic, 2012).
Capítulo 2. Estado del arte Raúl Núñez Romero - 50 Figura 32. Muestra de atributos y niveles y valores de puntuaciones de CA (Kuzmanovic & Martic, 2012) Y en el mundo textil, L. Wang et al., 2022 analizan las preferencias de los consumidores por atributos de ropa sostenible para exterior, utilizando un Análisis Conjunto (figura 33). Se identifican el precio, tipo de tela, disponibilidad de etiquetas ecológicas y tipo de plumón como atributos clave. Las preferencias varían según demografía, y se destaca la importancia de estrategias de marketing basadas en estos atributos (L. Wang et al., 2022). Figura 33. Resultados del Análisis Conjunto en estudio de ropa sostenible (L. Wang et al., 2022). En la aplicación de Análisis Conjunto en el diseño de vehículos, cabe destacar el trabajo de investigación realizado para el diseño del panel de instrumentos para un vehículo eléctrico donde se quiere revelar las preferencias de los consumidores respecto a diferentes atributos del diseño (figura 34). Se combinaron atributos y niveles en opciones de diseño que fueron valoradas por los consumidores utilizando una escala de Likert. Los atributos evaluados en el Análisis Conjunto para el diseño del panel de instrumentos incluyen el diseño del “lay-out”, el tipo de velocímetro (digital o analógico), la capacidad de la batería (tipo analógico o digital), el rango de conducción (tipo digital) y la indicación de listo para conducir (tipo digital). Cada uno de estos atributos se combinó en diferentes niveles para crear opciones de diseño que fueron valoradas (Muslim et al., 2019).
Capítulo 2. Estado del arte Raúl Núñez Romero - 51 a) b) c) Figura 34. Ejemplo de 3 variantes de cuadro de instrumentos evaluados con Análisis Conjunto y sus valores de utilidad (Muslim et al., 2019). El Análisis Conjunto se aplica en Oliveira & Dias, 2020 donde se simula decisiones de compra para evaluar las preferencias de los consumidores respecto a vehículos de combustibles alternativos. Se realizan tareas donde los participantes eligen entre diferentes combinaciones de atributos de producto (figura 35), permitiendo así identificar la importancia relativa de cada atributo en sus decisiones. Además, se combina con metodología de toma de decisiones multicriterio (MAUT) para analizar cómo las preferencias pueden cambiar a través de un proceso de aprendizaje, comparando las respuestas iniciales y finales de los consumidores (Oliveira & Dias, 2020). Figura 35. Atributos seleccionados sobre los que hacer análisis para decisión de compra (Oliveira & Dias, 2020).
Capítulo 2. Estado del arte Raúl Núñez Romero - 52 Una adaptación de la técnica de Análisis Conjunto es la novedad planteada en Nickkar & Lee, 2022 con Análisis Conjunto Basado en Elecciones Adaptativas (ACBC). El ACBC (figura 36) es un método de análisis que se utiliza para identificar preferencias y factores de decisión de los consumidores, especialmente en el contexto de atributos de productos. A diferencia de otros métodos de Análisis Conjunto, el ACBC calcula valores de utilidad en una escala de intervalo, permitiendo una interpretación más precisa de las preferencias de los consumidores. Este método es especialmente útil para estudios con tamaños de muestra más pequeños y ofrece herramientas avanzadas para capturar preferencias. El objetivo de aplicar el ACBC en este estudio es determinar la disposición a pagar (WTP) por cada atributo de características de seguridad avanzadas en vehículos y evaluar la preferencia de los niveles de esos atributos. Además, busca medir la competitividad de las características de vehículos conectados en comparación con las características de seguridad avanzadas (Nickkar & Lee, 2022). Figura 36. Diagrama de flujo de la variante de Análisis Conjunto ACBC (Nickkar & Lee, 2022). En el diseño vehículos, N. Kang et al., 2007 aplica el Análisis Conjunto al diseño de interiores para identificar y optimizar variables que maximicen la satisfacción del cliente, enfocándose en la sensibilidad a la apertura y otras características del espacio interior. Realizaron experimentos con evaluaciones de diferentes vehículos, utilizando escalas de satisfacción y un diseño ortogonal para analizar las preferencias de los usuarios. Los resultados permiten determinar combinaciones óptimas de diseño que equilibran la estética y la ergonomía, mejorando así la experiencia del conductor y los pasajeros (N. Kang et al., 2007). La utilización de Análisis Conjunto en el contexto de vehículos eléctrico ha sido estudiada por Will et al., 2022 donde identifican y evalúan los atributos del servicio de Carga Neutra en Carbono (CNCS) que los consumidores consideran y cómo estos consumidores valoran dichos atributos (figura 37). Buscan cerrar la brecha en la investigación sobre la comprensión y preferencias de los consumidores en relación con los servicios de carga de vehículos eléctricos. Y el tipo de Análisis Conjunto, es una variante más atractiva e interactiva para los encuestados que es el Análisis Conjunto Basado en Elección Adaptativa (ACBC), que mejora la calidad de los datos y hace más compresible las preferencias del consumidor (Will et al., 2022).
Capítulo 2. Estado del arte Raúl Núñez Romero - 53 Figura 37. Atributos y niveles de atributo considerados por evaluación por Análisis Conjunto (Will et al., 2022). 2.8 Conclusión Estado del arte En cuanto a la experimentación con Eyetracking se han analizado en profundidad 10 textos (Ver tabla 3), para extraer criterios necesarios en el diseño de experimentos. Referencia Contenido (Luo et al., 2022) Investigación sobre las preferencias estéticas de los usuarios para el diseño de la forma de las luces traseras de vehículos mediante Eyetracking. (Hyun et al., 2017) Evaluación de diseños exteriores de automóviles mediante Eyetracking para obtener similitudes de forma, y elementos de diseño novedosos. (L. Lin et al., 2019) Investigación de las experiencias percibidas a través del diseño estético formal de vehículos inteligentes mediante Eyetracking y análisis semántico. (Wickman et al., 2014) Análisis por Eyetracking de la influencia de las líneas de ensamblado entre elementos de la carrocería en la percepción de un vehículo (Lu et al., 2018) Evaluación objetiva de los usuarios sobre el diseño formal de vehículos mediante Eyetracking para la extracción de propiedades. (Moon et al., 2021) Análisis mediante Eyetracking y electroencefalografía de la impresión visual de frontales de vehículos. (Purucker et al., 2014) Investigación mediante Eyetracking de las reacciones de usuarios a frontales de vehículos con diseño “agresivo” (“threatening”). (Chang et al., 2013) Análisis mediante Eyetracking de la apariencia frontal de automóviles para analizar las principales áreas de interés. (Köhler et al., 2015) Diseño de producto por Ingeniería Kansei con técnicas de Eyetracking para evaluar la percepción y las áreas de interés de los usuarios. (Köhler et al., 2013) Análisis e identificación de componentes relevantes del producto y vinculación con conceptos semánticos utilizando Eyetracking. Tabla 3. Referencias.
Capítulo 2. Estado del arte Raúl Núñez Romero - 54 No hay consenso en el tiempo de exposición de cada estímulo o imagen, pero se puede establecer que varía entre 3 y 20 segundos. Algunos textos meten entre imágenes una imagen vacía que suele estar en torno a los 0,1 y 5 segundos. Para la definición de cuánto dura una fijación solo un texto la define y establece 100ms. Hay textos en los que el encuestado debe tomar una decisión sobre si el estímulo que ve es de "tipo A" o "tipo B", para cual se usan dos letras del teclado. En cuanto al tamaño muestral los textos analizados no suelen usar un tamaño muy grande, variando entre unos 11 y 89 participantes, estando la mayoría sobre unos 25 encuestados. En los estudios de referencia analizados estos son los tamaños muestrales: • n1= 46 (23 mujeres, 23 hombres) • n2= no lo especifican • n3= 89 • n4= 31 (5 mujeres, 26 hombres) • n5= 11 (7 hombres, 4 mujeres) • n6= 12 (10 hombres, 2 mujeres) • n7= 39 (13 mujeres, 26 hombres) • n8= 20 • n9= no lo especifican • n10= 11 Por lo tanto, se considera que el tamaño muestral utilizado (33 participantes) es muy adecuado para este tipo de experimentos. Promover el coche eléctrico es una forma de abordar los desafíos medioambientales y de sostenibilidad a los que se enfrenta el transporte, ya que la electrificación del transporte puede desempeñar un papel importante en la transición hacia un sistema energético más sostenible y limpio. Existen numerosas publicaciones que han estudiado cómo las propiedades estéticas del coche pueden afectar a la percepción del consumidor sobre si es eléctrico o de combustión, y cómo estas percepciones pueden utilizarse para mejorar la aceptación de los vehículos eléctricos en el mercado. El Eyetracking ha demostrado ser una herramienta muy versátil para recabar información implícita en los usuarios ante cualquier tipo de estímulo visual, Ya sea de productos físicos, interfaces de comunicación o servicios. Dicha información, de otra forma habría requerido utilizar otras técnicas y herramientas que requerirían más carga de trabajo, sin embargo, el Eyetracking requiere equipos relativamente sencillos y poco costosos, y que pueden estar al alcance de los investigadores. Los equipos disponibles pueden llegar a ser muy compactos y facilitan hacer trabajos de campo sin necesidad de circunscribir las investigaciones al ámbito de los laboratorios. El uso de los dispositivos de Eyetracking no requiere esfuerzo por parte de los usuarios, no son invasivos y los hay muy compactos. Por otra parte, los programas informáticos para la configuración de los dispositivos de seguimiento ocular también tienen un entorno de trabajo sencillo y no requieren de una especialización en el área. Con las investigaciones realizadas con esta técnica y los trabajos previos en el campo del diseño de vehículos, se contrasta que el Eyetracking es indispensable para la evaluación y análisis de atributos y características del vehículo eléctrico.
Capítulo 2. Estado del arte Raúl Núñez Romero - 55 La Ingeniería Kansei tiene una asociación directa con el diseño emocional y afectivo. Ha demostrado ser la alternativa principal cuando se busca en diseño, implementar atributos y propiedades en los productos que vayan más allá de lo funcional. Hay un amplio espectro en el mundo del diseño donde se requiere implementar atribuciones emocionales y vinculaciones afectivas en todo tipo de campos, como puede ser el diseño de productos, diseño arquitectónico, servicios, interfaces gráficos o diseño web. Desde los inicios de la Ingeniería Kansei hasta hoy se han ido consolidando y fundamentando la metodología de aplicación y las bases neurocientíficas que respaldan los soluciones. Las etapas y pasos a seguir para aplicar Ingeniería Kansei están bien marcados y definidos. El estructurado de proceso de aplicación han dado soluciones de diseños exitosas, habiendo casos de acreditado el éxito del mercado, como el del Mazda MX5. No obstante, las posibilidades que brinda esta mitología se van acrecentado al combinarlas con otras, y surgen nuevos paradigmas que se exploran desde diversos enfoques. En términos generales, cualquier proyecto de diseño puede hacer uso de Ingeniería Kansei. Y particularmente, en el área de estudio de esta tesis, como es el caso de los vehículos, hay investigaciones de gran interés sobre diferentes dimensiones del vehículo con Ingeniería Kansei, desde elementos de diseño del exterior hasta elementos interiores. Con toda esta acreditada experiencia de aplicaciones, se demuestra la utilidad de la Ingeniería Kansei. Aunque el Análisis Conjunto no es una técnica especifica que se desarrolló para el diseño de productos, sí que se integra en el ámbito del diseño, porque permite entender y cuantificar las preferencias y decisiones de los consumidores con respecto a características específicas de un producto o servicio. La base que subyace en la idea de que las decisiones de elección de un producto o servicio no dependen solo de una única propiedad o atributo de un producto, sino de una combinación de varios atributos. Así en cualquier ámbito en que haya multiatributos sobre los que haya que establecer criterios de selección, el Análisis Conjunto es una herramienta de ayuda. En el compendio de atributos estudiados por Análisis Conjunto entran en juego, no solo propiedades físicas, sino conceptos intangibles. Aquello que le da cualidad a un producto es un atributo. El número de estos y sus diferentes variantes o niveles y sus combinaciones, crea una variabilidad del producto, que es donde Análisis Conjunto entra en juego. Y aporta solidez en la toma de decisiones sobre qué atributos y combinaciones de atributos seleccionar en un producto basado en la información obtenida del análisis. Así, permite, por ejemplo, realizar una segmentación de mercado más precisa, identificando diferentes grupos de consumidores que tienen diferentes preferencias y necesidades, o evaluar mejoras, si por ejemplo una empresa está considerando agregar nuevas características a un producto existente. El Análisis Conjunto permite evaluar la viabilidad de estas características en términos de preferencia del consumidor y de su impacto en la decisión de compra. Es versátil en el sentido de que se puede aplicar a diferentes tipos de productos, desde productos físicos (como dispositivos electrónicos, ropa, coches, etc.) hasta servicios (como seguros, telecomunicaciones, etc.). Es una herramienta versátil que puede complementar a otras. De la misma forma que se puede combinar con otras metodologías, y hacer variaciones o adaptaciones para el objeto de estudio. Su flexibilidad permite que se use en diversas industrias para diseñar productos y servicios que mejor se adapten a las expectativas de los consumidores. En el caso de productos digitales (como aplicaciones, software, o sitios web), el Análisis Conjunto puede ser utilizado para optimizar la experiencia del usuario (UX) al comprender qué características del diseño de la interfaz, la funcionalidad o la usabilidad son más valoradas por los usuarios. Esto facilita la creación de productos digitales intuitivos y atractivos. Y una de las grandes ventajas del Análisis Conjunto es que cuantifica de manera precisa las preferencias de los consumidores, lo que proporciona datos duros y objetivos sobre la importancia relativa de los distintos atributos.
Capítulo 2. Estado del arte Raúl Núñez Romero - 56 Esta información cuantitativa puede ser usada para justificar decisiones de diseño y de inversión en desarrollo de productos. Desde el punto de vista del diseño de vehículos, al intervenir en esta tarea gran número de propiedades y sus variantes, cuya combinación va definir un producto demando de primera necesidad e indispensable como el automóvil, el Análisis Conjunto tiene un amplio número de trabajos e investigaciones que demuestran el aporte de valor en el proceso de diseño.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 57 Capítulo 3. Fundamentos Teóricos En este tercer capítulo se expone toda la teoría y conceptos que fundamentan las metodologías y técnicas empleadas para desarrollar la investigación. La base teórica se hace imprescindible para tener el conocimiento previo que dan sentido al desarrollo metodológico. El cuerpo principal de este capítulo lo ocupa la teoría relativa a Ingeniería Kansei. Hay un desarrollo extenso de los apartados que comprenden esta metodología, y dentro de ella se detallan otras técnicas en las que se apoya la Ingeniería Kansei, que no son propias o exclusivas de esta, pero sí que son necesarias. La Teoría de cuantificación de tipo 1, Eyetracking, Análisis Conjunto o Análisis factorial, son aplicadas en otros campos y pueden considerarse en ámbitos independientes, sin embargo, aquí se plantean como supeditadas a las necesidades de Ingeniería Kansei. Y en el último punto del capítulo se expone la teoría de Análisis Cluster que ha sido otra herramienta de apoyo. 3.1 Ingeniería Kansei La ingeniería Kansei es un enfoque innovador que busca integrar las emociones y sensaciones humanas en el proceso de diseño y desarrollo de productos. Su origen se remonta a Japón en la década de 1970, cuando el profesor Mitsuo Nagamachi, de la Universidad de Hiroshima, comenzó a investigar cómo las emociones de los consumidores podían influir en la percepción y aceptación de los productos. El término Kansei, no tiene una traducción exacta al castellano. es una palabra japonesa cuyo significado es muy parecido a las palabras “sensación”, “emoción” o “sentimiento”. Y suele traducirse como “sentimiento psicológico” • KAN = Sensación, Sentimiento, Impresión • SEI = Características, Naturaleza, Cualidad • KAN SEI = Sentimiento (imagen mental) + Características o Cualidades El término "Kansei" se traduce como "sensibilidad" o "percepción emocional", y se centra en cómo los productos pueden evocar respuestas emocionales positivas en los usuarios. El Kansei es la impresión o estímulo que una persona puede tener ante un determinado producto, ambiente o situación, cuando emplea plenamente sus sentidos. La ingeniería Kansei se basan en la idea de que los productos no solo deben cumplir con requisitos funcionales, sino que también deben apelar emocionalmente a los consumidores. Para lograr esto, se utilizan diversas técnicas, como encuestas, entrevistas y análisis sensoriales, que permiten identificar las emociones que los usuarios asocian con diferentes características de un producto. Esta información se traduce en especificaciones de diseño que guían el desarrollo de productos que van más allá de los requerimientos funcionales, y además consigan generar una conexión emocional con el usuario. A lo largo de los años, la ingeniería Kansei ha evolucionado y se ha expandido más allá de su contexto original en Japón. Durante los años 80 y 90, la ingeniería Kansei comenzó a ganar reconocimiento fuera de Japón. Se aplicó en diversas industrias, como la automotriz, la electrónica y el diseño de productos de consumo. Un ejemplo notable es el diseño del Toyota Camry, donde se utilizaron técnicas de ingeniería Kansei para entender cómo los consumidores percibían diferentes aspectos del vehículo, desde el diseño exterior hasta la ergonomía del interior. En la década de 1990, comenzó a ganar reconocimiento internacional, especialmente en el ámbito del diseño industrial y la ingeniería de productos. Las empresas comenzaron a adoptar este enfoque para diferenciarse en un mercado cada vez más competitivo, donde la experiencia del usuario se convirtió en un factor clave para el éxito.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 64 2. Métodos estadísticos: Los métodos manuales presentan el inconveniente de que parte de criterios y opiniones personales de los usuarios, por lo que se pueden dar discrepancias entre unos y otros. La forma de salvar este hándicap es consultar mediante preguntas a los usuarios de los productos respecto a los kanseis presentes y como de importantes los estiman. Lo habitual es hacer estas consultas mediante cuestionarios o entrevistas al conjunto de usurarios objetivo, y dado el cúmulo de datos derivados se hace necesario usar herramientas de tipo estadístico para analizar y extraer la información. Así se puede cuantificar la afinidad entre el conjunto de términos Kansei. Los métodos estadísticos más comunes son: - Análisis de los componentes principales (Osgood and Suci, 1969) - Análisis factorial (Osgood and Suci, 1969) - Análisis de grupos (Hair et al., 1995) - Teoría de la cuantificación tipos II, III y IV (Tsuchiya, 2004) - Redes neuronales (Ishihara, Ishihara and Nagamachi, 1996) - Análisis “Rough Set” (Tsuchiya, 2004) 3.1.3 Espacio de propiedades. El dominio del producto se define desde dos enfoques: uno semántico y otro físico, ambos representados mediante espacios vectoriales. No obstante, existen diferencias notables en el origen de estos dos espacios. Por un lado, las representaciones semánticas tienen una base teórica proveniente de investigaciones, como el Diferencial Semántico desarrollado por Osgood, no existe una teoría comparable para el espacio de propiedades. Es fundamental determinar la relevancia de las distintas propiedades del producto y utilizar este criterio para su selección. Existen algunos métodos que pueden ayudar a elegir apropiadamente las propiedades del producto para la Ingeniería Kansei, pero el problema radica en que no están sistematizados ni han sido suficientemente evaluados para este propósito. - Generar el espacio de propiedades La definición metódica de las propiedades que sean factibles para realizar el estudio de Ingeniería Kansei, se aproxima a la forma que se seleccionan y agrupan los términos Kansei. De forma general pueden diferenciarse tres pasos, como se ejemplifica en la siguiente figura (39):
