Tesis doctorales de la Escuela Internacional de Doctorado de la URJC desde el curso 2024/25
Evaluación Comparativa de Metodologías Tradicionales y de Inteligencia Artificial para la Medición en Marketing: Modelos Econométricos, Machine Learning y LLMs
Autor
ESTEVEZ MUÑOZ, MACARENA
Director
SAINZ GONZÁLEZ, JORGE
Codirector
BALLESTAR DE LAS HERAS, MARÍA TERESA
Fecha de depósito
29-09-2026
Periodo de exposición pública
30 de septiembre a 14 de octubre de 2026
Fecha de defensa
Sin especificar
Programa
Ciencias de la Economía y de la Empresa
Mención internacional
No
Resumen
La presente investigación doctoral analiza de manera sistemática el papel que desempeñan las metodologías tradicionales de análisis y las tecnologías basadas en inteligencia artificial (IA) en la transformación de la analítica de marketing y, en un sentido más amplio, de los sistemas de evaluación utilizados para comprender el comportamiento humano, el rendimiento empresarial y las percepciones sociales.
El objetivo central es examinar, desde una perspectiva crítica, cómo estas nuevas herramientas amplían, modifican o reconfiguran los marcos cuantitativos clásicos que han sustentado históricamente la investigación de mercados y las ciencias sociales aplicadas.
La aportación original de la tesis consiste en demostrar empíricamente cómo los métodos tradicionales y los sistemas de IA pueden combinarse para mejorar la modelización del marketing, la investigación de mercados y la interpretación sociocultural, proponiendo criterios operativos de validez y uso que delimitan en qué condiciones ambos enfoques resultan sustitutos, complementarios o ampliadores.
La tesis parte de un hecho relevante: la expansión de la IA generativa ha alterado la forma en que se procesan datos, se construyen modelos y se generan interpretaciones analíticas. Esta transformación no es únicamente tecnológica, sino que implica cambios metodológicos, epistemológicos y profesionales que afectan al modo en que se produce, contrasta y utiliza el conocimiento. En este marco, el trabajo examina las implicaciones analíticas, operativas y culturales de incorporar sistemas generativos en procesos de decisión, diseño de estudios y evaluación social.
La investigación se organiza en tres estudios empíricos articulados en torno a los niveles micro, meso y macro, lo que permite abordar la transformación inducida por la IA desde una perspectiva multiescalar.
En el nivel micro, el primer artículo compara modelos econométricos tradicionales de Marketing Mix Modeling (MMM) con modelos automatizados basados en Machine Learning.
En el nivel meso, el segundo artículo evalúa la capacidad de los modelos de lenguaje generativo (LLMs) para simular estudios de investigación de mercados en el sector cervecero español.
En el nivel macro, el tercer artículo analiza la validez contextual y los sesgos culturales de los LLMs en encuestas sociales comparadas, tomando como referencia el European Social Survey (ESS) en España y Finlandia.
Esta estructura permite contrastar cómo opera la IA en ámbitos corporativos, sectoriales y socioculturales mediante criterios homogéneos de interpretación y evaluación.
Primera línea: Modelos de Marketing Mix (MMM): tradición frente a automatización
El primer artículo examina el contraste entre los enfoques econométricos tradicionales que han configurado los MMM desde los años sesenta y las soluciones automatizadas como Robyn, diseñadas para ofrecer escalabilidad y rapidez.
Los MMM clásicos dependen del ajuste experto: selección de variables, decisiones sobre adstocks y curvas de saturación, incorporación de conocimiento del negocio y evaluación detallada de la estructura del modelo. Este enfoque proporciona interpretabilidad y capacidad diagnóstica, atributos esenciales para la toma de decisiones empresariales y para la estimación de efectos causales relevantes.
Sin embargo, su construcción requiere tiempo, recursos y experiencia especializada, lo que limita su adopción en contextos donde la velocidad y la rotación de equipos son elevadas. Además, la intervención manual conlleva riesgos de sesgo derivados de las decisiones del analista.
Las soluciones automatizadas, como Robyn, responden a estas limitaciones mediante el uso de algoritmos evolutivos, transformaciones automatizadas y simulaciones preconfiguradas. Democratizan la modelización y permiten evaluar múltiples configuraciones en menor tiempo.
Su principal debilidad reside en la menor trazabilidad de los parámetros y en la dificultad para interpretar decisiones internas del algoritmo, lo que puede reducir la confianza de los equipos directivos.
El estudio empírico de la tesis compara ambos enfoques en términos de rendimiento predictivo, transparencia, alineación con el negocio y utilidad diagnóstica. La conclusión indica que los modelos automatizados destacan en escalabilidad y eficiencia, mientras que los tradicionales mantienen una ventaja significativa en interpretabilidad y robustez estratégica. Ninguno sustituye por completo al otro: su combinación bajo supervisión experta constituye una estrategia metodológica más sólida que su uso aislado.