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 65 Figura 39. Generación del espacio de propiedades (Felgueroso Fernández-San et al., 2011). En la primera etapa de recolección, se reúne material sugerente relativo al dominio del producto, a partir de orígenes diversos, señalando posibles características y atributos para definir propiedades. En una segunda fase, estas propiedades se catalogan siguiendo ciertas pautas y se agrupan, optando las más relevantes. Solamente las propiedades con un alto impacto emocional avanzan a las fases de evaluación posteriormente. Finalmente, se selección productos representativos en los que estén implícitas o posean las propiedades seleccionadas y que simbolicen de manera adecuada el espacio de propiedades. En general, los productos tangibles del mercado ofrecen una amplia gama de propiedades potenciales que pueden ser incorporadas en el producto objeto de estudio. Una de las formas más habituales de identificar propiedades relevantes es basarse en productos anteriores. Como se ilustra en la columna de la izquierda, las fuentes para la recopilación suelen provenir de materiales publicados, artículos técnicos, revistas, entre otros. Para identificar las propiedades, generalmente basta con crear una lista. La evaluación de la importancia y la selección de las propiedades más relevantes y con mayor valor emocional debe ser realizada por representantes de los consumidores. Para facilitar la recolección de datos sin procesar, se pueden utilizar herramientas como grupos focales o entrevistas individuales. En la mayor parte de los trabajos de Ingeniería Kansei realizados en proyectos de desarrollo de productos industriales, la especificación principal debe estar en consonancia con la imagen de la marca. Por esta razón, las empresas tienden a incluir sus características únicas en sus productos. La columna derecha de la figura indica las propiedades del producto que son exclusivas de la empresa. Junto con los especialistas en marketing, se establece la relevancia relativa de estas propiedades.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 66 Generalmente, el número de propiedades asociadas con la imagen de la empresa es tan pequeño que no se requieren herramientas especializadas. Por otro lado, la columna central se refiere a la integración de conceptos para nuevos productos. La Ingeniería Kansei ha sido objeto de críticas por su falta de innovación. Esta sección muestra cómo se puede introducir el pensamiento creativo y nuevas ideas dentro de la Ingeniería Kansei como un enfoque metodológico. La principal fuente de creatividad proviene de los diseñadores, quienes tienen la capacidad de crear bocetos, maquetas o prototipos completos o parciales del producto. De este modo, se pueden generar nuevas propiedades, que luego serán identificadas y seleccionadas por un grupo de expertos. Como se muestra en la ilustración 29, estos procesos no ocurren de manera aislada, sino que están interconectados, como indican las flechas. El equipo de diseño puede inspirarse tanto en los productos existentes como en la imagen de la empresa, y, a su vez, el nuevo concepto puede influir en las decisiones de la empresa sobre qué propiedades del producto deben seleccionarse para representar su imagen. Además, las nuevas tendencias del mercado o el panorama actual pueden llevar a modificar la selección de propiedades de los productos existentes. Finalmente, todas las propiedades seleccionadas se agruparán en un conjunto de características del producto, a partir del cual se definirán o simularán productos representativos que se utilizarán en la siguiente etapa de síntesis. 3.1.4 Espacio de síntesis En este paso de síntesis se casan el Espacio Semántico y el Espacio de Propiedades. Para cada término Kansei, se identificará una propiedad o conjunto de propiedades que influirán en este Kansei. Además, se medirá la magnitud del impacto emocional que las propiedades del producto tienen sobre cada Kansei. Actualmente, hay numerosas herramientas tanto cuantitativas como cualitativas disponibles para realizar estos análisis. - Identificación de las relaciones. La identificación de la relación durante la fase de síntesis constituye la esencia de la Ingeniería Kansei. Aunque la identificación de la estructura semántica y física se realiza de diversas maneras, la traducción de los Kansei seleccionados se lleva a cabo de manera exclusiva dentro de la Ingeniería Kansei. Por esta razón, esta etapa ha sido el foco principal de investigación desde el inicio de la disciplina. A lo largo de esta fase, se han desarrollado y utilizado muchas herramientas. Al igual que en otras áreas, se puede clasificar en tres categorías principales: métodos manuales, métodos estadísticos y otros enfoques. Los métodos manuales para vincular los Kansei con las diferentes propiedades del producto son fáciles de aplicar y requieren relativamente pocos recursos. De los métodos manuales destaca: - Categoría de identificación (Nagamachi, 1997) La clasificación por categorías es una estructura de árbol que va desde un evento principal hasta los sub-eventos subsiguientes, como se muestra en la tabla 4. Este método fue utilizado por Mazda. El director ejecutivo decidió desarrollar un nuevo automóvil cuyo objetivo eran los conductores jóvenes y el dominio del producto era un automóvil deportivo. El equipo del proyecto se sentó junto al conductor con una videocámara y grabó su manejo. Otro equipo se paró en una intersección y grabó las maniobras del joven conductor. Después de eso, los miembros del equipo examinaron todos los marcos de fotos y utilizaron el método de las tarjetas para registrar sus hallazgos. Cuando obtuvieron una pista o sugerencia de las imágenes, anotaron una palabra clave en cada tarjeta pequeña (llamada tarjeta K); una palabra en una tarjeta.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 67 Si el equipo encontró varias tarjetas K con conceptos o significados similares, estas tarjetas se reunieron en un grupo. El número total de tarjetas K al examinar las imágenes fue de aproximadamente 600, que se organizaron en aproximadamente 20 grupos, lo que representa un promedio de 30 tarjetas en cada grupo. Tabla 4. Clasificación de categorías utilizadas en el desarrollo de Mazda Miata (MX5) (Nagamachi, n.d.). Estos grupos se organizaron desde los conceptos superiores hasta los grupos más fundamentales en una estructura de árbol (tabla 4). Al desarrollar el Mazda Miata, se clasificaron alrededor de 600 tarjetas de palabras clave en unos 20 grupos, y luego estos grupos se reorganizaron desde el concepto de nivel superior a los subniveles. Todos los grupos de tarjetas se representaron con un nombre y, finalmente, un concepto superior se denominó “una máquina humana” (o la unificación de humano y máquina), lo que implica que los conductores jóvenes necesitan un sentimiento emocional o desean una conexión unificada entre la emoción humana y el movimiento y/o función de la máquina. La clasificación por categorías significa que existe una estructura de árbol desde un concepto superior hasta subconceptos. Los subconceptos en el nivel n se transfirieron a la fase de experimento ergonómico, en la que los experimentos ergonómicos produjeron las especificaciones detalladas del nivel n. Los detalles analizados se transfirieron finalmente al dominio de diseño. En este caso, los detalles de las especificaciones de diseño se integraron en un diseño automotriz de un automóvil deportivo. El método de clasificación de conceptos es fácil de realizar, se puede aprender el proceso muy fácilmente. Para este proceso, se observa el comportamiento del cliente objetivo y se realiza una encuesta psicológica de los clientes. Después del análisis de los datos observados, se considera lo que quieren los clientes y qué tipo de sentimiento emocional tienen. A partir de esta investigación, se decide el concepto principal del desarrollo del producto y luego se comienza la encuesta de clasificación de categorías. Interpretamos el significado del concepto principal y colocamos una palabra clave en tarjetas K en el primer nivel. En el segundo nivel, implementamos cada concepto en los subconceptos, y esto continúa hasta el nivel n. Posteriormente, estos subconceptos en el nivel n se convierten en los datos reales a través de la encuesta ergonómica y se transfieren al dominio de diseño. En general, el despliegue de los niveles de categoría se detiene alrededor del tercer o cuarto nivel. En el caso del Miata (MX5), el equipo del proyecto primero llevó a cabo el trabajo de implementación del concepto para crear una nueva imagen de automóvil deportivo para un conductor joven, y luego cada uno de los subconceptos finales se transfirió a los experimentos ergonómicos.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 68 Por ejemplo, se llevó a cabo un experimento ergonómico de mecanismo de dirección utilizando una variedad de engranajes experimentales en diferentes longitudes y con diferentes pares de torsión. Luego se llevó a cabo un experimento para decidir la longitud y el par de torsión, realizado con el personal de la empresa. Los sujetos tocaron y movieron los diferentes mecanismos de dirección y calificaron sus sentimientos en una escala de 10 puntos, siendo el mejor ajuste a la sensación emocional “Estoy controlando esta máquina”. Al concluir el experimento ergonómico, se descubrió que 9,5 cm es el mejor ajuste a la emoción de autocontrol, y esta longitud del mecanismo de dirección se implementó en el diseño final del Miata. Todas las partes del Miata, desde el motor, el exterior y el interior, hasta los asientos y el volante, se decidieron utilizando un proceso similar. El Miata se volvió muy popular en todo el mundo, debido a su diseño estético, estructural y funcional, todo decidido a través de la investigación emocional utilizando la ingeniería Kansei (Nagamachi, 2010). Al igual se hacía a la hora de identificar la estructura semántica, en este apartado se utilizan métodos estadísticos para analizar un gran cumulo de datos derivados de los test y entrevistas. La herramienta utilizada debe ajustarse para casar con el enfoque de la Ingeniería Kansei. Varias herramientas estadísticas características de esta fase son: - Teoría de la Cuantificación Tipo I (Komazawa and Hayashi, 1976) - Modelo Lineal General (Arnold, 2002) - Análisis de Regresión (Shütte, 2005) En estadística, el análisis de regresión, en su sentido más amplio, se puede utilizar para modelar la relación entre una variable dependiente y una o más variables independientes. En un estudio, cada palabra Kansei del espacio semántico actúa como una respuesta, mientras que cada factor del espacio de propiedades es una variable independiente. Todas las técnicas conocidas del análisis de regresión ayudan para afrontar la fase de síntesis desde un enfoque estadístico. Por lo tanto, el objetivo es estimar los efectos principales y las interacciones de segundo orden. Dos hechos siempre caracterizan los conjuntos de datos de ingeniería Kansei: Por un lado, las variables independientes son factores categóricos, que tienen dos o más niveles (con bastante frecuencia, algunos factores tienen más de dos niveles). No hay variables independientes cuantitativas. Por otro lado, la respuesta es discreta, normalmente números enteros de una escala ordinal (que va de 1 a 7, o de 1 a 5, por ejemplo). Como la respuesta es discreta, no se puede utilizar directamente una regresión lineal múltiple para modelar los datos, ya que se necesita una respuesta continua. La forma más común de resolver este problema es trabajar con la media de las calificaciones de todos los participantes. Como todas las variables independientes son categóricas, se deben utilizar variables ficticias. Esto es básicamente lo que se hace en la teoría de cuantificación de tipo I. Por supuesto, se pierde información al resumir los datos con la media. En particular, no se tiene en cuenta la variabilidad entre los participantes del estudio. Una alternativa es construir un modelo directamente con los datos brutos. Una regresión logística ordinal (OLR) es adecuada para este propósito, pero rara vez se utiliza en Ingeniería Kansei. También se deben utilizar variables ficticias para introducir factores como regresores en el modelo. Un último detalle que se debe tener en cuenta es tener respuestas independientes. Sin embargo, las respuestas no son independientes: cada participante del estudio otorga una calificación a todo el conjunto de estímulos. Las calificaciones de la misma persona no son independientes. Esta variabilidad entre los participantes debe tenerse en cuenta, y la mejor forma de hacerlo es introducir el factor sujeto en el modelo como un efecto aleatorio.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 69 De esta manera, las propiedades se tratan como efectos fijos, mientras que los participantes se tratan como efectos aleatorios. El modelo resultante es una regresión logística ordinal de efectos mixtos (Marco Almagro, 2011). Herramientas más avanzadas apoyadas en tecnología informática inteligente tienen la capacidad de analizar patrones y catalogar información en el conjunto de datos, de forma más avanzada y eficaz, logrando mejores resultados. Varios de las herramientas de clasificación avanzada son: - Teoría Fuzzy Set (Shimixzu and Jindo, 1995) - Algoritmo Genético (Nishino et al., 1999) - Teoría Rough Set (Mori, 2002; Nishino, Nagamachi and Ishihara, 2001) 3.1.5 Creación del modelo y test de validez. En la fase final se procede a crear un modelo, que puede ser matemático o no, en función del método de síntesis seleccionado. Y se ensaya el modelo para evaluar la validez en la predicción de la característica del producto, y así confirmar la bondad o la divergencia del modelo para su utilización definitiva. 3.2 Técnicas aplicadas en Ingeniería Kansei Como ayuda y apoyo a la aplicación de Ingeniería Kansei hay una serie de herramientas y técnicas de otras disciplinas, como pueden ser del campo de la estadística, del marketing o de la neurociencia. Dada la necesidad de datos de partida para aplica Ingeniería Kansei, hay un conjunto de técnicas cuya función es recopilar datos en bruto. Normalmente los datos se recolectan de los usuarios o público objetivo al que se destina el producto que se desarrolle bajo Ingeniería Kansei. El volumen de datos suele ser bastante grande, y se puede encontrar información redundante en ellos, información irrelevante, errores etc. Por lo que es necesario depurar y reducir en la medida de lo posible el alto volumen de datos a un conjunto menor y más fácilmente manejable. Y para cumplir la función tratar los datos y acomodarlos a las necesidades de la Ingeniería Kansei, hay otro conjunto de técnicas que cumplen esa función común. Considerando la función que cumplen las diferentes técnicas y herramientas que sirven de apoyo a la Ingeniería Kansei, pueden clasificarse en dos grupos. Por un lado, están las herramientas para obtención de datos, alguna de las cuales ya se han ido mencionando en este documento. Una representación de las más comunes: - Encuestas y Cuestionarios: Se diseñan para evaluar las emociones y preferencias de los usuarios mediante escalas métricas cuantitativas (Diferencial semántico, Escala Likert). - Entrevistas: Permiten profundizar en las experiencias y emociones de los usuarios, proporcionando datos cualitativos en comunicación personal. - Grupos Focales: Reúnen a un grupo de personas para discutir sus sentimientos y opiniones sobre un producto, lo que ayuda a identificar patrones emocionales. - Oculometría o Eyetracking: Herramienta para medir parámetros oculares que facilitan mapas de calor o gráficos para visualizar la relación entre características del producto y las emociones asociadas a estímulos visuales. Esta herramienta es una de las que sirve de apoyo en esta investigación y se desarrolla con más profusión en este punto.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 70 - Mediciones Fisiológicas: Diversas herramientas que miden varias respuestas fisiológicas, como la frecuencia cardíaca o la conductancia de la piel, para evaluar las reacciones emocionales en tiempo real. - Mediciones neurológicas: Miden actividad y parámetros del funcionamiento cerebral, como la electroencefalografía o resonancia magnética, también para evaluar reacciones emocionales en tiempo real. - Análisis Conjunto: Ayuda a identificar las características más importantes que influyen en la decisión del consumidor y cómo estas se combinan para generar preferencias. Se basa en la presentación de diferentes combinaciones de atributos a los encuestados, quienes luego indican sus preferencias, lo que permite analizar y modelar estas elecciones Por otro lado, se puede agrupar en un segundo grupo las herramientas y técnicas analizan los datos con el objetivo de reducir el volumen de datos, extraer datos representativos o descartar datos de poca utilidad y errores. Las herramientas más representativas de este grupo y que también se detallan teóricamente en este punto son: - Teoría de cuantificación de tipo 1 (QT1): se utiliza para transformar datos cualitativos, como las emociones y percepciones de los usuarios, en variables cuantitativas que pueden ser analizadas estadísticamente, de forma que permite representar y analizar la relación entre atributos de productos y las respuestas emocionales de los consumidores, facilitando la identificación de patrones y tendencias en los datos. - Análisis factorial: Ayuda a reducir la dimensionalidad de un conjunto de datos y para identificar patrones subyacentes en las variables. En el contexto de la Ingeniería Kansei, el análisis factorial puede ayudar a descubrir cómo diferentes características de un producto están relacionadas con las emociones y percepciones de los usuarios. Con el análisis factorial, se pueden agrupar variables relacionadas y entender mejor los factores que influyen en la experiencia del usuario. Esto es esencial para interpretar los datos obtenidos a través de encuestas, entrevistas u otros métodos de recolección de información. - Análisis Clúster: Ayuda a agrupar un conjunto de objetos (como usuarios o productos) en clústeres o grupos que son más similares entre sí que a los de otros grupos. En el contexto de la Ingeniería Kansei, el análisis de clúster puede ayudar a identificar segmentos de usuarios con emociones y preferencias similares hacia un producto o servicio. 3.2.1 Teoría Eyetracking El Eyetracking es una herramienta de ayuda en el proceso de desarrollo de productos, y se basa en el empleo de tecnología que es capaz de monitorear y registras la posición y el movimiento del ojo humano cuando una persona realiza una tarea visual. Con Eyetracking se consigue analizar la percepción visual, saber cómo se procesa la información visual y cómo se comporta la mirada en una diversidad de situaciones, como puede van desde la investigación psicológica hasta la ingeniería, pasando por la neurociencia y el marketing. Y en este mismo contexto puede ser útil en cualquier acción o actividad que requiera el uso de la mirada y el análisis de información visual, como puede ser el diseño de interfaces o el diseño gráfico. El Eyetracking ofrece a los diseñadores la posibilidad de observar cómo los usuarios interactúan con los diferentes componentes de un diseño y qué elementos visuales atraen más su atención (Duchowski, 2007). Además, permite evaluar la efectividad de un diseño, ya que los diseñadores pueden comprobar si los usuarios logran identificar y utilizar correctamente los elementos.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 71 Esto resulta especialmente relevante en diseños que demandan un alto nivel de concentración. Y también es útil esta herramienta para evaluar la experiencia de usuario (Guerrero Salinas, 2023). Un dispositivo de Eyetracking se basa en registrar los movimientos de los ojos de una persona y localizar el punto exacto en el que enfoca la vista durante una tarea o actividad determinada. Esto se consigue mediante el seguimiento de los movimientos oculares, que puede incluir la medición de las señales electromiográficas producidas por los músculos oculares, el análisis de la reflexión de la luz infrarroja o el estudio de las propiedades ópticas de la retina. Existen dos tipos principales de dispositivos de Eyetracking: los sistemas de seguimiento ocular basados en hardware y los sistemas basados en software. • Los sistemas de hardware de Eyetracking usan conjunto de técnicas específicas como la cámara, la luz infrarroja y su refracción para registrar los movimientos oculares. Los aparatos de Eyetracking de este tipo se pueden colocar en la cabeza, en un escritorio, anclados a un pc de sobremesa o en otros entornos. • Los sistemas de Eyetracking basados en software se valen de componentes menos específicos como una cámara web o la cámara de un dispositivo móvil. De forma que mediante un software adaptado para captar las imágenes del ojo con dicho tipo de cámaras registran los movimientos oculares. Estos sistemas son de más fácil acceso y relativamente baratos comprados con los sistemas dedicados. Por contrapartida, la información obtenida no es tan fiable y precisa como los de tipo hardware. En Eyetracking, se utilizan datos sobre el movimiento ocular para estudiar cómo percibe visualmente el ser humano. Con esta información se abarcan datos sobre la ubicación de los ojos, la dirección en la que se fija la mirada, la velocidad y la frecuencia de los movimientos oculares, además del tiempo que los usuarios pasan observando distintos elementos en la pantalla. Estos datos también se pueden complementar con otros adicionales fisiológicos, para mejorar el estudio de la percepción y la comprensión de las personas. Los movimientos y parámetros comunes registrados con Eyetracking son (Guerrero Salinas, 2023): • Fijaciones: Se refiere al movimiento ocular en el que los ojos permanecen en un lugar concreto de la pantalla. El tiempo mínimo de una fijación varía entre 20 y 220 ms. La duración de las fijaciones es un indicador clave de la atención e interés que los usuarios muestran hacia un elemento específico. • Movimiento sacádico: Se trata de un movimiento ocular rápido y controlado que ocurre cuando los ojos se desplazan de un punto a otro en la pantalla. Este movimiento sigue un patrón secuencial de fijaciones en un estímulo. Las sacadas son un indicador clave de la dirección de la mirada y del proceso de búsqueda visual. • Regresiones: Es el movimiento ocular en el que los ojos regresan a un punto que ya se había observado anteriormente en la pantalla. La regresión es un indicativo clave de la relevancia y la importancia de los elementos mostrados en la pantalla. • Parpadeo: Es el cierre breve y rápido de los ojos. Los parpadeos son un indicador clave de la fatiga y la carga mental que experimentan los usuarios.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 72 • Microsacadas: Es un tipo de movimiento ocular pequeño y frecuente, en el que los ojos se desplazan rápida e involuntariamente hacia una dirección concreta. Su duración varía entre 10 y 20 ms. Las microsacadas son un indicativo clave de la atención y la exploración visual. • Dispersión de fijaciones: Se refiere a la distribución de las fijaciones en distintas áreas de un elemento visual. La dispersión de fijaciones es un indicador clave de la complejidad y la comprensión de los elementos en la pantalla. Cada clase de movimiento ocular ofrece información importante sobre la percepción visual humana y contribuye a comprender cómo los usuarios responden al estímulo visual. La elección de los datos a utilizar dependerá de los objetivos específicos del estudio sobre percepción visual. Para analizar y visualizar los datos obtenidos mediante Eyetracking se realizan representaciones gráficas. Las comunes son (Guerrero Salinas, 2023): • Mapa de calor (heatmap): Es un mapa de colores que ilustra cómo se distribuyen las fijaciones oculares en una pantalla. Estos mapas muestran de manera gráfica las zonas de la pantalla que atraen más o menos la atención de los usuarios, facilitando la identificación de patrones y tendencias en la interacción del usuario con un estímulo visual. • Ruta sacádica o “scan path”: Se refiere al recorrido que indica el orden en que los usuarios observan distintos elementos en una pantalla. Los 'scanpaths' visualizan la secuencia de las fijaciones oculares, lo que permite a los investigadores comprender cómo los usuarios exploran y procesan la información en un estímulo visual. • Áreas de interés (AOI): Facilitan la identificación y señalización en una imagen o pantalla de las áreas importantes para los estudios de Eyetracking, con el fin de analizar cómo los usuarios interactúan con distintas partes de un estímulo visual. • Gráficos de tasa de fijación: Son representaciones gráficas que ilustran el tiempo que los ojos permanecen enfocados en distintos elementos de una pantalla. Estos gráficos ayudan a identificar de manera rápida las áreas de un diseño que captan más atención y el tiempo que los usuarios pasan observando cada elemento. • Gráficos de tasa de clic: Son representaciones gráficas que ilustran la conexión entre las fijaciones oculares y los clics en una pantalla (si el estímulo visual involucra esa interacción). Estos gráficos permiten identificar qué elementos de un diseño tienen más probabilidades de generar clics y cómo los usuarios interactúan con ellos. • Gráficos de tasa de desplazamiento: Son representaciones gráficas que muestran la conexión entre las fijaciones oculares y los desplazamientos en la pantalla. Estos gráficos permiten identificar qué elementos de un diseño están impulsando a los usuarios a desplazarse por la pantalla y cómo interactúan con los demás elementos. Existen diversos tipos de dispositivos para Eyetracking, los más habituales que se pueden encontrar en el mercado son: - Monitores de ojo de tipo “open source”. Son componentes que usan cámaras de infrarrojo para registrar la posición y el movimiento de los ojos y que no requieren un software específico de respaldo, sino que es compatible con cualquier tipo.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 73 - Tobii (Tobii ab, Danderyd, Suecia). Son dispositivos enfocados al Eyetracking para el mundo científico y comercial, fabricados por una compañía sueca con un amplio catálogo de productos - EyeLink (SR Research Ltd. [s. f.], Ottawa, oN, Canadá). Es un dispositivo desarrollado por SR Research para Eyetracking muy común en el mundo de la investigación científica y en el mundo comercial. - SMI (SensoMotoric Instruments GmbH, Teltow, Alemania). Es un fabricante alemán de dispositivos de Eyetracking con un amplio catálogo de dispositivos para diferentes aplicaciones, que van desde la investigación científica hasta el marketing. - Gazepoint: de la empresa Gazepoint Technologies ofrece tanto el hardware como el software necesario para realizar el Eyetracking, siendo el software Gazepoint uno de los productos más destacados de la compañía. Está diseñado para ser fácil de usar, tanto para investigadores como para profesionales del diseño, brindando herramientas robustas para la captura y análisis de datos en tiempo real. Y en cuanto, al software que se pueden asociar a los diferentes dispositivos, también hay cierta variedad, y suele seleccionarse según el tipo de investigación y objetivos se persigan. Entre ellos podemos encontrar: - Tobii Pro Lab (Tobii Technology AB [s. f.], Suecia). Este software, desarrollado por la misma marca sueca que fabrica los dispositivos, facilita la recopilación, el análisis y la visualización de datos, ofreciendo diversas herramientas para analizar la información recolectada. Además, permite combinar los datos de Eyetracking con otros tipos de información, como datos demográficos, respuestas verbales y comportamentales. - EyeLink (SR Research Ltd. [s. f.], Canadá). También es un software de la misma marca que fabrica los dispositivos, e igualmente permite recopilar, visualizar y analizar datos en tiempo real, así como realizar análisis avanzados y crear informes detallados. - Gazepoint es un software basado en el dispositivo de su mismo nombre, el cual permite el registro y el análisis de datos en tiempo real. - Pupil Labs también es un software que permite el registro, el análisis y la visualización de datos. - OGAMA. Es particularmente destacable, por ser de código abierto y ser utilizado en investigación cognitiva y psicología. Y es ampliamente utilizado para estudiar cómo las personas procesan información visual, la percepción, la atención y la memoria. Además, permite analizar cómo los usuarios interactúan con elementos visuales en una pantalla, lo que facilita la mejora de la usabilidad y la accesibilidad de los sistemas. 3.2.2 Análisis Conjunto El Análisis Conjunto es una técnica que permite evaluar distintos productos en comparación con otros, con el fin de identificar qué características de los productos son preferidas por un grupo específico de consumidores, así como el precio que estarían dispuestos a pagar. La premisa principal del Análisis Conjunto es que las percepciones sobre las características de un producto pueden descomponerse en atributos individuales o componentes (Green y Srinivasan, 1978). Esto implica que la combinación de diferentes atributos, como el precio, color, marca, entre otros, influye de manera conjunta en la decisión del consumidor de adquirir o no el producto. Este análisis se basa en la capacidad humana para clasificar conceptos con diversos atributos, con el propósito de facilitar el proceso de toma de decisiones.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 80 Utilizando las hipótesis anteriores, se tiene: 𝑉𝑎𝑟(𝑋𝑖)=∑𝑎𝑖𝑗 2 𝑘 𝑗=1 +𝜓𝑖=ℎ𝑖2+𝜓𝑖 (𝑖=1,2,…,𝑝) ( 8) Donde, ℎ𝑖2=𝑉𝑎𝑟(∑ 𝑎𝑖𝑗 2 𝑘𝑗=1 𝐹𝑗)…. y 𝜓𝑖=𝑉𝑎𝑟 (𝑢𝑖), reciben los nombres de Comunalidad, y Especificidad de la variable Xi, respectivamente. En consecuencia, la varianza de cada una de las variables analizadas se puede descomponer en dos partes: la Comunalidad ℎ𝑖2, que representa la varianza explicada por los factores comunes y la especificidad 𝜓𝑖 que representa la parte de la varianza especifica de cada variable. Ademas se tiene: 𝐶𝑜𝑣 (𝑋𝑖,𝑋𝑗)=𝐶𝑜𝑣(∑𝑎𝑖𝑗 𝑘 𝑗=1 𝐹𝑗,∑𝑎𝑖𝑗 𝑘 𝑗=1 𝐹𝑗)= ∑𝑎𝑖𝑗 𝑘 𝑗=1 𝑎𝑖𝑗 ∀𝑖≠1 ( 9) Los factores comunes son los que explican las relaciones entre las variables. Por esta razón, estos factores son relevantes y pueden ser interpretados de manera experimental. Los factores únicos se incorporan al modelo debido a que no es posible representar, en general, p variables usando solo un número más pequeño k de factores. - Análisis de la matriz de correlaciones. El propósito de examinar la matriz de correlaciones muestrales R=(rij), donde rij indica la correlación muestral observada entre las variables (Xi, Xj), es determinar si los datos son apropiados para realizar un análisis factorial. Un requisito clave es que las variables estén fuertemente correlacionadas entre sí. Además, se espera que las variables con altas correlaciones se agrupen bajo un mismo factor o factores comunes. Por lo tanto, si las correlaciones entre las variables son bajas, el análisis factorial podría no ser adecuado. Para evaluar la matriz de correlación hay varios indicadores: • Test de esfericidad de Bartlett Contrasta, bajo la hipótesis de normalidad multivariante, si la matriz de correlación de las p variables observadas (Rp) es la identidad. Si una matriz de correlación es la identidad significa que las intercorrelaciones entre las variables son cero. Si se confirma la hipótesis nula 𝐻0: |𝑅𝑝|=1 𝑜 𝑅𝑝=𝐼 (matriz identidad), las variables no están intercorrelacionadas. Si hay k muestras con tamaño ni y varianzas de las muestras Si2 entonces el estadístico de prueba de Bartlett es:
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 81 𝑋2=(𝑁−𝑘)ln(𝑆𝑝2)−∑(𝑛𝑖−1) 𝑘𝑖=1 ln(𝑆𝑖2) 1+ 1 3(𝑘−1) (∑(1 𝑛𝑖−1) 𝑘𝑖=1 −1 𝑁−𝑘) ( 10) Donde 𝑁= ∑𝑛𝑖 𝑘𝑖=1 y 𝑆𝑝2= 1 𝑁−𝑘∑(𝑛𝑖−1) 𝑖𝑆𝑖2 es la estimación combinada de la varianza. El estadístico de prueba tiene aproximadamente una distribución 𝑋𝑘−1 2. Así la hipótesis nula se rechaza si 𝑋2>𝑋𝑘−1,𝛼 2 (donde 𝑋𝑘−1,𝛼 2 es el valor crítico de la cola superior para la distribución 𝑋𝑘−1 2). En caso de aceptarse la hipótesis nula, las variables no están intercorreladas y debería reconsiderarse la aplicación de un Análisis Factorial (de la Fuente Fernández, 2011). - Medidas de adecuación de la muestra. El coeficiente de correlación parcial mide el grado de relación entre dos variables, eliminando el impacto de otras variables. Si las variables comparten factores comunes, el coeficiente de correlación parcial entre ellas será bajo, ya que se eliminan los efectos lineales de las demás variables. Estas correlaciones parciales son aproximaciones de las correlaciones entre los factores únicos, y deberían ser cercanas a cero si el Análisis Factorial es apropiado, ya que se asume que los factores únicos no están correlacionados entre sí. En resumen, si se observan varios coeficientes de correlación parcial significativos, se sugiere que las hipótesis del modelo factorial no son coherentes con los datos. Una forma de medir esta adecuación es a través de la Media de Adecuación de la Muestra KMO, propuesta por Kaiser-Meyer-Olkin: 𝐾𝑀𝑂= ∑ ∑ 𝑟𝑖𝑗2 𝐽≠𝐼𝐽≠𝐼 ∑ ∑ 𝑟𝑖𝑗2 𝐽≠𝐼𝐽≠𝐼 +∑ ∑ 𝑟𝑖𝑗(𝑝) 2 𝐽≠𝐼𝐽≠𝐼 0≤ 𝐾𝑀𝑂 ≤ 1 ( 11) donde rij(p) es el coeficiente de correlación parcial entre (Xi , Xj) eliminando la influencia del resto de las variables. El índice KMO es útil para cotejar las magnitudes de los coeficientes de correlación parcial. Por lo que entre más bajo sea su valor, más alto será el valor de los coeficientes de correlación parciales rij(p) y, consecuentemente menos adecuado es aplicar un Análisis Factorial (de la Fuente Fernández, 2011). Kaiser-Meyer-Olkin para realizar un Análisis Factorial, proponen: KMO ≥ 0,75 Bien KMO ≥ 0,5 Aceptable KMO < 0, 5 Inaceptable La experiencia práctica sugiere que no es adecuado usar únicamente el índice KMO como indicador de la adecuación de la muestra a las hipótesis del modelo de Análisis Factorial, especialmente cuando se trabaja con un número reducido de variables.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 82 Para decidir si se debe eliminar una variable del análisis, es recomendable complementar esta evaluación con otras fuentes de información, como las comunalidades de cada variable, los residuos del modelo y la interpretación de los factores obtenidos. - Extracción de factores. El propósito del Análisis Factorial (AF) es identificar un conjunto reducido de factores que puedan representar las variables originales. Una vez confirmado que el AF es la técnica adecuada para el análisis de los datos, es necesario elegir el método más adecuado para extraer los factores. Existen varios métodos disponibles, cada uno con sus propias ventajas y desventajas (de la Fuente Fernández, 2011). El modelo factorial en forma matricial: X = FA' + U, teniendo que cuantificar la matriz A de cargas factoriales que explica X en función de los factores. Partiendo de X =FA' + U, se deduce la llamada Identidad Fundamental del Análisis Factorial: Rp = AA' + ( 12) donde Rp es la matriz de correlación poblacional de las variables (X1, X2, ... , Xp) y = diag(i) es la matriz diagonal de las especificidades. - Método de extracción de factores. Existen diferentes métodos para obtener los factores comunes (de la Fuente Fernández, 2011): • El método de Componentes Principales se basa en calcular las puntuaciones factoriales utilizando las puntuaciones estandarizadas de las primeras k componentes y la matriz de cargas factoriales mediante las correlaciones entre las variables originales y esas componentes. La ventaja de este enfoque es que siempre ofrece una solución. Sin embargo, su desventaja es que, al no estar fundamentado en el modelo de Análisis Factorial, puede generar estimaciones sesgadas de la matriz de cargas factoriales, especialmente cuando hay variables con bajas comunalidades. • Método de los Ejes principales: Se fundamenta en la Identidad Fundamental del Análisis Factorial Rp = AA' + , sustituyendo la matriz de las correlaciones poblacionales Rp por las correlaciones muestrales R, con lo que: R ' = R ' = A A' ( 13) Respetando R' = R ' = A A' , el método es iterativo y consiste en alternar una estimación de la matriz de las especificidades con una estimación de la matriz de las cargas factoriales A. Se parte de una estimación inicial de la matriz , (0) , y en el paso i-ésimo del algoritmo se verifica que R(i) = A(i) A(i)' . La estimación A(i) se obtiene aplicando el método de las componentes principales a la matriz R − (i − 1) . Posteriormente, se calcula (i) a partir de la igualdad R (i) = A (i) A (i)' y se itera hasta que los valores de dichas estimaciones apenas cambien.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 83 • El método de Máxima Verosimilitud se basa en el modelo x = A f + u ⇔ X = FA' + U, asumiendo la hipótesis de normalidad multivariante. Aplica el método de máxima verosimilitud para estimar los parámetros. Una de sus ventajas sobre los métodos anteriores es que las estimaciones obtenidas no dependen de la escala de medida de las variables. Además, dado que se basa en el principio de máxima verosimilitud, posee todas las propiedades estadísticas asociadas a este, como la insesgadez asintótica, eficiencia y normalidad, siempre que se cumplan las hipótesis del modelo factorial. También permite determinar el número de factores a través de pruebas de hipótesis. Este método es útil en el Análisis Factorial Confirmatorio, donde se pueden formular hipótesis, como suponer que algunas cargas factoriales sean nulas o que algunos factores estén correlacionados, y luego realizar pruebas estadísticas para comprobar si los datos cumplen con esas restricciones. El principal inconveniente de este método es que, debido a que la optimización de la función de verosimilitud se realiza mediante métodos iterativos, si las variables originales no siguen una distribución normal, puede haber problemas de convergencia, especialmente en muestras pequeñas. • Método Mínimos cuadrados no ponderados: Para un número fijo de factores, genera una matriz de coeficientes que minimiza la suma de las diferencias al cuadrado entre las matrices de correlación observada R y reproducida R = A ~ A ~' , eliminando en las diferencias los elementos de la diagonal. • Método Mínimos cuadrados generalizados: Minimiza el mismo criterio que el de mínimos cuadrados no ponderados, esto es, la suma de las diferencias al cuadrado entre las matrices de correlación observada R y reproducida R = A ~A ~' ponderando las correlaciones inversamente por la varianza del factor específico. Además, este método generalizado da pie a realizar el contraste de hipótesis para determinar el número de factores. • Métodos de Factorización por imágenes: Consiste en aplicar el método de componentes principales a la matriz de correlaciones R obtenida a partir de las partes predichas de las diversas regresiones lineales de cada una de las variables sobre las demás, siendo esta parte la imagen de la variable. • Método Alfa: Maximiza el alfa de Cronbach para los factores. - Determinar el número de factores. La matriz factorial podría incluir más factores de los necesarios para explicar adecuadamente la estructura de los datos originales. Por lo general, un pequeño grupo de factores iniciales abarca la mayor parte de la información, mientras que los factores restantes aportan mucho menos. Uno de los desafíos es decidir cuántos factores se deben retener, ya que se busca aplicar el principio de simplicidad. Existen varias reglas y criterios para seleccionar el número adecuado de factores a mantener, siendo algunos de los más comunes los siguientes (de la Fuente Fernández, 2011): • Determinación “a priori”: Este enfoque es el más confiable cuando los datos y las variables se han seleccionado adecuadamente y el investigador tiene un buen conocimiento del contexto. Lo ideal es realizar el Análisis Factorial con una idea previa de cuántos factores existen y cuáles son.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 84 • Regla de Kaiser: Este criterio consiste en calcular los autovalores de la matriz de correlaciones R y determinar el número de factores en función de cuántos de estos autovalores superan la unidad. Inspirado en el Análisis de Componentes Principales, se ha comprobado en simulaciones que suele subestimar el número de factores, por lo que se recomienda utilizarlo para establecer un límite inferior. Para definir un límite superior, se aplicaría el mismo criterio, pero considerando un umbral de 0,7. • Criterio del porcentaje de varianza: Este enfoque, inspirado en el Análisis de Componentes Principales, establece el número de factores en función del porcentaje acumulado de varianza explicada que se desea alcanzar, por lo general, un 75% o 80%. Su ventaja es que puede aplicarse también cuando se utiliza la matriz de varianzas y covarianzas, aunque carece de una justificación teórica o práctica sólida. • Criterio de Sedimentación: Este criterio se basa en una representación gráfica en la que los factores se ubican en el eje horizontal (abscisas) y los valores propios en el eje vertical (ordenadas). Los factores con varianzas altas suelen separarse claramente de aquellos con varianzas bajas. Los factores antes de este punto de cambio (o inflexión) se consideran los más relevantes para conservar. Aunque ha mostrado buenos resultados en simulaciones, su principal desventaja es que depende del juicio subjetivo del analista para identificar el punto de inflexión. • Criterio de división a la mitad: Este método consiste en dividir aleatoriamente la muestra en dos grupos iguales y realizar el Análisis Factorial por separado en cada uno de ellos. Se conservan únicamente aquellos factores que muestran una alta correspondencia en las cargas factoriales entre las dos muestras. Es recomendable, antes de aplicar este criterio, verificar que no existan diferencias significativas entre las dos muestras en relación con las variables analizadas. Interpretación de los factores La interpretación de los factores se basa en las correlaciones estimadas de los mismos con las variables originales. El modelo de Análisis Factorial es cierto, si se verifica: Corre(Xi , Fl) = Cov(Xi , Fl) = aij Cov(Fj , Fl) i = 1, L , p; l = 1, L , k ( 14) Y, en particular, si los factores son ortogonales: Corre(Xi , Fl) = ail i = 1, L , p; l = 1, L , k ( 15) Para la interpretación hay que basarse en la matriz de cargas factoriales (A), que juega un papel esencial. En otro orden, las cargas factoriales al cuadrado (aij 2) indican si los factores son ortogonales, qué porcentaje de la variable original (Xi) es explicado por el factor Fl. En la práctica, para interpretar los factores, es necesario identificar las variables que presentan las correlaciones más altas (en valor absoluto) con cada factor. Luego, se asigna un nombre a cada factor, basándose en la estructura de las correlaciones. Si la relación entre el factor y una variable es positiva, se considera que la relación es directa; si es negativa, se interpreta como inversa.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 85 Al analizar las variables con las que un factor tiene una relación fuerte, en muchos casos se puede obtener una idea más o menos clara de su significado. La representación gráfica de los resultados obtenidos es útil para interpretar los factores. Esta representación se realiza comparando los factores de dos en dos, donde cada factor actúa como un eje de coordenadas, denominado eje factorial. Las variables originales se proyectan sobre estos ejes, y sus coordenadas corresponden a los coeficientes de correlación entre la variable y el factor. De esta forma, las variables que tienen altas correlaciones con un mismo factor se agrupan, lo que puede ayudar a identificar la estructura latente de ese factor. También es útil ordenar la matriz factorial de manera que las variables con altas cargas para el mismo factor estén juntas, y eliminar las cargas bajas, lo que suprime información redundante y facilita la interpretación - Rotación de factores. La matriz de cargas factoriales es fundamental para interpretar el significado de los factores. Cuando los factores son ortogonales, esta matriz mide el grado y tipo de relación entre los factores y las variables originales. Sin embargo, en la práctica, los métodos de extracción de factores a veces no producen matrices de cargas factoriales que sean fácilmente interpretables. Para solucionar este problema, se emplean los procedimientos de rotación de factores, que ajustan la solución inicial para obtener una matriz de cargas factoriales que facilite su interpretación. Estos métodos intentan acercarse al Principio de Estructura Simple (Louis Leon Thurstone, 1935), que establece que la matriz de cargas factoriales debe cumplir tres características: 1. Cada factor debe tener unos pocos pesos altos y los demás próximos a cero. 2. Cada variable no debe estar saturada más que en un factor. 3. No deben existir factores con la misma distribución, esto es, dos factores distintos deben presentar distribuciones diferentes de cargas altas y bajas. De este modo, dado que hay más variables que factores comunes, cada factor estará fuertemente correlacionado con un grupo de variables, mientras que tendrá una correlación débil con las demás. Al analizar las características de las variables dentro de un grupo relacionado con un factor específico, se pueden identificar patrones comunes que ayuden a interpretar y nombrar ese factor de acuerdo con esos rasgos. Si estos patrones se logran identificar con claridad, no solo se reduce la complejidad del problema, sino que también se revela la naturaleza de las relaciones entre las variables originales. La Rotación de Factores puede realizarse de dos maneras principales: rotación ortogonal y rotación oblicua. La elección de uno u otro método depende de si los factores rotados deben mantenerse ortogonales o no. En ambos casos, la comunalidad de cada variable permanece igual, es decir, la rotación no afecta la calidad del ajuste de la solución factorial: aunque la matriz factorial cambie, las especificidades de las variables no lo hacen, por lo que las comunalidades siguen siendo constantes. Sin embargo, lo que sí cambia es la varianza explicada por cada factor, lo que implica que los nuevos factores no estarán ordenados según la cantidad de información que contienen, medida por su varianza.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 86 - Rotación ortogonal: Los ejes se ajustan de manera que se mantiene la falta de correlación entre los factores. Es decir, los nuevos ejes (ejes rotados) permanecen perpendiculares, al igual que los factores originales antes de la rotación. El proceso de rotación aborda el problema de la falta de identificabilidad de los factores obtenidos mediante rotaciones ortogonales, de forma que si T es una matriz ortogonal con TT' = T' T = I , entonces: X =FA' +U=FTT'A' +U= GB' +U ( 16) La matriz G, desde un punto de vista geométrico, es una rotación de la matriz F, manteniendo las mismas hipótesis que esta última. En realidad, lo que se hace es un giro de los ejes, lo que provoca un cambio en las cargas factoriales y en los factores. La meta es obtener una matriz T tal que la nueva matriz de cargas factoriales B tenga la mayor parte de sus valores cercanos a cero o nulos, y algunos pocos valores cercanos a uno, siguiendo el principio de estructura simple. Los métodos más comunes en la rotación ortogonal de factores son Varimax, Quartimax y Equamax. En el caso de Varimax, la rotación tiene como objetivo disminuir la cantidad de variables con altas cargas en un solo factor, facilitando así su interpretación. Este enfoque se centra en incrementar la varianza de las cargas factoriales al cuadrado para cada factor, lo que hace que algunas cargas se aproximen a 1 y otras a 0, lo que a su vez establece una relación más clara entre cada variable y su factor correspondiente. Los nuevos ejes se definen maximizando la suma de las varianzas de las cargas factoriales al cuadrado dentro de cada factor para los factores que se mantienen. Para evitar que las variables con mayores comunalidades influyan excesivamente en la solución, se aplica la normalización de Kaiser, que consiste en dividir cada carga factorial al cuadrado entre la comunalidad de la variable correspondiente. El método Quartimax, por otro lado, tiene como objetivo que cada variable esté fuertemente asociada con un pequeño número de factores. Para conseguir esto, maximiza la varianza de las cargas factoriales al cuadrado de cada variable en los factores, de manera que cada variable se relacione de manera más clara con un factor y tenga cargas bajas en los demás factores. Este enfoque facilita la interpretación, ya que la comunalidad total de cada variable permanece constante, permitiendo identificar de forma más precisa el factor principal. Este método es especialmente útil cuando se calculan varios factores. Finalmente, el método Equamax trata de optimizar la media de los criterios de los dos métodos anteriores, combinando sus características para lograr resultados similares. - Rotación oblicua: En este tipo de rotación, la matriz T utilizada no necesariamente debe ser ortogonal (es decir, no se requiere que, al multiplicar la matriz por su transpuesta, se obtenga la matriz identidad TT' = I), sino que debe ser simplemente no singular (una matriz cuadrada cuyo determinante no es cero). De esta forma, los factores rotados pueden estar correlacionados entre sí, ya que no es necesario que sean ortogonales. La rotación oblicua es adecuada cuando se prevé que los factores en la población están fuertemente correlacionados. Es importante tener precaución al interpretar las rotaciones oblicuas, ya que la superposición de factores puede dificultar la comprensión clara de su significado.