Segunda línea: LLMs y la investigación de mercados en el sector cervecero
El segundo artículo, ubicado en el nivel meso, analiza si los LLMs pueden reproducir con validez suficiente los resultados de una investigación de mercados tradicional. Para ello, se diseñó una encuesta representativa de 1.003 personas en España —realizada por MásMétrica— y se compararon sus resultados con las respuestas generadas por ChatGPT, Gemini, Claude y LLaMa, formuladas bajo perfiles sociodemográficos específicos.
La comparación se efectuó mediante tres métricas: chi-cuadrado de homogeneidad, distancia de Jensen–Shannon (JSD) y diferencia absoluta media (MAD). Los resultados muestran que, aunque ningún modelo reproduce completamente la distribución empírica, algunos ofrecen niveles altos de similitud en preguntas referidas a atributos del producto o comportamientos frecuentes, especialmente cuando existen referencias abundantes en sus datos de entrenamiento.
Por el contrario, los LLMs presentan limitaciones claras en variables relacionadas con intenciones futuras o motivaciones, áreas que requieren información no directamente observable. El estudio sugiere que los LLMs poseen una elevada capacidad para generar aproximaciones descriptivas, pero menor habilidad para captar dimensiones actitudinales o prospectivas.
En términos aplicados, estos hallazgos indican que los LLMs pueden reducir costes y acelerar etapas exploratorias de un proyecto de investigación, aunque deben enmarcarse en procesos de validación rigurosos.
El estudio muestra que los LLMs funcionan como herramientas complementarias, no como sustitutos de las encuestas tradicionales, cuya representatividad y validez empírica siguen siendo esenciales.
Tercera línea: sesgos culturales y validez contextual de los LLMs en encuestas sociales
El tercer artículo amplía el análisis al nivel macro y examina el rendimiento de los LLMs en encuestas sociales comparadas, utilizando como referencia el módulo Gender in Contemporary Europe del ESS. El estudio se realizó antes de la publicación de los microdatos, lo que permitió evaluar la capacidad predictiva de los modelos sin retroalimentación empírica posterior.
Los resultados muestran que los LLMs reproducen con relativa precisión preguntas relacionadas con experiencias personales, con divergencias reducidas en métricas como la Distancia de Jensen–Shannon (JSD), la Distancia de Hellinger (HD) y la Diferencia Media Absoluta Relativa (RMAD). No obstante, presentan menor exactitud en ítems que requieren interpretar percepciones colectivas o normas sociales, ámbitos donde influyen marcos ideológicos, narrativas nacionales y representaciones culturales específicas.
La comparación entre España y Finlandia revela patrones claros: en el caso español, los modelos tienden a sobreestimar la desigualdad percibida, mientras que en Finlandia tienden a infravalorarla. Estas desviaciones sugieren que los LLMs operan mediante representaciones culturales internalizadas que no siempre coinciden con las percepciones reales de la población. El estudio contribuye así a la consolidación de un campo emergente: la auditoría cultural de la IA.
Conclusión integradora
Los tres estudios permiten formular una visión conjunta sobre la relación entre metodologías tradicionales y sistemas de IA en la analítica de marketing y en la investigación social.
El análisis micro muestra que los MMM tradicionales ofrecen rigor causal e interpretabilidad, mientras que los modelos automatizados amplían la capacidad operativa y la velocidad de evaluación.
El nivel meso demuestra que los LLMs pueden actuar como aproximadores válidos de patrones de consumo cuando se trata de atributos documentados, pero exhiben límites en dimensiones actitudinales y prospectivas.
El nivel macro evidencia que los LLMs incorporan y reproducen sesgos culturales, lo que exige marcos de validación específicos para estudios comparados.
En conjunto, la tesis argumenta que el futuro de la analítica aplicada no reside en optar entre métodos clásicos o IA, sino en articular un marco híbrido que preserve la interpretación humana como componente central y utilice la IA para ampliar capacidades, acelerar procesos y democratizar el acceso al análisis avanzado.
Este marco reconoce el valor de la econometría para la identificación causal, la aportación de la IA para la escalabilidad y la generación de escenarios, y la necesidad de incorporar sensibilidad cultural en contextos comparativos.
Esta articulación metodológica constituye precisamente la aportación original de la tesis: un marco híbrido que delimita las condiciones de validez, las ventajas comparativas y los usos prácticos de los métodos tradicionales y de los sistemas basados en IA en distintos niveles de análisis.
La investigación ofrece así un conjunto de evidencias y criterios que orientan a empresas, investigadores y responsables públicos en la adopción segura, crítica y científicamente fundamentada de la IA en marketing y ciencias sociales.