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 87 - Interpretación de los factores. Cálculo de puntuaciones factoriales. Una vez determinados los factores rotados, se calcula la matriz de puntuaciones factoriales F. Estas puntuaciones son útiles para identificar qué elementos son inusuales o extremos, para ubicar ciertos grupos o subgrupos dentro de la muestra, para ver qué variables se destacan en un factor y cuáles no, o para interpretar las razones por las que surgieron esos factores en el análisis factorial. Es esencial conocer los valores de los factores para cada observación, ya que el Análisis Factorial puede ser una etapa previa a otros procedimientos, como la Regresión Múltiple o el Análisis de Clúster, en los que los factores obtenidos reemplazan a las variables originales. Existen varios métodos para estimar la matriz F y calcular las puntuaciones factoriales. Los factores estimados deben cumplir ciertas propiedades deseables: deben tener una alta correlación con el factor real, no deben correlacionarse entre sí, deben ser ortogonales si se suponen ortogonales, y deben ser estimadores insesgados de los factores verdaderos. La estimación es un proceso complejo debido a la naturaleza de los factores comunes, y en la mayoría de los casos no habrá una solución exacta, ni será única. Todos los métodos para obtener puntuaciones factoriales parten de esta expresión: X =FA'+U, con EU= 0, VarU= ( 17) buscando estimar el valor de F. Los métodos de estimación más utilizados son: - Método de Regresión: Estima F por el método de los mínimos cuadrados: F ˆ = (A'A) − 1 A'X ( 18) - Método de Bartlett: Utiliza el método de los mínimos cuadrados generalizados estimando las puntuaciones factoriales mediante: F ˆ = (A' − 1 A) − 1 A' − 1 X ( 19) - Método de Anderson-Rubin: Estima F mediante el método de los mínimos cuadrados generalizados, imponiendo la condición F'F = I F ˆ = (A' − 1 R − 1 A) − 1 A' − 1 X ( 20) - Validación del modelo. El paso final en el Análisis Factorial consiste en evaluar la validez del modelo. Este proceso debe abordarse desde dos enfoques: examinando la calidad del ajuste y la aplicabilidad general de los resultados.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 88 - Bondad de Ajuste. Una premisa clave en el Análisis Factorial es que las correlaciones observadas entre las variables pueden ser explicadas por factores comunes. En consecuencia, las correlaciones entre las variables deberían ser derivadas o replicadas a partir de las correlaciones estimadas entre las variables y los factores. Para evaluar qué tan bien se ajusta el modelo, se pueden comparar las diferencias (residuos) entre las correlaciones observadas (de la matriz de correlación original) y las correlaciones estimadas (provenientes de la matriz factorial). Se considera que el modelo factorial es adecuado cuando los residuos son pequeños. Si un alto porcentaje de los residuos supera un umbral previamente establecido (por ejemplo, 0,05), esto indica que el modelo factorial obtenido no se ajusta adecuadamente a los datos. Además, se ha comprobado que los resultados son más estables cuando el número de casos por variable es elevado. - Generalidad de los resultados. Es recomendable verificar los resultados del análisis factorial inicial realizando nuevos análisis sobre diferentes muestras tomadas de la población de estudio o, si no es posible, sobre sub-muestras de la muestra original. En cada caso, se debe examinar qué factores identificados en el análisis inicial se confirman en los análisis subsecuentes. Otra opción es realizar nuevos análisis factoriales modificando las variables consideradas, eliminando aquellas que no están relacionadas con ningún factor o aquellas con relaciones más fuertes, con el fin de observar cómo se comportan las demás variables sin su influencia. Un enfoque adicional para complementar y profundizar la interpretación de los resultados es realizar nuevos análisis factoriales, no con toda la muestra, sino enfocándose en subgrupos o categorías dentro de la muestra, que pueden ser definidas por las variables originales (de la Fuente Fernández, 2011). 3.2.5 Análisis Clúster El análisis cluster o de conglomerados, desempeña un papel crucial en la investigación científica. Se trata de un conjunto de técnicas multivariantes empleadas para agrupar a un conjunto de individuos o variables en grupos homogéneos, buscando que estos grupos sean lo más diferentes posible entre sí. El objetivo principal es generar clasificaciones (clusterings o clusters) a través de un análisis exploratorio. En este contexto, se plantea el desafío de clasificar un conjunto de N individuos, cada uno caracterizado por información de n variables Xj (donde j = 1, 2,..., n), de tal forma que los miembros de un mismo grupo (cluster) sean lo más semejantes entre sí, mientras que los diferentes grupos sean lo más distintos posibles. El análisis cluster tiene como objetivo identificar un conjunto de grupos a los que se asignarán los diferentes individuos según algún criterio de homogeneidad. Para ello, es fundamental definir una medida de similitud o, en su caso, de divergencia, que permita clasificar a los individuos en los grupos correspondientes. Es importante considerar si la agrupación se iniciará a partir de grupos previamente definidos o si, por el contrario, cada elemento se tratará como un grupo independiente al principio, para luego ir agrupándolos gradualmente hasta llegar a los grupos finales. Además, debe tenerse en cuenta la posibilidad de realizar reasignaciones durante el proceso, y se deben establecer los criterios para saber cuándo detener la agrupación y cómo llevarla a cabo. El análisis se basa en un algoritmo de clasificación que permitirá obtener una o varias particiones, siguiendo los criterios previamente establecidos. La estructura del análisis cluster se muestra en el siguiente esquema (figura 41) (de la Fuente Crespo, n.d.; Lejarza, 2018):
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 89 - Elección de la medida de asociación entre individuos. A raíz de la selección de las variables a analizar, cada individuo en el estudio estará representado por los valores de esas variables correspondientes a cada caso. Este es el punto de inicio para la clasificación. Para llevar a cabo una clasificación adecuada, es necesario determinar cuán similares o diferentes (en términos de divergencia) son los individuos entre sí, evaluando cómo varían sus representaciones en el espacio de las variables. Existen varios índices para medir la similitud o disimilitud entre los individuos, cada uno con diferentes características y aplicaciones. La mayoría de estos índices se basan en dos enfoques principales: algunos utilizan distancias (tratando a los individuos como vectores en el espacio de las variables, donde una gran distancia indica una alta disimilitud), otros emplean coeficientes de correlación, o incluso se basan en tablas de datos que indican la presencia o ausencia de determinados atributos en los individuos. - Criterios de disimilaridad La distancia o disimilitud entre dos individuos i y j se refiere a una medida, denotada como d(i,j), que evalúa el nivel de semejanza entre los individuos en función de diversas características, tanto cuantitativas como cualitativas. El valor de d(i,j) siempre será un número no negativo, y a medida que este valor aumente, mayor será la diferencia entre los individuos i y j. Y hay una serie de propiedades que, al menos, tienen que cumplir todas las distancias. Son las siguientes: d(i,j) > 0 (no negatividad) d(i,i) = 0 d(i,j) = d(j,i) (simetría) Partir de un conjunto de N individuos de los que se dispone de una información cifrada por un conjunto de n variables (una matriz de datos de N individuos × n variables) Establecer un criterio de similaridad para poder determinar una matriz de similaridades que nos permita relacionar la semejanza de los individuos entre sí (matriz de N individuos x N individuos). Escoger un algoritmo de clasificación para determinar la estructura de agrupación de los individuos Especificar la estructura mediante diagramas arbóreos o dendogramas u otros gráficos Figura 41. Esquema de análisis cluster.
Capítulo 3. Fundamentos Teóricos Raúl Núñez Romero - 96 - Métodos no jerárquicos La clasificación de todos los casos de una tabla de datos en grupos distintos es lo que define el análisis de clusters no jerárquicos. Este término hace referencia a la ausencia de una estructura jerárquica entre los grupos formados, es decir, no hay una relación de dependencia entre ellos y no se presentan en niveles jerárquicos. En este tipo de análisis, el investigador debe determinar de antemano el número de clusters en los que desea dividir los datos. Dado que no siempre se conoce de antemano cuántos grupos deberían existir, es necesario repetir la prueba con diferentes cantidades de clusters para identificar la clasificación que mejor se ajuste al objetivo del estudio o que sea más fácil de interpretar. Los métodos no jerárquicos, también llamados métodos partitivos u optimización, se enfocan en hacer una sola partición de los individuos en un número determinado de grupos, lo que requiere especificar previamente cuántos grupos deben ser formados. Esta es una diferencia clave con los métodos jerárquicos. La asignación de los individuos a los grupos se realiza a través de un proceso que busca optimizar el criterio de selección. Otra diferencia importante es que los métodos no jerárquicos trabajan directamente con la matriz de datos originales, sin necesidad de convertirla en una matriz de proximidad. Un principio intuitivo en este tipo de clasificación es que la mejor distribución será aquella en la que la dispersión dentro de cada grupo sea mínima. Este principio se conoce como criterio de varianza, y se busca seleccionar la partición en la que la suma de las varianzas dentro de cada grupo (varianza residual) sea lo más pequeña posible. En este tipo de análisis de cluster es común el uso del algoritmo de k-medias. Este comienza con asignaciones iniciales de medias de manera arbitraria y, mediante iteraciones sucesivas, evalúa cómo afecta la asignación de los casos a cada grupo en la varianza residual. El valor mínimo de la varianza define una nueva configuración de grupos y sus correspondientes medias. Luego, todos los casos se asignan de nuevo a estos centroides, y el proceso se repite hasta que no sea posible hacer más transferencias que reduzcan la varianza residual. También puede detenerse si se alcanza otro criterio de parada, como un número predefinido de iteraciones o si la diferencia entre los centroides de dos iteraciones consecutivas es menor que un valor establecido. Este proceso organiza los grupos maximizando la distancia entre sus centros de gravedad. Como la varianza total se mantiene constante, minimizar la varianza residual implica maximizar la varianza entre los grupos. Esto, a su vez, equivale a minimizar la suma de las distancias al cuadrado desde cada caso hasta la media del grupo al que se le asigna, lo que se calcula utilizando la distancia euclidiana al cuadrado. Los casos se evalúan de forma secuencial, lo que puede hacer que el cálculo se vea afectado por el orden en que se presentan en la tabla. Sin embargo, este algoritmo tiende a producir los mejores resultados. Otras variantes del mismo método suelen generar clasificaciones muy similares. Al igual que otros métodos de clasificación no jerárquica, proporciona una única solución final para el número de clusters seleccionados, y generalmente requiere menos iteraciones si las medias iniciales están cercanas a las medias finales. Los programas estadísticos suelen elegir estos valores iniciales basándose en los puntos más distantes de la nube de datos, según la cantidad de grupos que se deseen formar. Los métodos no jerárquicos son ideales para manejar grandes conjuntos de datos y son útiles para identificar casos atípicos. Si se selecciona un número mayor de grupos del necesario, los clusters con pocos individuos pueden identificar casos extremos que podrían afectar la estructura de los grupos. En estos casos, es recomendable realizar el análisis final sin esos casos atípicos y asignarlos posteriormente al grupo correspondiente, que ya se habrá formado sin su influencia. Un desafío importante al realizar la clasificación es determinar cuántos clusters deben usarse. Por ello, es recomendable probar diferentes opciones, y la elección del número adecuado debe basarse tanto en criterios matemáticos como interpretativos (de la Fuente Crespo, n.d.; Lejarza, 2018).
Capítulo 4. Metodología Raúl Núñez Romero - 97 Capítulo 4. Metodología Con el capítulo de metodología se planifica el desarrollo experimental de la investigación. Aquí se proporciona una guía detallada sobre cómo se lleva a cabo la investigación. Con la exposición metodológica se busca dar validez y robustez a los resultados del estudio. Los diferentes puntos dan el enfoque de la investigación y muestran el diseño seguido para la obtención de datos. Así mismo, se describe el origen de los datos y quienes y de qué forma son la fuente de datos. En la recolección de datos se usan diferentes herramientas ajustadas a cada proceso, y con una adecuada elección. Hay una correlación de procedimientos propios de cada herramienta metodológica adaptada al caso de estudio. En todo el desarrollo de la metodología se establecen las oportunas consideraciones éticas, donde se tiene en cuenta el consentimiento informado y la confidencialidad de que aquellas personas que han participado en la obtención de datos. En el apartado de oculometría el objetivo es realizar el experimento a un grupo de usuarios, consistente en mostrar secuencialmente imágenes de frontales de vehículos en una pantalla de ordenador mientras una cámara de seguimiento ocular va registrando los parámetros de la mirada. Lo que se espera encontrar es conocer que áreas o partes del vehículo son de interés para los usuarios. En la fase de Análisis Conjunto el objetivo también se recurre a la participación de un grupo de usuarios para que evalúen unas tarjetas que tienen impresas la imagen de un vehículo, y las ordenen jerárquicamente desde el que tiene más apariencia de vehículo eléctrico al que menos. Las imágenes van a combinar las propiedades y sus variantes que se descubran con el experimento de oculometría, y el resultado esperado es encontrar que combinación de propiedades es la que otorga a un vehículo la identidad de eléctrico. En la última fase de la metodología se aplica Ingeniería Kansei. Con la perspectiva del diseño emocional y afectivo, se recopilan términos Kansei en la literatura científica para los vehículos eléctricos, y por otra parte se seleccionan las propiedades reveladas en oculometría y Análisis Conjunto, buscando la correlación de las propiedades que evocan los kansei elegidos. 4.1 Evaluación de propiedades de diseño de coches eléctricos y de combustión basada en seguimiento ocular (Eyetracking) Uno de los objetivos (O2) de este trabajo es buscar y determinar qué zonas de una imagen (en este caso imágenes de frontales de vehículos) son más influyentes en la percepción de este como eléctrico o de combustión, segmentando las áreas más importantes de un vehículo y las percepciones de los usuarios sobre el mismo en función de variables sociodemográficas. Para alcanzar esta meta se realiza una propuesta metodológica propia, apoyada en trabajos académicos analizados. La metodología seguida para la realización de este experimento de oculometría (Eyetracking) se encuentra detallada a través de los siguientes apartados. En la figura 44 se muestra el diagrama de flujo completo de la metodología propuesta.
Capítulo 4. Metodología Raúl Núñez Romero - 98 Figura 44. Diagrama de flujo oculometría. 4.1.1 Definir atributos y niveles Se comienza por definir los atributos y niveles del producto propuesto. El atributo será el parámetro de diseño o variable de diseño objeto de estudio y el nivel representa los distintos valores, opciones o alternativas que puede tener el atributo. Para representar gráficamente los atributos y los niveles propuestos se utilizará la técnica de creatividad de cuadro morfológico, ya que permite analizar los atributos del producto sus variantes y sus posibles combinaciones de manera gráfica.
Capítulo 4. Metodología Raúl Núñez Romero - 99 4.1.2 Definir atributos y niveles del objeto de diseño El espacio muestral representa todas las combinaciones concretas de niveles de atributo que definen a cada uno de los productos objeto de análisis. Un atributo puede ser importante para un producto y no contribuir a diferenciarse de sus competidores, por lo que la elección de los atributos se realiza en base a su relación y posible influencia con la estética y percepción del producto. La propuesta de atributos clave se ha realizado en base a los textos de referencia y a los objetivos del propio análisis. La definición de los niveles de atributo se ha realizado en base a un estudio de mercado de los productos actuales ofertados por las empresas. Si el espacio muestral obtenido en el paso anterior resulta demasiado grande (hecho bastante probable), resulta inabordable para su tratamiento en una encuesta. En el caso de que haya sobrecarga de información debido a un elevado número de combinaciones existen algunos procedimientos que permiten disminuir el número de combinaciones que se presentarán al encuestado. En este caso se propone la incorporación de Diseños Factoriales Fraccionados Ortogonales que son utilizados para reducir el número de combinaciones o perfiles presentados a los usuarios. Presentar un espacio muestral muy extenso puede ser agotador para los sujetos. Es en este sentido se aplican los Diseños Factoriales Fraccionados que, teniendo un número de combinaciones más limitado, presentan la misma o semejante eficacia. Por ello se propone (mediante diseño ortogonal) la reducción del espacio muestral. En la figura 45 se muestra el proceso de diseño de un experimento ortogonal. Figura 45. Imagen adaptada de J. Zhou et al. (Zhou et al. 2012). 4.1.3 Representar el espacio muestral El espacio muestral de vehículos se realiza mediante representación gráfica utilizando imágenes de vehículos reales que se ajusten a las combinaciones de niveles de atributos obtenidas en la fase anterior. En estas representaciones gráficas se ajusta el contexto para eliminar el fondo de la imagen, logotipos y distintivos de marca, datos de matrícula y color del vehículo, ya que son elementos ajenos al estudio que pueden tener influencia en la percepción y opinión de los encuestados, distorsionando así el objetivo del experimento. Determinar los factores que afectan los resultados experimentales y el nivel apropiado. Tabulación automática Generación automática de esquema de experimento ortogonal Introducir los factores y los niveles adecuados Ingresar los resultados experimentales a la tabla ortogonal. Procesamiento de datos y análisis de resultados.
Capítulo 4. Metodología Raúl Núñez Romero - 100 4.1.4 Definir AOIs Para cada estimulo (representación gráfica vehículo) a analizar se deben diferenciar las áreas de interés (AOIs). Las AOIs se utilizan para dividir las imágenes y poder obtener datos específicos de zonas o áreas de la representación gráfica que ayuden a mejorar los resultados aportando un mayor nivel de detalle. Dichas áreas deben ser delimitadas claramente en cada una de las imágenes. 4.1.5 Realización de experimentos Se selecciona un grupo de personas del ámbito de la ingeniería del diseño industrial y se les ofrece participar individualmente en una muestra sucesiva de los estímulos (imágenes de vehículos) en una pantalla de ordenador, mientras un equipo de Eyetracking escanea y analiza la atención del participante sobre las imágenes. Al comienzo del experimento los investigadores explican el procedimiento de la prueba, así como los objetivos del estudio previa a la realización del experimento. Del mismo modo se solicitará por escrito su consentimiento y se informará de que los datos recopilados son anónimos y solamente serán usados para este estudio y que en cualquier momento podrán abandonar la prueba. 4.2 Identidad de producto de coches eléctricos y de combustión basada en Análisis Conjunto. Otro de los objetivos (O2) de este trabajo es estudiar la identidad de los coches eléctricos y de combustión. Para el análisis de la identidad se ha elegido el Análisis Conjunto ya que es una de las técnicas de análisis más utilizadas para conocer las preferencias de los usuarios tal y como se ha definido en el análisis de antecedentes (2.7). El objetivo de aplicar Análisis Conjunto es conocer los atributos estético-formales que mejor definen a un coche eléctrico y, simultáneamente, conocer los atributos que mejor definen a un coche de combustión. El Análisis Conjunto es una técnica multi-atributo centrada en analizar las elecciones de los usuarios para conseguir explicar la manera en la que estos establecen su sistema de preferencias ante un producto. La preferencia de un usuario sobre un producto se debe al efecto conjunto de unos atributos definidos mediante sus niveles de atributo que constituyen al producto (Wilkie & Pessemier, 1973). Es por ello que la meta del Análisis Conjunto es obtener el valor cuantitativo, denominado utilidad, asociado a cada nivel de atributo del producto analizado. Para poder explicar las preferencias de un usuario sobre un producto el Análisis Conjunto se basa en la estrategia de descomposición. Esta estrategia, a nivel práctico, significa que los usuarios deben ordenar o puntuar una serie de productos y a partir de ahí obtener un valor cuantitativo de la importancia individual de cada atributo y la utilidad asociada a cada nivel de atributo (Ferreira, 2011). Según estudios previos se definen ocho etapas para la aplicación de Análisis Conjunto de este estudio (Churchill & Iacobucci, 2002; Ferreira, 2011; Green & Srinivasan, 1978; Numon et al., 2019). Las etapas definidas son: 1. Definir el objetivo. 2. Seleccionar los atributos y los niveles de atributo. 3. Seleccionar la metodología conjunta. 4. Especificar las combinaciones de características y aplicar un diseño factorial ortogonal. 5. Selección del método de cuestionario. 6. Recolección de datos. 7. Estimar la importancia de los atributos y las utilidades de los niveles de atributo. 8. Evaluar la validez.
Capítulo 4. Metodología Raúl Núñez Romero - 101 En base a las etapas definidas por los estudios previos, en este caso se establecerá una metodología condensada en cuatro fases como se ilustra en la figura 46. En la primera fase se realizará un análisis de antecedentes para definir el método y técnicas con las que conseguir los objetivos. En la segunda fase se realizará un cuestionario para obtener información del usuario. La siguiente fase será aplicar el método de Análisis Conjunto para el análisis de preferencias de los usuarios sobre coches eléctricos. Por último, se realizará un test visual para analizar la capacidad de los usuarios de reconocer un coche eléctrico: Análisis de técnicas de exploración de mercados y métodos de diseño y desarrollo de productos • Análisis de antecedentes Análisis de datos sociodemográficos de usuarios y relación entre usuarios y coches eléctricos • Cuestionario para encuesta Exploración sobre la actitud de preferencia de los usuarios hacia los coches eléctricos y de combustión • Análisis Conjunto Capacidad del usuario para reconocer coches eléctricos y de combustión • Test visual Figura 46. Metodología propuesta. 4.2.1 Análisis de antecedentes En la primera fase mediante una Bessemer revisión bibliográfica sobre el tema en cuestión, se busca conocer como previamente otros investigadores emplean metodologías y técnicas. Y aquellas que estén suficientemente contrastadas se seleccionaran para replicarlas en este trabajo. 4.2.2 Test de usuario Implica hacer un cuestionario tipo test a los participantes en el experimento previo al Análisis Conjunto para extraer una serie de variables sociodemográficas que sirvan para segmentar los usuarios y correlacionar datos obtenidos del Análisis Conjunto. 4.2.3 Análisis Conjunto Para identificar si un vehículo es eléctrico o de combustión mediante Análisis Conjunto, se definen atributos, mediante selección de características del vehículo que puedan ayudar a distinguir entre vehículos eléctricos y de combustión. A continuación, se crean perfiles de vehículos, generando combinaciones de estos atributos para formar diferentes perfiles de vehículos. Tras la creación de perfiles se pide a los encuestados que evalúen jerárquicamente lo perfiles y que los clasifiquen como eléctricos o de combustión. Tras la respuesta de cada usuario se recopilan los datos de sus respuestas y selecciones. Por último, se analizan de datos utilizando técnicas estadísticas para analizar cómo cada atributo influye en la capacidad de los usuarios
Capítulo 4. Metodología Raúl Núñez Romero - 102 Frontal del vehículo eléctrico para dotarlo de identidad propia Kanseis obtenidos de artículos sobre vehículo eléctrico, y reducidos por análisis de afinidad Propiedades del frontal de vehículo: Parrilla (6 niveles) y faro (5 niveles) QT1 Combinación de propiedades y niveles que responden a los requerimientos Figura 47. Esquema metodología Ingeniería Kansei aplicada. para identificar el tipo de vehículo. En la aplicación de resultados se puede determinar qué atributos son más importantes para que los usuarios distingan entre vehículos eléctricos y de combustión. 4.2.4 Test visual Para cada perfil generado para la evaluación de Análisis Conjunto, se solicita a cada usuario si desde su punto de vista considera que el vehículo que visualiza en la imagen lo considera que si es eléctrico o de combustión. De forma que se obtienen datos de la variable “capacidad de acertar o errar” en la identificación de un vehículo eléctrico. 4.3 Aplicación Ingeniería Kansei para diseño de vehículo eléctrico A partir de los datos extraídos en los trabajos previos con la técnica de Eyetracking y Análisis Conjunto se realizará una propuesta de diseño estético formal del vehículo eléctrico mediante la metodología de Ingeniería Kansei. Como ya se planteó en los objetivos (O1 y O2) y la justificación de esta tesis, uno de los factores para que los usuarios acepten y se decanten por los vehículos eléctricos es que les resulten atractivos a los consumidores, que despierten sentimiento de afecto y emoción, y que ello desencadene una intención positiva hacia tipo de vehículos, y los usuarios quieran que formen parte de su estilo de vida. Una forma de lograr esta apetencia por el vehículo eléctrico es su aspecto estético, su apariencia, su forma. En definitiva, la identidad de producto definida por la dimensión estético y formal desencadenada por los estímulos visuales. La Ingeniería Kansei provee un marco metodológico para establecer relaciones entre las emociones esperadas del usuario y las propiedades y categorías que definen el producto. Con la aplicación metodológica, se busca obtener el conjunto de atributos y niveles de atributo que satisfagan los kanseis buscados. En la siguiente figura (47) se presenta un esquema adaptado a la aplicación de Ingeniería Kansei para el caso del vehículo eléctrico: Selección del Dominio Espacio Semántico Espacio de Propiedades Síntesis Resultado
Capítulo 4. Metodología Raúl Núñez Romero - 103 En la Ingeniería Kansei confluyen los resultados de Eyetracking y Análisis Conjunto, y después de analizar la correlación entre lo términos kansei asociados al vehículo eléctrico y las propiedades, el resultado esperado es obtener fundamentos sólidos para corroborar el conjunto de propiedades del frontal del vehículo que contribuyan a definir la identidad propia como eléctrico.
Capítulo 5. Evaluación de propiedades de diseño basada en seguimiento ocular (Eyetracking) Raúl Núñez Romero - 104 Capítulo 5. Evaluación de propiedades de diseño basada en seguimiento ocular (Eyetracking) En este capítulo se desarrolla el experimento de Eyetracking, que sustenta uno de los pilares de esta investigación. Mediante esta técnica se busca revelar propiedades del frontal de los vehículos destacadas para los usuarios. Además, para obtener información ampliada, se acompaña el Eyetracking con un Test de usuario y otro Test visual de identificación del tipo de vehículo. 5.1 Diseño del experimento Al comienzo del experimento los investigadores explican el procedimiento de la prueba, así como los objetivos del estudio a los usuarios participantes. Durante el experimento se han realizado tres tomas de datos de los participantes y por lo tanto se obtendrán tres tipos de resultados. Además del análisis propio de datos de Eyetracking, se realizarán análisis de datos para estudiar posibles relaciones con los otros dos test (Test de usuario y Test visual). 5.1.1 Eyetracking Se realiza un análisis para decidir qué propiedades (áreas del vehículo) van a ser objeto de estudio, teniendo en cuenta que el análisis se basa en la vista frontal del vehículo. Para cada una de las cuales se decidirá el conjunto de distintos niveles a considerar. Para analizar los atributos y niveles de atributo del vehículo que participaran en el experimento, también se utiliza la técnica de cuadro morfológico, por la utilidad de representar de forma gráfica los atributos del vehículo y sus variantes. Se han definido los atributos y niveles del producto propuesto. En este caso se obtiene un espacio muestral conformado por los distintos niveles de las siguientes propiedades: • Forma de los faros (5 niveles). • Separación de faros (2 niveles). • Forma de parrilla (6 niveles). • Forma del frontal (5 niveles). • Forma de capó (3 niveles). • Nervio de capó (3 niveles). La combinación de estas propiedades y niveles constituyen un espacio muestral de tamaño: 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠=5×2×6×5×3×3=2.700 combinaciones. El espacio muestral obtenido resulta demasiado grande, inabordable para su tratamiento en una encuesta. Se realiza, mediante diseño ortogonal, llevado a cabo mediante el software IBM SPSS Statistics v.29.0, la reducción del espacio muestral. El experimento de diseño ortogonal realizado con el software SPSS propuso 49 combinaciones de niveles de atributo en base al cuadro morfológico propuesto. El equipo de diseño decidió tener una representación equitativa de vehículos eléctricos (n=24) y de gasolina (n=25) en el espacio muestral propuesto (N=49).
Capítulo 5. Evaluación de propiedades de diseño basada en seguimiento ocular (Eyetracking) Raúl Núñez Romero - 105 Variable Categorías n % Sistema de propulsión del vehículo Eléctrico 24 49,0 Gasolina 25 51,0 Tabla 6. Características de la muestra del vehículo (N=49). Se realiza a continuación la representación gráfica de las 49 muestras obtenidas y para cada estimulo (vehículo) se diferencian las áreas de interés (AOIs). Para el análisis de la vista frontal del vehículo se han definido seis AOIs: parabrisas, capó, faros derechos, faros izquierdos, parrilla y frontal. Dichas áreas se delimitan claramente en cada una de las imágenes obtenidas. Se muestra en la figura 48 un ejemplo de muestra representada gráficamente, con sus AOIs delimitadas, que es una de las 49 muestras. Figura 48. Ejemplo de definición de AOIs. Para analizar la importancia relativa de las AOIs se analizan el número de fijaciones y el tiempo medio de fijación en base al tamaño o extensión de las AOIs, a través de dos indicadores. Estos indicadores son una propuesta propia basada en el estudio de Hyun et al. (2017) (Hyun et al., 2017). Index A = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑓𝑖𝑗𝑎𝑐𝑖𝑜𝑛𝑒𝑠 % Á𝑟𝑒𝑎 ( 24) Index B = 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑓𝑖𝑗𝑎𝑐𝑖𝑜𝑛𝑒𝑠 % Á𝑟𝑒𝑎 ( 25) 5.1.2 Test de usuario Tras el análisis de antecedentes realizado se ha considerado realizar un cuestionario a los usuarios para obtener información sociodemográfica ya que este tipo de cuestionarios estaba presente en los estudios analizados. Además, se incluirán cuestiones que ayuden a establecer la relación entre los usuarios y el objeto de estudio, en este caso, el coche eléctrico.
Capítulo 5. Evaluación de propiedades de diseño basada en seguimiento ocular (Eyetracking) Raúl Núñez Romero - 112 • El número de fijaciones en las AOIs “capó” y “parrilla” es mayor en hombres. • El número de fijaciones en las AOIs “cara” es mayor en mujeres. ANOVA entre número de fijaciones en AOIs vs P2: Edad: • El número de fijaciones media en las AOIs totales presentan diferencias significativas, con un nivel de confianza del 95%, respecto al factor edad (P2). • El número de fijaciones media en las AOIs “capó”, “F1” “F2” y “cara” presentan diferencias significativas, con un nivel de confianza del 95%, respecto al factor edad (P2). En conclusión, los usuarios más jóvenes “entre 18 y 21” tienen más fijaciones en las AOIs “F1” y “F2”. ANOVA entre número de fijaciones en AOIs vs P7: Capacidad de diferenciar un vehículo 100% eléctrico: • El número de fijaciones media en las AOIs totales presentan diferencias significativas, con un nivel de confianza del 95%, respecto al factor diferenciación entre vehículos (P7) • El número de fijaciones media en las AOIs “luna”, “capó”, “F1” y “F2” presentan diferencias significativas, con un nivel de confianza del 95%, respecto a la preferencia diferenciación entre vehículos (P7). En concreto los usuarios que han respondido que si son capaces de diferenciar un vehículo electro de otro que no lo sea presentan mayor número de fijaciones en las AOIs “F1” y F2”. ANOVA entre duración media de fijaciones (ms) en AOIs vs tipo de vehículo: • El tiempo medio de fijaciones en la AOIs “parrilla”, presenta diferencias significativas, con un nivel de confianza del 95%, respecto al tipo de vehículo (E/G). • El tiempo medio de fijaciones en las AOIs “parrilla” es mayor en “Gasolina”. ANOVA entre duración media de fijaciones (ms) en AOIs vs P1: Sexo: • El tiempo medio de fijaciones en la AOIs presenta diferencias significativas en los faros (F1 y F2), con un nivel de confianza del 95%, respecto a P1: Sexo del encuestado. • El tiempo medio de fijaciones en las AOIs “F1” y “F2” es mayor en “Hombres”. ANOVA entre duración media de fijaciones (ms) en AOIs vs P2: Edad: • El tiempo medio de fijaciones en la AOIs presenta diferencias significativas en todas las áreas de interés, con un nivel de confianza del 95%, respecto a P2. Edad del encuestado. • Como conclusión aparte, en todas las AOIs los usuarios de “más de 25” son los que presentan unos tiempos medio de fijación significativamente inferiores al resto de grupos de usuarios. ANOVA entre duración media de fijaciones (ms) en AOIs vs P4: Conciencia ecológica: • El tiempo medio de fijaciones en la AOIs presenta diferencias significativas en todas las áreas de interés menos en el AOI “cara”, con un nivel de confianza del 95%, respecto a P4: Conciencia ecológica. • Como conclusión general, los encuestados que no tienen conciencia ecológica en la compra de vehículos tienen unos tiempos medios de fijación más alta.
Capítulo 5. Evaluación de propiedades de diseño basada en seguimiento ocular (Eyetracking) Raúl Núñez Romero - 113 ANOVA entre duración media de fijaciones (ms) en AOIs vs P5: Preferencia de compra por un vehículo 100% eléctrico: • El tiempo medio de fijaciones en la AOIs presenta diferencias significativas en todas las áreas de interés con excepción del AOI “Luna”, con un nivel de confianza del 95%, respecto a P5. Preferencia de compra. • Los usuarios cuya preferencia de compra es la “Marca” han tenido un tiempo medio de fijaciones mayor en las AOIs F1, F2 y el capó. Para los usuarios cuya preferencia es el “Precio” han tenido una mayor fijación por la AOI “Parrilla”. ANOVA entre duración media de fijaciones (ms) en AOIs vs P6: Deseo de compra de un vehículo 100% eléctrico: • El tiempo medio de fijaciones en la AOIs presenta diferencias significativas en todas las áreas de interés con excepción del AOI “F1” y “Parrilla”, con un nivel de confianza del 95%, respecto a P6: Deseo de compra de un vehículo 100% eléctrico. • Como conclusión general, los encuestados que tienen pensado adquirir un coche 100% eléctrico tienen unos tiempos medios de fijación más alta. ANOVA entre duración media de fijaciones (ms) en AOIs vs P7: Capacidad de diferenciar un vehículo 100% eléctrico: • El tiempo medio de fijaciones en la AOIs presenta diferencias significativas en todas las áreas de interés, con un nivel de confianza del 95%, respecto a P7: Capacidad de diferenciar un vehículo 100% eléctrico. • Como conclusión general, los encuestados que han contestado que son capaces de conocer si un vehículo es eléctrico o no por su aspecto estético-formal tienen unos tiempos medios de fijación más alta. Los encuestados que han contestado que no son capaces de conocer si un vehículo es eléctrico o no por su aspecto estético-formal tienen unos tiempos medios de fijación más baja. 5.2.1.1 Estudio de la importancia relativa de los AOI Tal como se ha indicado en el apartado de metodología, para analizar la importancia relativa de las AOIs se analizan el número de fijaciones y el tiempo medio de fijación en base al tamaño o extensión de las AOIs, a través de dos indicadores (24, 25), propuesta propia. Index A = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑓𝑖𝑗𝑎𝑐𝑖𝑜𝑛𝑒𝑠 % Á𝑟𝑒𝑎 (24) Index B = 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑓𝑖𝑗𝑎𝑐𝑖𝑜𝑛𝑒𝑠 % Á𝑟𝑒𝑎 (25) Para ello, en primer lugar, se ha realizado un análisis de correlación: Variables a correlacionar: • TAMAÑO_AOI. • Tiempo completo de fijación en AOI (ms). • Número de fijaciones en AOI. • Duración media de la fijación en la AOI.
Capítulo 5. Evaluación de propiedades de diseño basada en seguimiento ocular (Eyetracking) Raúl Núñez Romero - 114 Todas las correlaciones son significativas, en especial el número de fijaciones en el AOI con el tamaño del AOI. Teniendo en cuenta el tamaño de la AOI cabe destacar que esta variable tiene un coeficiente de correlación de 0,707 con el número de fijaciones en el AOI, lo cual es un indicador que el número de fijaciones, así como su duración media está muy correlacionado con el tamaño del AOI (tabla 9). Matriz de correlaciones Tamaño AOI Tiempo total de fijación en AOI (ms) Número de fijaciones en AOI Duración media de la fijación en AOI Correlación Tamaño_AOI 1,000 ,640 ,707 ,334 Tiempo total de fijación en AOI (ms) ,640 1,000 ,984 ,744 Número de fijaciones en AOI ,707 ,984 1,000 ,679 Duración media de la fijación en AOI ,334 ,744 ,679 1,000 *Todos los sig.=0,00 En las figuras 52 y 53 se muestran los resultados de los índices propuestos A y B para las distintas AOIs. Figura 52. Número de fijaciones acumulado para cada AOI. Las AOIs que mayor número de fijaciones acumulan por tamaño de área (figura 52) son: • 1º: Parilla. • 2º: Faro 2. • 3º: Faro 1. Tabla 9. Matriz de correlaciones.
Capítulo 5. Evaluación de propiedades de diseño basada en seguimiento ocular (Eyetracking) Raúl Núñez Romero - 115 Asimismo, las AOIs que mayor tiempo de fijaciones acumulan por tamaño de área (figura 53) son: • 1º: Faro 2. • 2º: Parrilla. • 3ª: Faro 1. Se puede determinar que las áreas Faro 1, Faro 2 y Parrilla son las más importantes para los usuarios a la hora de decidir si un vehículo es eléctrico o de gasolina. Figura 53. Tiempo de fijaciones acumulado (ms) para cada AOI. 5.2.2 Test de usuario En el experimento propuesto han participado 33 encuestados mayores de edad del ámbito universitario, con representantes de ambos sexos y de varios rangos de edad. Los resultados obtenidos de las 7 preguntas realizadas en la encuesta test de usuario se reflejan en la tabla 10. Variables Categorías n % Sexo Femenino 17 51,5 Masculino 16 48,5 Edad Entre 18 y 21 8 24,2 Entre 22 y 25 9 27,3 Mas de 25 16 48,5 Permiso de conducir Si 30 90,9 En proceso 3 9,1 Elección ecológica Si 19 57,6 No 14 42,4 Preferencia de compra por un vehículo 100% eléctrico Precio 6 18,2 Autonomía 19 57,6 Capacidad de carga 5 15,2 Marca 1 3,0 Potencia 2 6,1 Deseo de comprar un vehículo 100% eléctrico Si 19 57,6 No 14 42,4 Posibilidad de diferenciar a vehículo 100% eléctrico Si 7 21,2 En duda 17 51,5 No 9 27,3 Tabla 10. Características de los participantes (N=33).
Capítulo 5. Evaluación de propiedades de diseño basada en seguimiento ocular (Eyetracking) Raúl Núñez Romero - 116 Se ha realizado un análisis de correlación entre las variables del test de usuarios y se ha establecido que existe una leve correlación estadísticamente significativa en el nivel 0,05 (bilateral) entre: • Edad (P2) y posesión del carnet de conducir B1 (P3). r2,3=-0,352; sig2,3=0,045. • Preferencia de compra por un vehículo 100% eléctrico (P5) y la capacidad de diferenciar un vehículo 100% eléctrico (P7). r5,7=-0,351; sig5,7=0,046. Se puede afirmar que las demás variables del test de usuario son independientes entre sí. 5.2.3 Test visual para identificar tipo vehículo Presentados los 49 perfiles a los 33 usuarios se les pidió que establecieran para cada perfil si en base a su criterio, estaban ante un coche eléctrico o un coche de combustión. En este experimento los datos recabados son: aciertos y fallos en el reconocimiento de vehículos. En la tabla 11 se recopila un resumen de los datos del test visual. Mean % SD Max Min Aciertos 33,70 68,77 4,07 40 22 Fallos 15,30 31,23 4,08 27 9 Tabla 11. Resumen de aciertos y fallos por parte de los usuarios. En general todos los encuestados tienen una tasa de acierto superior al 50%, solamente un encuestado tiene una tasa de acierto por debajo del 50%. Se puede suponer que al utilizar imágenes de vehículos reales los encuestados estaban más familiarizados con estos y les ha sido más fácil acertar (tabla 12). Sistema propulsión vehículo n Mean SD Min. Max. Eléctrico 24 21,00 8,612 3 31 Combustión 25 24,32 6,095 11 33 Total 49 22,69 7,545 3 33 Tabla 12. Resumen de aciertos según el sistema de propulsión del vehículo. Tras realizar un ANOVA se han obtenido que el número de aciertos y de fallos en el test visual es independiente del tipo de vehículo (eléctrico o de combustión). La media de aciertos en vehículos de gasolina es ligeramente superior a la media de aciertos en vehículos eléctricos (tabla 12). Si es destacable que los coches eléctricos tienen un mínimo de aciertos (3) más bajo que los vehículos de combustión (11), por lo que hay encuestados que les ha sido difícil acertar cuando se trataba de un coche eléctrico. Además de este análisis general, se han realizado una serie de ANOVAs para los aciertos y fallos en base a las 7 variables del test de usuario (tabla 10). De los ANOVAs realizados se obtiene que el número de aciertos presenta diferencias significativas, con un nivel de confianza del 95%, respecto a la capacidad de diferenciar un vehículo 100% eléctrico (P7). La media de aciertos es significativamente mayor en los encuestados que han contestado que si son capaces de reconocer un vehículo eléctrico. Esta variable (P7) es la única que tiene relación significativa con el número de aciertos, lo cual es un indicador que los usuarios han contestado honestamente en base a su habilidad de reconocimiento.
Capítulo 5. Evaluación de propiedades de diseño basada en seguimiento ocular (Eyetracking) Raúl Núñez Romero - 117 El número de aciertos presenta diferencias significativas, con un nivel de confianza del 95%, respecto al número de fijaciones en la parrilla (Número de fijaciones en AOI: Parrilla). Este número de fijaciones es significativamente mayor en los vehículos que se ha fallado que en los vehículos que se han acertado (figura 54). Figura 54. Aciertos frente a número de fijaciones en AOI: Parrilla. Cabe considerar que tras utilizar la técnica de Eyetracking se revelan que los elementos en los que se fijan mayormente los usuarios al ver el frontal de un vehículo son la parrilla y los faros. Se deduce que al ser elementos con gran peso visual dentro del conjunto del frontal, sean susceptible de captar la atención. Ambos elementos tienen contornos definidos y contrastan con los elementos que los rodean, por lo que de forma justificada se consideran propiedades importantes para evaluar su contribución en la estética del vehículo eléctrico en siguiente fase.
Capítulo 6. Identidad de producto basada en Análisis Conjunto Raúl Núñez Romero - 118 Capítulo 6. Identidad de producto basada en Análisis Conjunto En este capítulo se concentra el segundo pilar que sustenta la investigación, en el que se desarrolla el experimento que analiza la identidad del frontal de los vehículos mediante Análisis Conjunto. Con esta técnica se busca valorar los diferentes atributos y propiedades del frontal del vehículo, así como sus combinaciones, para determinar que percepción tienen los usuarios respecto a la identidad del vehículo. Este experimento también se acompaña de los datos recabados del test de usuario, para complementar los resultados y extender las conclusiones relacionadas con las variables sociodemográficas. 6.1 Diseño del experimento El objetivo de aplicar Análisis Conjunto es analizar que atributos estético formales y niveles de atributos definen a un vehículo eléctrico en contraposición a un vehículo de combustión en base a la percepción visual de los usuarios. Para el estudio de un coche, al ser un producto tridimensional complejo ya que cada vista tiene una serie de atributos diferentes entre sí, se ha elegido analizar el frontal de un vehículo ya que es la vista más característica y diferenciadora entre tipos de vehículos y marcas. 6.1.1 Test de usuario Al igual que en el experimento de Eyetracking, resulta de interés realizar un test de usuario cuyos datos se contrasten con los obtenidos del Análisis Conjunto. Conforme con los antecedentes revisados, es común realizar un test de usuario con el fin de obtener información sociodemográfica. Las preguntas orientadas a explorar la relación entre los usuarios y el vehículo eléctrico se basan tanto en los estudios analizados como en algunas propuestas propias centradas en el tema de investigación. El cuestionario consta de las siguientes variables: P1: Sexo, P2: Edad, P3: Carnet de conducir, P4: Elección ecológica, P5: Preferencia de compra de un coche 100% eléctrico, P6: Deseo de adquirir un coche 100% eléctrico, P7: Capacidad para diferenciar un coche 100% eléctrico. Las variables P1 a P3 se proponen para clasificar al usuario (variables sociodemográficas), mientras que las variables P4 a P7 tienen como objetivo analizar la relación entre el usuario y el coche eléctrico. El test es anónimo y los usuarios son informados sobre el objetivo del estudio y de la confidencialidad. 6.1.2 Selección de los atributos y sus niveles Los atributos son las características en las que puede descomponerse el frontal de un coche, y los niveles son las distintas alternativas u opciones que pueden existir dentro de cada atributo. La selección de los atributos y sus niveles se ha basado en los estudios descritos en el análisis de antecedentes y en propuestas propias tras realizar un análisis de mercado de vehículos existentes. Analizando la parte frontal de un vehículo se pueden distinguir una serie de elementos o partes características. La parte frontal de un coche no solo se diseña para una apariencia estética, sino que intervienen una combinación de factores funcionales, como la seguridad, la aerodinámica, la refrigeración y la visibilidad. Cada uno de estos elementos debe ser cuidadosamente considerado para crear un vehículo que sea seguro, eficiente, y atractivo, mientras cumple con las normativas y necesidades del mercado. Siguiendo la línea de esta investigación, los elementos o atributos a seleccionar para el presente estudio se centrarán en la dimensión estética y la semántica detrás de ella. Cada uno de esos atributos tiene una variabilidad de formas. Toda esa variedad responde a los requerimientos que los fabricantes y marcas implementan en sus diseños, para conseguir novedad en sus productos, seguir lenguaje de diseño propios de la marca, seguir una tendencia en el mercado, etc.
Capítulo 6. Identidad de producto basada en Análisis Conjunto Raúl Núñez Romero - 119 A partir de toda esta variedad de combinaciones, y siguiendo la línea de trabajos previos, se seleccionan seis elementos o partes principales que se destacan en vista frontal de un coche. Estos son: forma de los faros, separación de los faros, forma de la rejilla, forma del frente, forma del capo y nervio del capó. De estos atributos se descarta el parabrisas, ya que, aunque también tiene una impresión visual en el conjunto del frontal, sus diferentes formas y curvatura, no son identificables claramente en una imagen, viéndose distorsionadas por la transparencia del cristal. Los atributos del frontal son: • Forma de faro. Los faros son elementos esenciales para la iluminación y son imprescindibles cumplir con la normativa. Ahora bien, su forma da juego a los diseñadores para dar a luz infinidad de alternativas de diseño. No obstante, se puede hacer una agrupación en 6 tipos de forma de faro, que representan 6 niveles de este atributo. Por un lado, están los faros redondeados donde su forma principal es o se aproxima mucho a una circunferencia. El siguiente nivel contrapuesto al primero son los faros poligonales, cuya forma viene definida por un perímetro de líneas rectas o asimiladas a una recta y que se vería como un polígono de diverso número de lados. Otro nivel sería el fino, donde una de sus dimensiones (largo o alto) es mucho más grande que la otra, o la separación entre lados opuestos es muy reducida. Y los dos últimos niveles comprenden a faros cuya forma principal este definido por un arco o una curva bien marcada. Pueden ser de un arco, donde la forma la define un mismo tipo de arco, o de doble arco cuando hay diferenciados dos arcos con diferente y distinguida curvatura. • Separación de faros. Para las necesidades lumínicas de los coches una opción común usadas por los fabricantes es que haya más de un elemento de iluminación por faro para crear una estética visual diferente o buscando funciones diferentes. En cualquier caso, se plantea el atributo de separación de faros, para considerar si hay más de un elemento de iluminación como función de faro. Y los dos niveles existentes son que haya un único faro (no separación) o que si haya más faros (si separación). • Forma de la rejilla (parrilla). Originariamente la necesidad de refrigeración del motor del coche en la parte delantera requirió la apertura de huecos en el frontal. Estos huecos o hendiduras son reconsiderados por los diseñadores y fabricantes como un elemento más susceptible de atribuirle una identidad visual, creando estilo, carácter, e identidad de marca. En este atributo se definen seis tipologías que son los seis niveles de la forma de la parrilla: larga y delgada, orgánica, pancarta, poligonal, visual, sin rejilla. Por un lado, puede distinguirse la ausencia de parrilla en los coches eléctricos más actuales que no tienen la necesidad de refrigeración para el motor térmico. Con lo que la ausencia de parrilla, es un nivel. Por otra parte, un segundo nivel lo ocupa aquella parrilla que se asemeja a una línea fina, siendo de gran anchura, pero de escasa altura, esto es, larga y delgada. Otro nivel es el de parrilla de forma orgánica, donde su diseño imita las curvas naturales y las formas suaves que se encuentran en la naturaleza, y serian un opuesto a las líneas rectas y geométricas. Una parrilla orgánica tiene características que transmiten fluidez y dinamismo. Y para parrillas que se definan por líneas rectas y geométricas, que se asemejaría o aproximarían a una forma rectangular de cuatro lados principalmente y con unos lados rectos o con poca curvatura, se acota el grupo de las llamada de tipo “pancarta”. Si la parrilla tiene más de cuatro lados definidos y están definidos por líneas o curvas ligeras, y da lugar a un tipo de polígono, se define como otro nivel llamado rejilla de tipo poligonal. Y el último nivel se nombra como “visual”, que comprende aquel tipo de parrilla con un marcado relieve sobresaliente y un destacado impacto a la vista respecto al balance completo del frontal.
Capítulo 6. Identidad de producto basada en Análisis Conjunto Raúl Núñez Romero - 120 • Forma del frente. Este atributo comprende la visión general del frente del vehículo, donde se integran todos los elementos. La posición forma y dimensiones de todos los elementos crean formas diferentes. Se diferencian cinco formas generales, que son cinco niveles de atributo. Por un lado, se define el frontal con forma de “boca grande”, donde el frontal se asemejaría a una cara, y las partes centrales con diferente contraste y color imitan a la forma de una boca grande. Por otro lado, si todos los elementos del frontal son homogéneos, si no destaca o sobresale ninguno respecto del resto, y hay una armonía entre todos se define el nivel de forma de frente integrado. El tercer nivel es el frente de forma de “sonrisa”, de modo que aquí también las partes centrales del frente definen una curvatura ascendente en los extremos, tiene una transición suave desde el centro hacia los laterales. El cuarto nivel es el tipo “U”, parecido al anterior, pero sin una transición suave entre el la zona central y los laterales. La zona central está dominada por líneas horizontales y los extremos por líneas verticales, habiendo una ligera transición curva entre ambas. Por último, el nivel de tipo “X” para la forma del frente se identifica al estar dominado el frontal por elementos visuales que se cruzan, bien por que haya contraste entre las diferentes colores y relieves o por nervaduras inclinadas. • Forma del capó. Este atributo se centra en la parte alta que domina la horizontal del frente del vehículo. Suele ser un elemento de gran superficie que cuya función es dar acceso al vano del motor o a un maletero delantero cuando no hay motor. Al ser una componente de gran superficie también da juego a fabricantes y diseñadores para usarlo en la identidad estética. Dentro de este atributo se definen tres niveles. Por un lado, un capó que tiene un aspecto visual dominado por una curva en su totalidad tendría el nivel de forma de capó en arco. Por otra parte, si el capó tiene poca curvatura en conjunto y puede aproximarse a una línea recta o de curva muy suave, se define el nivel de capo de forma recta. Y el último nivel, es una combinación de las dos anteriores, arco y recto, donde se combina y diferencian la unión de líneas curvas y partes rectas. • Nervio de capó. Aunque este atributo es una característica del capo, en el frontal se pude apreciar visualmente como una característica propia que influye en el conjunto y que puede percibirse de forma independiente al resto de atributos, se considera un atributo aparte. Dentro de este se distinguen tres niveles: que haya una única línea marcada central (línea), que haya dos líneas paralelas simétrica a ambos del capó (doble línea), o que sea un capó liso sin relieve, que no tendría nervio (sin nervio). En resumen, los atributos y sus niveles objeto de estudio son (figura 15): • Forma de los faros: arco, doble arco, fino, poligonal, redondeado. • Separación de los faros: sí, no. • Forma de la rejilla: larga y delgada, orgánica, pancarta, poligonal, visual, sin rejilla. • Forma del frente: boca grande, integrada, sonrisa, tipo U, tipo X. • Forma del capó: arco, recto, arco recto. • Nervio del capó: línea, doble línea, sin nervio. Los atributos seleccionados no están correlacionados entre sí y los niveles son coherentes entre sí para asegurar que no se obtengan combinaciones irreales. Para presentar los atributos seleccionados y sus niveles se ha elegido la técnica del cuadro morfológico, el cual permite definir los niveles de los atributos gráficamente siendo idónea para establecer atributos estético formales (Suzianti et al., 2016). En la figura 55, además de incluir una imagen representativa del nivel de atributo se ha definido un término lingüístico para cada nivel, así como un identificador.
Capítulo 6. Identidad de producto basada en Análisis Conjunto Raúl Núñez Romero - 121 Figura 55. Cuadro morfológico de atributos y niveles. 6.1.3 Selección de la metodología de Análisis Conjunto Existen variantes dentro del Análisis Conjunto, por lo que antes de seguir, se debe elegir una metodología conjunta. En este caso de estudio se trabaja con el Análisis Conjunto tradicional o Análisis Conjunto de perfil completo (full profile conjoint análisis) ya que es el que mejor se adapta a los objetivos del estudio y del que se obtiene más información. En Análisis Conjunto se entiende por perfil a la combinación concreta de niveles de atributo que define a un producto. El Análisis Conjunto de perfil completo se basa, a nivel práctico, en solicitar a los usuarios que ordenen un conjunto de perfiles en base a sus preferencias; también se les puede solicitar que puntúen individualmente cada perfil mostrado. En este caso de estudio los perfiles serán las diferentes combinaciones de niveles de los atributos definidos en la figura 21, dando lugar a múltiples frontales de coches. 6.1.4 Especificación de las combinaciones de propiedades y aplicación de diseño factorial ortogonal Teniendo en cuenta los atributos y niveles definidos en el cuadro morfológico (figura 21), el número de posibles combinaciones o perfiles a obtener sería de 2700 (5×2×6×5×3×3). Cuando se aplica el enfoque de Análisis Conjunto de perfil completo se tiende a obtener un número elevado de combinaciones o perfiles por lo que es necesaria una reducción, ya que sería inviable que los usuarios valoren todos los perfiles. Reducir el número de perfiles es habitual en el enfoque de Análisis Conjunto de perfil completo, para lo cual se utiliza un diseño factorial fraccional mediante el uso de matrices ortogonales. Con la aplicación de esta técnica se consigue obtener una fracción representativa y adecuada de todas las posibles combinaciones de los niveles de atributo (J. Jiao et al., 2007; Numon et al., 2019). Para llevar a cabo el diseño factorial fraccional se utiliza el software IBM SPSS Statistics v.29.0 mediante la función “Orthogonal Design”. El resultado de esta aplicación ha sido obtener 49 perfiles.
Capítulo 6. Identidad de producto basada en Análisis Conjunto Raúl Núñez Romero - 128 En base a los datos obtenidos ambos “p-value” son menores que 0,05 (grado de confianza del 95%) por lo que se puede establecer que los patrones de opinión estimados de los usuarios no difieren mucho. (Egeten et al., 2020). Analizados los resultados globales del Análisis Conjunto para los 33 encuestados, se procede a realizar una serie de Análisis Conjuntos para cada una de las categorías de las variables de la encuesta de cuestionario o test de usuario. Estos Análisis Conjuntos realizados tienen como objetivo detectar diferencias en las preferencias según las 7 variables analizadas en el test de usuario. En este caso no se entrará en detalle de los 16 Análisis Conjunto realizados ya que el procedimiento es similar al descrito anteriormente, si se aportará una visión general y se comentarán los casos cuyas diferencias sean significativas. En primer lugar, se analizan los atributos más influyentes en el reconocimiento de coches eléctricos, siendo la forma de parrilla el atributo de mayor importancia en los 16 grupos analizados con unas puntuaciones de importancia superior al 31% en todos los grupos (figura 59). El segundo atributo más influyente es la forma de faro con unas puntuaciones de importancia superior al 20% en todos los grupos excepto en los usuarios cuya preferencia de compra de un vehículo eléctrico es el precio. Para este grupo de usuarios ha influido un poco más la forma frontal (18,7%) que la forma de faro (18,6%). La forma frontal se consolida como el tercer atributo más influyente para todos los grupos, a excepción del grupo comentado anteriormente. Por último, cabe destacar un cambio de tendencia significativo en los usuarios que respondieron que “si” tienen la capacidad de diferenciar un vehículo 100% eléctrico. Para estos usuarios, el cuarto atributo más influyente es la separación de faros con un valor de importancia del 13,7%, siendo la media del resto de grupos de un 7,4%. Figura 59. Representación gráfica de la puntuación de importancia (%, eje Y) en función de las categorías de las variables de prueba del usuario (eje X). En cuanto al análisis de la puntuación de utilidad (figura 26) se aprecia una tendencia muy similar en los 16 grupos analizados. Se puede apreciar que el nivel: ausencia de parrilla (“no grill”) se mantiene como el nivel de atributo con mayor preferencia en la definición del frontal de un coche eléctrico. En base a la variable sexo (P1) solo se aprecian diferencias significativas en la forma del frontal, ya que en mujeres el nivel con mayor puntuación de utilidad es un “tipo X” (1,775) y en hombres la forma frontal de tipo “sonrisa” es el de mayor utilidad (1,594).
Capítulo 6. Identidad de producto basada en Análisis Conjunto Raúl Núñez Romero - 129 Para la variable edad (P2) se aprecia que la ausencia de parrilla (“no grill”) sigue siendo la de mayor utilidad, pero conforme avanza la edad la puntuación de utilidad de “sin parrilla” va descendiendo, siendo la puntuación de utilidad para las edades de 18 a 21 de 9,966 (la mayor puntuación de utilidad para “sin parrilla” de todos los grupos), para las edades de 22 a 25 el valor es de 7,459 y para los mayores de 25 años el valor es de 5,410. En cuanto a la variable capacidad de diferenciar un vehículo 100% eléctrico (P7), destaca que los usuarios que respondieron que “no” tienen las puntuaciones de utilidad más bajas en el nivel “sin parrilla” (3,295), siendo para este único grupo la forma de parrilla larga-delgada (“long thin”) la de mayor utilidad (3,708). Figura 60. Representación gráfica de la puntuación de la utilidad (eje Y) basada en las categorías de las variables de prueba del usuario (eje X). En base a los datos obtenidos de la puntuación de importancia (figura 59) y las puntuaciones de utilidad (figura 60) se aprecia que los 16 grupos analizados en base a las categorías del test de usuario presentan unas preferencias de atributos y sus niveles muy parecidas, confirmándose así la hipótesis obtenida en el test de la tau de Kendall que el patrón de preferencias de los usuarios es similar. Como cierre a este capítulo centrado en Análisis Conjunto, se descubre que a partir de las propiedades de partida definidas en Eyetracking, las variantes que contribuyen a caracterizar que un vehículo sea percibido como eléctrico, son que la parrilla esté ausente y que los faros tengan forma de doble arco. Se deduce que la ausencia de parrilla se asocia a que el vehículo carece de refrigeración para un motor de combustión, y se percibe con un aspecto más limpio y vanguardista, que son características propias de un vehículo eléctrico. Así mismo los faros con forma de doble arco se asociarían a formas más aerodinámicas y estilizada propia de un diseño innovador y vanguardista, que son también rasgos compartidos por el vehículo eléctrico. Tras la fase de Eyetracking y Análisis Conjunto quedan definidas que propiedades y variantes son relevantes y en qué medida contribuyen a afianzar la identidad eléctrica de los vehículos. No obstante, el resultado de las fases previas puede converger en asentar la base de propiedades sobre las que estudiar el diseño emocional de la mano de la Ingeniería Kansei. Y junto con los términos kansei relativos al vehículo eléctrico, se evalúan en qué medida determinadas propiedades impactan a los kansei seleccionados. Así con mayor fundamento se concreta la contribución de las propiedades a definir la identidad del vehículo eléctrico.
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 130 Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico En este capítulo 7 se desarrolla el tercer pilar de la investigación donde convergen los datos y resultados de los experimentos previos de Eyetracking y Análisis Conjunto. De forma que a partir de los parámetros y atributos revelados en el análisis de los datos de los experimentos anteriores, se cimienta la base sobre la que desarrollar la Ingeniera Kansei. Así por último se cosecharán unos resultados sobre los que establecer conclusiones sólidas y fundamentadas. 7.1 Planteamiento de Ingeniería Kansei Se plantean las cuatro etapas sobre las que se desarrolla la Ingeniería Kansei. En primer lugar, se estable la selección del dominio del diseño sobre el que se va a aplicar la metodología. En segundo lugar, se define el espacio semántico donde se recogen las palabras Kansei. El tercer punto comprende la definición del espacio de las propiedades que se van a correlacionar con los Kansei. Y por último se realiza la síntesis de los dos pasos anteriores para obtener las funciones de correlación entre kansei y propiedades. 7.1.1 Selección del Dominio En la primera etapa de la aplicación de Ingeniería Kansei se parte de la identificación y definición de los aspectos específicos que se van a considerar en el diseño del elemento en cuestión. Esto es una continuación de los trabajos previos y de los objetivos marcados en esta tesis. En este caso, el elemento objetivo de aplicar Ingeniería Kansei es el frontal de un vehículo eléctrico. Considerando genéricamente el concepto de “vehículo eléctrico”, sin discriminar por segmento de vehículo u otras atribuciones en cuanto a usabilidad. El marco conceptual es el de buscar atributos y propiedades a nivel estético y formal, que definan la identidad propia de este tipo de vehículos y sin tener en cuenta aspectos funcionales Respecto a las personas de interés que participan en esta parte del estudio de Ingeniería Kansei, se van considerar dos grupos diferenciados. Por una parte, está el grupo de expertos, profesores del ámbito académico de ingeniería y diseño industrial, que con en base a su criterio participan en una primera en encesta para seleccionar los kanseis de primer nivel; Y un segundo grupo, de personas jóvenes de entre 18 y 24 años, estudiantes de del ámbito de ingeniería y diseño industrial, cuyas opiniones serán la base para buscar la síntesis entre propiedades y kanseis. Y para definir los kanseis de origen, se recurre a realizar un estudio bibliográfico de la literatura científica cinco años atrás entre 2019 y 2024, para buscar los adjetivos, términos y conceptos que se le atribuyan al vehículo eléctrico. 7.1.2 Espacio Semántico La base para aplicar Ingeniería Kansei parte de tener una colección de términos kanseis. En esta investigación la recopilación de estos términos se ha enfocado en los artículos relacionados con el tema de estudio. Se extraerán de los textos aquellos términos o adjetivos (kanseis) que se le atribuyan al vehículo eléctrico o estén directamente relacionados con él. El buscador de referencia es Web of Science (WoS) y en las primeras búsquedas especificas usando “kansei” y “electric vehicle” como parte del título, solo se obtienen dos resultados, que son insuficientes. Y rehaciendo la búsqueda con el filtro de “Topic” (tema), hay una mejora de los resultados obtenidos, llegando hasta diez, que sigue siendo un número de textos insuficiente para obtener una colección de suficientes kanseis. Se deduce que la asociación de los conceptos “kansei” y “electric vehicle” tiene aún muy poca difusión en la literatura científica.
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 131 El siguiente paso es no hacer la búsqueda usando el concepto especifico de “kansei”, sino partir de conceptos más genéricos y que sean sinónimos más amplios engloben a la Ingeniería Kansei, como son “emotional design” o “affective design”, y que forman precisamente como parte del título de esta tesis. Por otra parte, se consideran como término clave imprescindible en la búsqueda el concepto de “electric vehicle”. En el siguiente paso de búsqueda, con el filtro de “topic” se hacen las búsquedas para los conceptos de “affective” y “electric vehicle” por una parte, y con los conceptos de “emotional” y “electric vehicle” por otra parte, arrojando 56 y 81 resultados respectivamente. Estos resultados son ya un número suficiente para hacer la minería de extracción de kanseis. Como la segunda búsqueda con los conceptos de “emotional” y “electric vehicle” es la que mayor número de resultados aporta es la que finalmente se elige. El último filtro que se aplica es el periodo temporal, que filtra las publicaciones en los cinco años atrás entre 2019 y 2024, para homogeneizar esta búsqueda al periodo de toda la investigación. Así queda un total de 55 publicaciones a estudiar (figura 61). Figura 61. Áreas de investigación de los resultados de búsqueda: “emocional” y “vehículo eléctrico”. De los 55 resultados, hay que descontar 5 resultados de los que no es posible acceder al texto completo, y además hay 4 resultados en coreano. Finalmente, de los 46 textos se realiza una búsqueda exhaustiva donde haya referencia al vehículo eléctrico, y aquellos adjetivos o términos que sirvan para calificarlo, son tomados como kanseis. No obstante, hay que tener en cuenta que no todos los textos son susceptibles de aportar kanseis, bien porque no hay calificativos para el vehículo eléctrico, o su mención es transversal. Tras analizar los textos se extraen los términos, adjetivos y conceptos que los artículos tienen para referirse al vehículo eléctrico, y que se consideran kanseis. Se resumen a continuación los kanseis asociados a cada artículo: Kang & Zhu (2022) hizo este mismo proceso de obtención de kanseis, obteniendo: “Young”, “energetid”, “elegant”, “streamlined”, “Healthy”, “fashion”, “Unique”, “Magnificient”, “Natural”, “Easy”, “fast”, “cool”, “Enviromental-friendly”, “Exquisite”, “Advanced” y “Casual” (X. Kang & Zhu, 2022). X. Liu et al., (2023) hace una propuesta metodológica por metáforas visuales con un vehículo eléctrico y otorga los términos: “Speedy”, “safe”, “intelligent”, “confortable”, “High-tech” y “simple” (X. Liu et al., 2023).
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 132 Dutta & Prakash, (2022) utiliza un controlador emocional (controlador inteligente basado en el aprendizaje emocional del cerebro, BELBIC) para el control de la frecuencia de carga de un sistema de energía híbrido, y asociado a este describen el vehículo eléctrico como: “clean” (Dutta & Prakash, 2022). En el estudio sobre el diseño sostenible del vehículo eléctrico hibrido, combinando el modelo Kano difuso continuo y el desarrollo de la función de calidad (QFD), al hablar del vehículo eléctrico se refieren a él con los kanseis: “hale”, “tiny”, “steady”, “technological”, “comfortable”, “fashionable”, “simple”, “elegant”, “graceful” y “vivid” (X. Kang & Nagasawa, 2023). En el trabajo de investigación sobre la experiencia de usuario y las emociones de los peatones respecto a los sonidos de alarma de los futuros coches autónomos, hacen referencia a los vehículos eléctricos como: “clean”, “safety” y “silent” (Zhang & Lee, 2020). Z. Liu et al., (2022) investiga la relación de procesamiento neuronal entre las emociones faciales humanas y los vehículos de gasolina y eléctricos utilizando un diseño de medidas repetidas de emociones, tipos de rostro y registros de electroencefalografía (EEG). Los kanseis para el vehículo eléctrico son: “anthropomorphous”, “neutral”, ”positive” y “agresive (Z. Liu et al., 2022). Yanagisawa et al., (2022) propone un marco bayesiano que explica y estima la percepción humana del sistema de carga y las emociones relacionadas con el vehículo eléctrico, del que habla en térmicos de: “uncertainty”, “positive”, “negative”, “anxiety” y “relief” (Yanagisawa et al., 2022). Yanagisawa et al., (2022) también estudia la preferencia perceptiva del usuario sobre el diseño de automóviles, y usa los siguientes kanseis para el vehículo eléctrico: “novel”, “confortable”, “Dinamic”, “fashion” y “smart” (Yanagisawa et al., 2022). Decrinis et al., (2023) estudia los mensajes que pueden influir en como los empleados de una empresa automovilistica se decantan en elegir un vehículo eléctrico en detrimento de otros. En referenencia a los vehículos eléctrico se les atribuye los conceptos: “economy”, “clean” y “positive” (Decrinis et al., 2023). M. Li et al., (2020) investiga sobra la relación entre los elementos de diseño y el estilo del vehículo eléctrico, de donde se obtienen los términos: “soft”, “tecnological”, “simple” y “light” (M. Li et al., 2020). Un estudio de las características de marcas de vehículos eléctricos en china reveló los kanseis: “fashionable”, “futurist”, “sophisticated”, “beautiful”, “balanced”, “individualistic”, “unique”, “modern”, “harmonized” y “dynamic” (Qi & Kim, 2024). En el estudio que tuvo como objetivo explicar los diferentes comportamientos y preferencias de los usuarios potenciales analizando sus actitudes hacia un vehículo eléctrico diseñado específicamente para la movilidad rural, destacan los términos: “sustainable”, “economy”, “ecofriendly”, “reliability”, “safety”, “price” y “driving experience” (Palmieri et al., 2023). En otro estudio que tuvo como objetivo mejorar la comprensión actual de los factores que influyen en las intenciones de los clientes de adoptar opciones de movilidad con vehículo eléctrico, se obtienen los siguientes kanseis: “Price”, “aceleration”, “silent”, “ecological”, “quality”, “autonomy”, “recharging” y “social value” (Higueras-Castillo et al., 2019).
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 133 S. Zhou et al., (2021) investigan sobre la intención de compra del consumidor de acuerdo con la teoría del valor percibido, evaluando diversos aspectos y dimensiones. Construyen el modelo de intención de compra del consumidor de vehículos eléctricos, a los que se refieren con los siguientes adjetivos: “green”, “energy-saving”, innovative”, “Expensive” y “cost” (S. Zhou et al., 2021). En la investigación de Xu et al., (2020) explora cómo la experiencia de conducción del consumidor afecta la intención de adopción del vehículo eléctrico desde la perspectiva de la respuesta emocional del consumidor. Los térmicos kansei para el vehículo eléctrico de este artículo son: “sustainable”, “satisfaction”, “price”, “trust”, “quality”, “safety”, “innovation” y “drivingexperience” (Xu et al., 2020). Sugimoto et al., (2020) estudia sobre la carga cognitiva y las emociones positivas de operar un vehículo eléctrico, y categoriza este tipo de vehículos con los siguientes términos: “drivingexperience”, “flexible”, “pleasure”, “inmersión”, “easy” y “effortlessness” (Sugimoto et al., 2020). En el trabajo de desarrollo de un controlador para los motores de vehículo eléctricos, de forma transversal cita características de los vehículos eléctricos. Aquí los kanseis considerados son: “sustainability”, “efficiency” y “green (low-emision)” (Balan et al., 2022). En el estudio sobre carga de vehículo eléctrico proponen una solución multiagente para resolver la tarea de asignación de vehículos eléctricos en cargadores de red inteligente, y también de forma transversal categoriza a los vehículos eléctricos con: “charge”, “autonomy” y “price” (Aparicio et al., 2021). En la investigación de Bhutto et al., (2022) integran la teoría de los valores de consumo y la autoidentidad ética para explorar la intención de adoptar vehículos ecológicos entre la Generación Z. Y en cuanto a los vehículos eléctricos se encuentran los siguientes términos: “green”, “clean”, “efficiency”, “novelty”, “quality”, “price”, “performance”, “quality”, “confort” y “usability” (Bhutto et al., 2022). Shu et al., (2022) analiza el riesgo percibido por los clientes a partir de los datos de comentarios de terceros en las redes sociales respecto del vehículo eléctrico. Los kanseis que califican al vehículo eléctrico son: “efficiency (energy conservation)”, “sustainability”, “disruptive”, “innovative”, “performance”, “reliability”, “reduced cost” y “safety” (Shu et al., 2022). En el trabajo de W. Li et al., (2023) desarrolla un modelo de investigación que analiza el efecto de la interacción en la intención de comprar de los vehículos eléctricos y utiliza el valor de la experiencia como variable mediadora. Los adjetivos atribuidos a este tipo de vehículo son: “cost”, “quiet”, “acceleration”, “green “, “quality (prosocial)” y “enviromental benefits” (W. Li et al., 2023). Sharma et al., (2024) utiliza el marco de valor percibido del consumo para investigar los factores que afectan las percepciones de los compradores sobre los vehículos eléctricos, los cuales son calificado con los siguientes conceptos: “green”, “innovation”, “environmentally friendly”, “sustainabilit” y “price” (Sharma et al., 2024). En un análisis de los vehículos eléctricos ultrapequeños en varias formas según su aplicación para su difusión en Korea, se revela como adjetivo principal: “economic” (H. Kim & Kim, 2021). En la investigación de J. Wang et al., (2024) evalúan la confianza de los usuarios en el sistema de estimación de autonomía de los vehículos eléctricos para asociarlos a la ansiedad por la
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 134 autonomía. Y respecto a esto, los términos asociados a vehículo eléctrico son: “range anxiety” y “trust” (J. Wang et al., 2024). Tras un estudio sobre las actitudes de los consumidores malayos hacia los vehículos ecológicos, se obtienen los kanseis: “price”, “quality”, “comfort”, “satisfaction”, “sustainability”, “clean”, “self-identity” y “sustainable” (Alganad et al., 2023). Najmi et al., (2023) analiza la importancia de los factores socio-éticos en el comportamiento de los individuos hacia el uso de los servicios de transporte. En este contexto al referirse al vehículo eléctrico se encuentran los siguientes conceptos: “innovation”, “range”, “speed”, “cost”, “selfidentity” y “saving the environment” (Najmi et al., 2023). En la investigación sobre la intención de los consumidores de comprar electrodomésticos energéticamente eficientes se menciona transversalmente conceptos para vehículo electro. De aquí se obtiene: “pleasure”, “confort”, “Price” y “ecological (enviromental friendlines)” (C. C. Lin & Dong, 2023). En el estudio de Dilotsotlhe, (2022) se examina los factores que influyen en las intenciones de los “millennials” de adoptar vehículos eléctricos híbridos enchufables en Gauteng, Sudáfrica. Los kanseis obtenidos de este estudio son: “Sustainable”, “efficient”, “ecological (enviromentally friendly)”, “cost ownersihp”, “driving range”, “charging time” y “network availability” (Dilotsotlhe, 2022). X. Kang & Zhu, (2022) exploran la conexión entre el sentimiento del cliente y el diseño frontal de los vehículos eléctricos enchufables. Ese enfoque permite identificar las expectativas emocionales de los clientes y clasificar las características clave del vehículo, y de él se extraen los siguientes kanseis: “elegant”, “simple”, “lively”, “mellow”, “round”, “light”, “green” y “sustainable” (X. Kang & Zhu, 2022). El total de términos kansei recopilados es de 83, tras agrupar aquellos que son iguales o sinónimos en varios textos. En la tabla 16 se muestra el conjunto de los kanseis: kansei speedy eco-friendly neutral innovative safe reliability postive expensive intelligent price agresive cost confortable driving experience uncertainty satisfaction high-tech aceleration negative trust simple ecological anxiety flexible elegant quality relief pleasure Lively autonomy novel inmersion mellow recharging dynamic effortlessness round social value smart efficiency Light young economy performance green energetic soft usability sustainable streamlined futurist disruptive clean healthy sophisticated quiet hale magnificient beautiful acceleration tiny natural balanced self-identity steady easy individualistic range technological cool unique charging-time fashion/able exquisite modern network availability graceful fast harmonized energy-saving vivid casual anthropomorphous Tabla 16. Kanseis obtenidos de revision bibliografica.
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 135 Esta colección de kanseis de la tabla 16 representa los Kansei de bajo nivel, relacionados directamente con el vehículo eléctrico. Esta colección tiene que ser sintetizada en el siguiente paso para el reducir su número. Para esta reducción de información se establece el criterio de porcentaje de aparición en los artículos analizados. Así obtenemos la tabla 17 donde son elegidos aquellos kanseis que aparecen 3 o más veces en los artículos. Kansei Frecuencia %Relativo Sustainable 8 5,2% Price 8 5,2% Green 6 3,9% Safe 5 3,2% Clean 5 3,2% Quality 5 3,2% Innovative 5 3,2% Confortable 4 2,6% Simple 4 2,6% Fashion/able 4 2,6% Cost 4 2,6% Elegant 3 1,9% Postive 3 1,9% Reliability 3 1,9% Driving experience 3 1,9% Ecological 3 1,9% Tabla 17. Clasificacion de kanseis por frecuencia de aparicion en artículos. Con lo cual hay 16 kanseis, que tras ser analizados se propone eliminar el kansei “price” ya que no representa estrictamente un kanseis, y al estar en la lista el término “cost”, en este estaría implícito dicho término, aunque tampoco es un buen término como Kansei. El siguiente paso sigue con la función de reducir los 15 términos, y respondan a las características buscadas y sean kanseis de alto nivel. Para ello se propone utilizar el método de Diferencial Semántico (SD). Esta herramienta desarrollada por Osgood para la evaluación psicología, sirve para medir de forma cuantitativa la emoción que genera un producto en un usuario. Mediante el Diferencial Semántico hay que realizar una encuesta a un grupo de usuarios. En este caso, después de recolectar los kanseis de literatura científica, la entrevista se pasa a usuarios expertos. Sin embargo, para considerar la opción de Diferencial Semántico se necesita el par de términos opuestos, pero los recolectados son todos positivos y hay determinar su término negativo, habiendo varios de ellos, como por ejemplo “green”, “quality”, “elegant”, de los que es difícil obtener el término contrario o negativo. Ante esta dificultad, se opta por la alternativa de la escala Likert, donde con una afirmación completa que contiene el kansei en estudio, se le pide al usuario que contesta si está de acuerdo o en desacuerdo. Para el diseño de la encuesta se ha partido de 12 frontales de vehículos eléctricos con los que se experimentó previamente con Eyetracking y Análisis Conjunto. Estos 12 vehículos fueron identificados como eléctricos con una tasa de acierto de más del 50%, al ser preguntado los participantes si consideraban que era un vehículo eléctrico o de combustión. A la imagen de cada frontal se le asoció los 15 kanseis con una escala Likert de 5 puntos (1 a 5), como se representa en la figura 62:
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 136 This car is … Sustainable 5 4 3 2 1 Green 5 4 3 2 1 Safe 5 4 3 2 1 Clean 5 4 3 2 1 Quality 5 4 3 2 1 Innovative 5 4 3 2 1 Confortable 5 4 3 2 1 Simple 5 4 3 2 1 Fashionable 5 4 3 2 1 Cost-effective 5 4 3 2 1 Elegant 5 4 3 2 1 Postive 5 4 3 2 1 Reliability 5 4 3 2 1 Driving experience 5 4 3 2 1 Ecological 5 4 3 2 1 Figura 62. Ejemplo de escala Likert utilizada en encuesta a expertos. Con los 15 kanseis (tabla 18) y con las imágenes frontales de los 12 vehículos queda una encuesta de 180 decisiones, para realizarla en un tiempo aproximado de 15 minutos, que son parámetros de decisión y tiempo razonables. K1 Sustainable K2 Green K3 Safe K4 Clean K5 Quality K6 Innovative K7 Confortable K8 Simple K9 Fashionable K10 Cost-effective K11 Elegant K12 Postive K13 Reliability K14 Driving experience K15 Ecological Tabla 18. 15 kanseis utilizados de variales para los 12 frontales de vehiculos.
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 137 Con los datos obtenidos de la primera encuesta se busca extraer los kanseis de nivel superior, de forma que se tenga un pequeño número representativo de todos. La herramienta utilizada es un análisis factorial. 7.1.2.1 Análisis factorial En la tabla 19 se muestran las valoraciones medias obtenidos de la encuesta. Cada valor es la media de todas las puntuaciones dadas por los usuarios, a cada una de las imágenes de los 12 vehículos mostrados (Car 1 a car 12), para cada uno de los 15 kanseis evaluados en cada imagen (K1 a K15). K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 K13 K14 K15 Car 1 2,95 2,84 4,11 3,63 4,00 3,74 3,89 2,84 3,58 3,37 3,74 3,42 3,37 3,63 2,89 Car 2 2,68 2,74 3,42 3,79 4,42 4,47 3,11 2,68 4,42 2,58 4,21 3,58 3,58 4,16 2,89 Car 3 3,16 3,16 3,68 3,37 3,53 3,21 3,68 3,16 3,11 3,26 3,26 3,11 3,05 2,89 3,05 Car 4 3,58 3,47 3,21 3,42 3,32 2,79 3,26 3,32 2,58 3,37 2,58 3,37 3,11 2,74 3,26 Car 5 3,32 3,32 2,47 2,89 2,47 2,74 2,47 3,42 2,32 3,21 1,84 2,63 2,84 2,26 3,26 Car 6 3,26 3,11 3,63 3,37 3,58 3,89 3,68 2,74 3,42 3,21 3,26 3,11 3,37 3,53 3,21 Car 7 2,84 2,89 3,74 3,32 3,84 3,16 3,58 2,68 3,16 3,00 3,53 3,11 3,47 3,47 2,84 Car 8 3,26 3,26 3,37 3,63 3,89 4,26 3,37 2,84 4,21 2,74 4,05 3,63 3,42 4,21 3,11 Car 9 3,42 3,32 3,42 3,53 3,47 3,84 3,37 3,42 3,37 3,00 3,42 3,21 3,32 3,37 3,26 Car 10 3,68 3,68 2,11 3,68 2,47 2,53 2,42 4,21 2,21 3,58 1,89 2,89 2,89 2,00 3,47 Car 11 2,84 2,79 3,84 3,21 3,74 3,26 3,95 2,68 3,47 3,05 3,42 3,00 3,58 3,63 2,89 Car 12 2,53 2,79 3,84 3,16 3,84 3,63 4,05 2,47 3,58 3,11 3,32 3,32 3,63 3,63 2,79 Tabla 19. Valoración media de 12 vehículos para 15 kanseis. Con el objetivo de buscar las relaciones entre los 15 kanseis para reducir información se realiza el análisis factorial a los datos de tabla 19 con software SPSS v.29.0 Se obtiene la matriz de correlaciones de las valoraciones medias kanseis mediante el coeficiente de correlación de Pearson (-1, 1). Siendo “-1“ la máxima correlación inversa, “1” la máxima correlación directa y “0” cuando no existe correlación. El método de extracción de factores es mediante componentes principales, basado en autovalores mayores a 1, y el método de rotación es Varimax con normalización Kaiser. La matriz de correlaciones es la siguiente:
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 144 La extracción de factores de como resultado 2 factores (tabla 28): Matriz de componente rotadoa Componente 1 2 Sustainable -,904 -,028 Safe ,825 ,200 Clean -,271 ,894 Innovative ,538 ,763 Simple -,966 -,143 Fashionable ,670 ,718 Cost-effective -,566 -,536 Elegant ,689 ,692 Postive ,328 ,844 Reliability ,847 ,394 Driving experience ,761 ,629 Método de extracción: análisis de componentes principales. Método de rotación: Varimax con normalización Kaiser. a. La rotación ha convergido en 3 iteraciones. Tabla 28. Matriz de componentes rotados tras reducir a 11 los kanseis. También se obtiene el índice KMO y se aplica el test de esfericidad de Bartlett a los datos (tabla 29): Prueba de KMO y Bartlett Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,626 Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 151,168 gl 55 Sig. <,001 Tabla 29. Indice KMO y test de espericidad de Barlett a los datos de 11 kanseis. En cuanto al índice KMO queda entre 0,5 y 0,75, lo cual da información la extracción de factores podría ser aceptable, sin embargo, el estadístico chi-cuadrado, con un valor alto, junto con el determinante de la matriz próximo a cero, indica que la extracción de factores no es buena. El resultado de la rotación sería bastante malo y muy difícil de interpretar. Se vuelve a repetir el proceso con un quinto análisis factorial donde se desea perder menos del 5% de la información en la reducción de kanseis. Se propone extraer 4 factores con el mismo método de extracción de componentes principales, y hacer una rotación de factores de tipo Varimax con normalización Kaiser mediante SPSS v.29.0 La matriz de componentes rotados obtenida es:
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 145 Matriz de componente rotadoa Componente 1 2 3 4 Sustainable -0,287 -0,355 0,080 -0,868 Safe 0,148 0,896 0,086 0,370 Clean 0,139 -0,069 0,975 -0,075 Innovative 0,769 0,378 0,404 0,153 Simple -0,446 -0,676 0,120 -0,540 Fashionable 0,727 0,420 0,395 0,343 Cost-effective -0,929 -0,054 -0,090 -0,291 Elegant 0,592 0,565 0,429 0,330 Postive 0,433 0,435 0,694 0,088 Reliability 0,455 0,516 0,201 0,626 Driving experience 0,681 0,547 0,305 0,357 Método de extracción: análisis de componentes principales. Método de rotación: Varimax con normalización Kaiser. a. La rotación ha convergido en 8 iteraciones. Tabla 30. Matriz de componentes rotados para 4 factores de 11 kanseis. A la vista de los valores de la matriz (tabla 30) se concluye que el resultado de la rotación es bastante malo y muy difícil de interpretar. Tras no obtener unos buenos resultados en la reducción de información mediante Análisis Factorial, se propone realizar un Análisis de Afinidad en base a la matriz de correlaciones (tabla 19). Para facilitar la interpretación de la matriz de correlaciones se han señalado en verde aquellas relaciones iguales o superiores a 0,8, y por otro lado, se ha señalado en rojo aquellas correlaciones iguales o superiores a -0,8. K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 K13 K14 K15 K1 Sustainable 1,000 0,959 -0,679 0,134 -0,728 -0,475 -0,623 0,847 -0,634 0,524 -0,625 -0,314 -0,791 -0,659 0,955 K2 Green 0,959 1,000 -0,789 0,079 -0,798 -0,538 -0,701 0,891 -0,681 0,515 -0,704 -0,339 -0,821 -0,726 0,950 K3 Safe -0,679 -0,789 1,000 0,027 0,834 0,541 0,955 -0,838 0,644 -0,320 0,781 0,511 0,766 0,741 -0,803 K4 Clean 0,134 0,079 0,027 1,000 0,387 0,467 -0,072 0,143 0,432 -0,194 0,454 0,658 0,173 0,329 0,092 K5 Quality -0,728 -0,798 0,834 0,387 1,000 0,803 0,714 -0,833 0,906 -0,671 0,962 0,798 0,878 0,930 -0,796 K6 Innovative -0,475 -0,538 0,541 0,467 0,803 1,000 0,415 -0,625 0,951 -0,769 0,877 0,750 0,710 0,902 -0,439 K7 Confortable -0,623 -0,701 0,955 -0,072 0,714 0,415 1,000 -0,779 0,533 -0,172 0,655 0,416 0,736 0,642 -0,734 K8 Simple 0,847 0,891 -0,838 0,143 -0,833 -0,625 -0,779 1,000 -0,742 0,592 -0,756 -0,481 -0,856 -0,832 0,874 K9 Fashionable -0,634 -0,681 0,644 0,432 0,906 0,951 0,533 -0,742 1,000 -0,814 0,951 0,785 0,826 0,968 -0,631 K10 Cost-effective 0,524 0,515 -0,320 -0,194 -0,671 -0,769 -0,172 0,592 -0,814 1,000 -0,736 -0,530 -0,648 -0,786 0,478 K11 Elegant -0,625 -0,704 0,781 0,454 0,962 0,877 0,655 -0,756 0,951 -0,736 1,000 0,791 0,833 0,957 -0,695 K12 Postive -0,314 -0,339 0,511 0,658 0,798 0,750 0,416 -0,481 0,785 -0,530 0,791 1,000 0,606 0,765 -0,404 K13 Reliability -0,791 -0,821 0,766 0,173 0,878 0,710 0,736 -0,856 0,826 -0,648 0,833 0,606 1,000 0,901 -0,792 K14 Driving experience -0,659 -0,726 0,741 0,329 0,930 0,902 0,642 -0,832 0,968 -0,786 0,957 0,765 0,901 1,000 -0,692 K15 Ecological 0,955 0,950 -0,803 0,092 -0,796 -0,439 -0,734 0,874 -0,631 0,478 -0,695 -0,404 -0,792 -0,692 1,000 Tabla 31. Matriz de correlaciones destando los kanseis similares y contrarios.
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 146 En la tabla 31 están sombreados en verde las celdas que representan altas correlaciones positivas, donde los kanseis son muy similares. Y en rojo están sombreadas las celdas que representan altas correlaciones negativas, donde los kanseis son “contrarios”. Analizado la tabla 31 usando como valor límite 0,8 y -0,8 para la clasificación, se obtiene: • K1: muy similar a K2, K8 y K15. • K2: muy similar a K2, K8 y K15. Contrario a K13. • K3: muy similar a K5 y K7. Contrario a K8 y K15. • K4: Kansei “independiente” no tiene correlación alta positiva ni negativa con ninguno otro Kansei. • K5: muy similar a K3, K6, K9, K11, K13 y K14. Contrario a K8. • K6: muy similar a K5, K9, K11 y K14. • K7: muy similar a K3. • K8: muy similar a K1, K2, K15. Contrario a K3, K5, K13 y K14. • K9: muy similar a K5, K6, K11, K13 y K14. Contrario a K10. • K10: no es similar a ningún Kansei. Si es contrario al K9. • K11: muy similar a K5, K6, K9, K13 y K14. • K12: Kansei “independiente” no tiene correlación alta positiva ni negativa con ninguno otro Kansei. • K13: muy similar a K5, K9, K11, K14. Contrario a K2 y K8. • K14: muy similar a K5, K6, K9, K11 y K13. Contrario a K8. • K15: muy similar a K1, K2, K8. Contrario a K3. En conclusión, tras el análisis de afinidad el espacio semántico original de 15 kanseis se ha reducido a 4 kanseis (tabla 32) y son los que se utilizan en la etapa de síntesis. K1 Sustainable K2 Safe K3 Innovative K4 Quality Tabla 32. Kanseis de primer nivel. 7.1.3 Espacio de propiedades La recopilación metódica de propiedades útiles para un estudio de Ingeniería Kansei sigue un proceso específico de recopilación y selección de propiedades. En una etapa inicial, se recoge material inspirador relacionado con un área de producto a partir de diversas fuentes, identificando así propiedades potenciales. En una etapa posterior, estas propiedades se organizan según ciertas directrices. El número de propiedades se reduce al seleccionar las más relevantes, quedando solo aquellas que tienen el mayor impacto emocional para una evaluación posterior. Finalmente, se identifican productos de ejemplo que incorporan las propiedades seleccionadas, representando así el espacio de propiedades. Dependiendo del método empleado para identificar las relaciones, el conjunto de productos puede variar. Para este caso de estudio, las propiedades o atributos relevantes tienen que ver con el frontal del vehículo eléctrico. En los trabajos previos ya se revelaron las propiedades que caracterizan estos vehículos. Del punto 5.2.1 de Eyetracking y del punto 6.2.2 de Análisis Conjunto, se reveló que la parrilla y los faros son las propiedades destacadas. Así mismo los niveles de cada propiedad también han sido ya clasificados, teniendo 6 niveles la parrilla y 5 los faros (figura 63).
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 147 Figura 63. Cuadro morfológico de propiedades y niveles. Para el espacio muestral se trabaja con Perfiles Completos donde se tienen en cuenta todas las combinaciones de niveles. A la hora de crear el espacio muestral que contemple la combinación de los niveles de propiedades, se va a tener 30 imágenes de vehículos (6x5) donde se contemplen las formas variadas de parrilla y la forma de los faros, manteniendo constante el resto de propiedades. En la siguiente tabla 33 se recoge las combinaciones de propiedades asignadas a un número o identificador de vehículo: CAR Head_Lights_Form Grill_Form 1 Arc Banner 2 Double Arc Banner 3 Fine Banner 4 Polygonal Banner 5 Rounded Banner 6 Arc Long thin 7 Double Arc Long thin 8 Fine Long thin 9 Polygonal Long thin 10 Rounded Long thin 11 Arc No grill 12 Double Arc No grill 13 Fine No grill 14 Polygonal No grill 15 Rounded No grill 16 Arc Organic 17 Double Arc Organic 18 Fine Organic 19 Polygonal Organic 20 Rounded Organic 21 Arc Polygonal 22 Double Arc Polygonal 23 Fine Polygonal 24 Polygonal Polygonal 25 Rounded Polygonal 26 Arc Visual 27 Double Arc Visual 28 Fine Visual 29 Polygonal Visual 30 Rounded Visual Tabla 33. Combinación de propiedades para generar 30 imágenes de vehículos.
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 148 Para general el conjunto de 30 imágenes con la combinación de propiedades, se parte de una imagen genérica de las muestras del anterior experimento de Eyetracking, y se van añadiendo los niveles característicos de las propiedades de faro y parrilla, hasta obtener el conjunto de las 30 imágenes de vehículos ficticios (tabla 34) para la etapa de síntesis. El vehículo de referencia para genera las 30 imágenes ha sido el que mayor puntuación en aspecto eléctrico en el experimento de Análisis Conjunto y Eyetracking. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Tabla 34. Conjunto de 30 imagenes de vehiculos ficticios combinando propiedades. 7.1.4 Síntesis En la fase de síntesis se establece y cuantifica las relaciones existentes entre cada una de las propiedades y los kanseis seleccionados. Esta es la etapa más importante de la Ingeniería Kansei, y aquí se puede establecer cuál es el impacto de cada categoría o nivel de propiedad sobre el término kansei, y también se puede determinar que propiedad es más influyente sobre cada Kansei.
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 149 Para establecer y cuantificar la relación entre los niveles de las propiedades evocadoras y la valoración de cada palabra Kansei, se construye el modelo matemático: Y = f ( X1,.....,Xp), donde Y es la valoración Kansei promedio de todos los individuos que se incluyen en el estudio y X1,X2,….,Xp son las variables que indican los niveles evaluados de las propiedades. - Diseño encuesta Una vez determinado el espacio semántico con su correspondiente conjunto de kanseis de primer nivel, y el espacio de propiedades con su correspondiente cuadro morfológico con la colección de 30 imágenes representativas de propiedades combinadas, se procede a elaborar con ellos el cuestionario para recabar información de los usuarios. En la encuesta se incluye además cuestiones de carácter demográfico, para un test de usuario, con el objetivo de obtener información extra. Así se pude conocer las características de los entrevistados y comprobar la posible existencia de clústeres o grupos homogéneos dentro de la muestra, y analizar posibles variaciones en las variables del estudio en función de los cluster o extraer factores influyentes u otra información implícita en el conjunto de la muestra de encuestados. Las preguntas sociodemográficas son: P1 Edad P2 Género P3 Situación laboral P4 ¿Tienes coche? P5 Otros vehículos. Señalar el que más se utilice P6 ¿Piensas en comprar un coche eléctrico? P7 Motivo para comprarlo P8 Uso principal que le darías al coche Tabla 35. Preguntas del test de usuario. Con estas preguntas se forma el test de usuario, que ayuda a conocer y evaluar la relación del usuario con el producto. Las preguntas han sido propuestas teniendo en cuenta el tipo de usuarios que van a contestar, en su gran mayoría alumnado de cuarto curso del Grado en Ingeniería en Diseño Industrial y Desarrollo del Producto. A la hora de asegurar unos altos niveles de fiabilidad estadísticos derivados del análisis de la información recogida por la encuesta, es muy importante el tamaño de la muestra de encuestados. En la planificación del tamaño de la muestra se considera que los participantes de la encuesta sean usuarios, y que los futuros usuarios se alineen con la evolución tecnológica del vehículo eléctrico. La región de procedencia de los encuestados es Andalucía y el rango de edad es de 18 a 34 años. Con el objetivo de obtener un nivel de confianza del 95% y un error del 10%, el tamaño de la muestra es 97 encuestados. La información relativa a las apreciaciones individuales de los encuestados de los kanseis implícitos en las imágenes se obtiene mediante Diferencial Semántico. Se formaliza la encuesta mediante Google Forms y se presentan cada una de las imágenes con los 4 kanseis, los cuales se tienen que evaluar con una escala de 5 niveles Likert indicando la proximidad del kansei desde el 5 que sería “Totalmente de acuerdo” al 1 que sería “Totalmente en desacuerdo” (figura 64)).
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 150 Figura 64. Imagen de encuesta de diferencial semántico. Los estímulos, las 30 imágenes de vehículos, se muestran en orden aleatorio para evitar que el usuario pueda predecir o condicionarse por el estímulo mostrado. Para obtener la ordenación aleatoria se utiliza la función “random” en Python, resultando el siguiente orden: [11, 19, 17, 21, 30, 14, 1, 16, 22, 29, 2, 26, 5, 9, 7, 13, 25, 3, 8, 23, 10, 6, 27, 15, 28, 24, 4, 12, 20, 18] 7.2 Resultados de Ingeniería Kansei Después de recopilar los datos de las encuestas se hace el tratamiento de los datos y se exploran los resultados y conclusiones. 7.2.1 Tratamiento de datos QT1 Hay que evaluar la relación del espacio de propiedades y el semántico. Hay que buscar la contribución de los niveles de cada propiedad sobre la valoración Kansei realizada por los encuestados. La herramienta para tal fin es el modelo de regresión lineal, la Teoría de Cuantificación tipo 1 (QT1), y permite formular un método de cuantificación de las relaciones existentes entre el espacio semántico y el espacio de propiedades. Las valoraciones de kanseis obtenidas de la encuesta se muestra en la tabla 36:
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 151 K1 K2 K3 K4 Sustainable Safe Innovative Quality Car 1 3,433 3,639 3,763 3,753 Car 2 3,443 3,567 3,485 3,619 Car 3 3,340 3,639 3,608 3,701 Car 4 3,381 3,835 3,330 3,825 Car 5 3,113 3,144 3,041 3,144 Car 6 3,577 3,660 3,670 3,742 Car 7 3,258 3,814 3,505 3,866 Car 8 3,196 3,526 3,330 3,557 Car 9 3,392 3,649 3,495 3,835 Car 10 3,278 3,567 3,485 3,608 Car 11 3,186 3,732 3,577 3,887 Car 12 3,412 3,711 3,515 3,619 Car 13 2,928 3,237 2,794 3,082 Car 14 3,402 3,660 3,619 3,649 Car 15 3,433 3,773 3,670 3,711 Car 16 3,567 3,567 4,010 3,794 Car 17 2,959 3,278 3,041 3,175 Car 18 3,155 3,546 3,443 3,691 Car 19 3,443 3,546 3,639 3,639 Car 20 3,196 3,701 3,588 3,794 Car 21 3,052 3,165 3,124 3,031 Car 22 3,247 3,577 3,619 3,577 Car 23 3,371 3,619 3,660 3,732 Car 24 3,144 3,082 3,000 2,969 Car 25 3,443 3,526 3,536 3,680 Car 26 3,351 3,866 3,701 3,887 Car 27 3,237 3,784 3,546 3,773 Car 28 3,680 3,546 3,732 3,732 Car 29 2,887 3,103 2,938 3,134 Car 30 3,309 3,526 3,361 3,536 Tabla 36. Valoraciones kanseis de encuesta. Por otro lado, es necesario codificar las variables categóricas de los niveles de propiedades (faro y parrilla) en variables numéricas mediante codificación “dummy” para evitar problemas de multicolinealidad en la aplicación de QT1 (tabla 37).
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 152 Propiedad 1: Forma de faro Niveles de P1: (D1, D2, D3, D4) Codificación: (1, 0, 0, 0): Arco (0, 1, 0, 0): Doble arco (0, 0, 1, 0): Fina (0, 0, 0, 1): Poligonal (0, 0, 0, 0): Redondeado Traducción de las variables: D1: arco D2: doble arco D3: Fino D4: Poligonal Propiedad 2: Forma de parrilla Niveles de P2: (D5, D6, D7, D8, D9) Codificación: (1, 0, 0, 0, 0): Larga delgada (0, 1, 0, 0, 0): Organica (0, 0, 1, 0, 0): Pancarta (0, 0, 0, 1, 0): Poligonal (0, 0, 0, 0, 1): Visual (0, 0, 0, 0, 0): Sin parrilla Traducción de las variables D5: Larga delgada D6: Organica D7: Pancarta D8: Poligonal D9: Visual Tabla 37. Codificacion dummy. La tabla de datos con la codificación de variables de las propiedades y sus niveles para las 30 imágenes en la siguiente (tabla 38): Forma de faro Forma parrilla CAR ID Arco Doble arco Fina Poligonal Redondo Larga Delg. Orgánica Pancarta Poligonal Visual Sin P. Car 1 1 0 0 0 0 0 0 0 0 0 1 Car 2 0 0 0 1 0 0 1 0 0 0 0 Car 3 0 1 0 0 0 0 1 0 0 0 0 Car 4 1 0 0 0 0 0 0 0 1 0 0 Car 5 0 0 0 0 1 0 0 0 0 1 0 Car 6 0 0 0 1 0 0 0 0 0 0 1 Car 7 1 0 0 0 0 0 0 1 0 0 0 Car 8 1 0 0 0 0 0 1 0 0 0 0 Car 9 0 1 0 0 0 0 0 0 1 0 0 Car 10 0 0 0 1 0 0 0 0 0 1 0 Car 11 0 1 0 0 0 0 0 1 0 0 0 Car 12 1 0 0 0 0 0 0 0 0 1 0 Car 13 0 0 0 0 1 0 0 1 0 0 0 Car 14 0 0 0 1 0 1 0 0 0 0 0 Car 15 0 1 0 0 0 1 0 0 0 0 0 Car 16 0 0 1 0 0 0 0 0 0 0 1 Car 17 0 0 0 0 1 0 0 0 1 0 0 Car 18 0 0 1 0 0 0 0 1 0 0 0 Car 19 0 0 1 0 0 1 0 0 0 0 0 Car 20 0 0 1 0 0 0 0 0 1 0 0 Car 21 0 0 0 0 1 1 0 0 0 0 0 Car 22 1 0 0 0 0 1 0 0 0 0 0 Car 23 0 1 0 0 0 0 0 0 0 1 0 Car 24 0 0 0 0 1 0 0 0 0 0 1 Car 25 0 0 1 0 0 0 0 0 0 1 0 Car 26 0 0 0 1 0 0 0 0 1 0 0 Car 27 0 0 0 1 0 0 0 1 0 0 0 Car 28 0 1 0 0 0 0 0 0 0 0 1 Car 29 0 0 0 0 1 0 1 0 0 0 0 Car 30 0 0 1 0 0 0 1 0 0 0 0 Tabla 38. Datos de codificación “dummy”.
Capítulo 7. Ingeniería Kansei para el diseño del vehículo eléctrico Raúl Núñez Romero - 153 A continuación, se integran las valoraciones kanseis (espacio semántico) y los datos de codificación de variables (espacio de propiedades) para aplicar QT1 (tabla 39): K1 K2 K3 K4 Forma de faro Forma Parrilla Sustainable Safe Innovative Quality Arco Doble arco Fino Poligonal Redondo Larga Del. Orgánica Panc. Poligonal Visual Sin P Car 1 3,433 3,639 3,763 3,753 1 0 0 0 0 0 0 0 0 0 1 Car 2 3,443 3,567 3,485 3,619 0 0 0 1 0 0 1 0 0 0 0 Car 3 3,340 3,639 3,608 3,701 0 1 0 0 0 0 1 0 0 0 0 Car 4 3,381 3,835 3,330 3,825 1 0 0 0 0 0 0 0 1 0 0 Car 5 3,113 3,144 3,041 3,144 0 0 0 0 1 0 0 0 0 1 0 Car 6 3,577 3,660 3,670 3,742 0 0 0 1 0 0 0 0 0 0 1 Car 7 3,258 3,814 3,505 3,866 1 0 0 0 0 0 0 1 0 0 0 Car 8 3,196 3,526 3,330 3,557 1 0 0 0 0 0 1 0 0 0 0 Car 9 3,392 3,649 3,495 3,835 0 1 0 0 0 0 0 0 1 0 0 Car 10 3,278 3,567 3,485 3,608 0 0 0 1 0 0 0 0 0 1 0 Car 11 3,186 3,732 3,577 3,887 0 1 0 0 0 0 0 1 0 0 0 Car 12 3,412 3,711 3,515 3,619 1 0 0 0 0 0 0 0 0 1 0 Car 13 2,928 3,237 2,794 3,082 0 0 0 0 1 0 0 1 0 0 0 Car 14 3,402 3,660 3,619 3,649 0 0 0 1 0 1 0 0 0 0 0 Car 15 3,433 3,773 3,670 3,711 0 1 0 0 0 1 0 0 0 0 0 Car 16 3,567 3,567 4,010 3,794 0 0 1 0 0 0 0 0 0 0 1 Car 17 2,959 3,278 3,041 3,175 0 0 0 0 1 0 0 0 1 0 0 Car 18 3,155 3,546 3,443 3,691 0 0 1 0 0 0 0 1 0 0 0 Car 19 3,443 3,546 3,639 3,639 0 0 1 0 0 1 0 0 0 0 0 Car 20 3,196 3,701 3,588 3,794 0 0 1 0 0 0 0 0 1 0 0 Car 21 3,052 3,165 3,124 3,031 0 0 0 0 1 1 0 0 0 0 0 Car 22 3,247 3,577 3,619 3,577 1 0 0 0 0 1 0 0 0 0 0 Car 23 3,371 3,619 3,660 3,732 0 1 0 0 0 0 0 0 0 1 0 Car 24 3,144 3,082 3,000 2,969 0 0 0 0 1 0 0 0 0 0 1 Car 25 3,443 3,526 3,536 3,680 0 0 1 0 0 0 0 0 0 1 0 Car 26 3,351 3,866 3,701 3,887 0 0 0 1 0 0 0 0 1 0 0 Car 27 3,237 3,784 3,546 3,773 0 0 0 1 0 0 0 1 0 0 0 Car 28 3,680 3,546 3,732 3,732 0 1 0 0 0 0 0 0 0 0 1 Car 29 2,887 3,103 2,938 3,134 0 0 0 0 1 0 1 0 0 0 0 Car 30 3,309 3,526 3,361 3,536 0 0 1 0 0 0 1 0 0 0 0 Tabla 39. Modelo completo de valoraciones kanseis y variable de propiedades para QT1. Con los datos del modelo completo (tabla 39) y la ayuda del software estadístico IBM SPSS v.29.0, se realiza el modelo de regresión múltiple QT1. Donde se estima el modelo para las propiedades y para los niveles (categorías) de cada propiedad. En el modelo, se incluyen las variables Xjk pero como variables Dummy, del modelo de regresión clásico, donde en cada propiedad se incluyen kj-1 variables. De esta forma, con el modelo se hace la estimación del efecto de las propiedades y sus niveles sobre las valoraciones Kansei. Usando el modelo se puede estimar el coeficiente de determinación R2 y los Coeficientes de Correlación Parcial (CCP) para cada Xjk. El coeficiente de determinación mide el efecto global del espacio de propiedades sobre cada valoración Kansei y el CCP, mide el efecto de cada propiedad sobre esta. El modelo permite estimar los (CS) Category Scores que cuantifica el efecto de cada nivel de cada propiedad sobre la valoración Kansei.