Relatore Dott. Mattia Arienti

Presentazione sul tema: "Relatore Dott. Mattia Arienti"— Transcript della presentazione:

1 Relatore Dott. Mattia Arienti
L’analisi statistica nelle ricerche di mercato Relatore Dott. Mattia Arienti

2 l’analisi statistica nelle ricerche di mercato
Le applicazioni statistiche nelle ricerche di mercato Identificazione dell’influenza reciproca fra le variabili Riduzione  sintesi Rappresentazione  mapping Focus sulle principali tecniche di analisi multivariata (scopi, esempi, considerazioni) L’influenza fra variabili Le correlazioni e un’importante analisi derivata: la driver analysis, mirata all’individuazione di punti di forza e aree di opportunità per i prodotti monitorati I metodi di riduzione dei dati L’analisi dei fattori La cluster analysis I modelli di posizionamento Il brand mapping e l’analisi delle corrispondenze

3 La statistica e le ricerche di mercato

4 la statistica LA STATISTICA E’ LA SCIENZA DELL’INCERTO, DEL PROBABILE
E’ UN MODUS OPERANDI CHE CONSENTE DI MUOVERSI ALL’INTERNO DI SCENARI CIRCOSCRITTI NELLA CONSAPEVOLEZZA DEL LIVELLO DI ALEATORIETA’ DELL’AMBIENTE IN CUI CI SI TROVA “la statistica è la filosofia del numero, consente di dargli pensiero e voce; permette di ascoltare anche ciò che non è stato esplicitamente detto”

5 le possibili applicazioni statistiche nelle ricerche di mercato
IDENTIFICAZIONE DELL’INFLUENZA RECIPROCA FRA VARIABILI RIDUZIONE DELLE INFORMAZIONI  SINTESI RAPPRESENTAZIONE DELLE EVIDENZE  MAPPING

6 L’identificazione dell’influenza reciproca fra variabili:
la correlazione lineare

7 l’analisi di correlazione
CONSENTE DI MISURARE LA RELAZIONE TRA COPPIE DI VARIABILI QUANTITATIVE RISPONDE A 2 DOMANDE: All’aumentare di una delle 2 variabili come si comporta l’altra? Aumenta o diminuisce? se all’aumentare di una variabile anche l’altra aumenta (in media) si dice che le due variabili hanno una correlazione diretta o positiva (+), in caso contrario che hanno correlazione inversa o negativa (-) Esempi di correlazione diretta: dimensione di un appartamento e prezzo di vendita, livello di istruzione e classe socio-economica,… Esempio di correlazione inversa: classicamente, costo di un prodotto con propensione all’acquisto,…

8 l’analisi di correlazione
Di quanto aumenta/diminuisce una variabile se l’altra variabile aumenta/diminuisce di una unità? L’indicatore statistico che consente di rispondere a questa domanda è il COEFFICIENTE DI CORRELAZIONE LINEARE PERFETTA correlazione DIRETTA (o positiva) fra le due variabili Al crescere unitario dell’una corrisponde una crescita unitaria dell’altra + 1 PERFETTA correlazione INVERSA (o negativa) fra le due variabili Al crescere unitario dell’una corrisponde una riduzione unitaria dell’altra - 1 All’interno di questi due casi limite (molto rari nella realtà)… … a valori negativi del coefficiente corrisponde una relazione inversa … a valori prossimi allo 0 corrisponde una relazione nulla … a valori positivi corrisponde una relazione diretta …fra le 2 variabili

9 Un’ importante applicazione
della correlazione: la driver analysis

10 driver analysis QUANDO SI UTILIZZA? A COSA SERVE? COME FUNZIONA?
QUALI DOMANDE DEVE CONTENERE IL QUESTIONARIO DI INTERVISTA? L’OUTPUT: COME NASCE, COME SI INTERPRETA, QUALI RISPOSTE OPERATIVE FORNISCE

11 driver analysis: quando si utilizza? a cosa serve?
ANALISI DI PRODOTTO (A LIVELLO DI CONCETTO, PERFORMANCE IN USE, PACK,…) … per definire il livello di importanza dei diversi attributi che caratterizzano un brand, un prodotto o un servizio

12 driver analysis: come funziona?
La driver analysis si basa sulla lettura congiunta di 2 misurazioni: l’impatto di ciascun aspetto del profilo di immagine sul gradimento espresso per il prodotto  IMPORTANZA DERIVATA (coefficiente di correlazione lineare): misura indiretta – non direttamente dichiarata dall’intervistato - del peso di ciascun item sull’overall liking la percentuale di rispondenti che associano ogni singolo item al prodotto in test La rappresentazione grafica di tali misurazioni consente di generare una mappa bidimensionale (assi cartesiani) suddivisa in 4 quadranti, ognuno dei quali raggruppa un sottoinsieme di items di immagine funzionalmente alle rispettive “implicazioni di marketing”

13 driver analysis: le domande del questionario
Overall liking mi può dire nel complesso quanto le piace questo prodotto? Per rispondere utilizzi un punteggio da 1 a 10, dove 1 significa che il prodotto non le piace per niente e 10 che le piace moltissimo Product profile (batteria di item) Le leggerò ora una serie di affermazioni che altre persone prima di lei hanno fatto parlando di questo prodotto; lei dovrebbe dirmi quanto è in accordo o in disaccordo con ognuna di esse. Per esprimere il suo giudizio utilizzi un punteggio da 1 a 10, considerando che 1 significa che è completamente in disaccordo con l’affermazione e 10 che è completamente d’accordo”.

14 driver analysis: la mappatura dei risultati
Ogni aspetto di prodotto – item – può essere posizionato su una mappa attribuendogli le seguenti coordinate: Ascissa (asse orizzontale) IMPORTANZA DERIVATA  rappresentata dal COEFFICIENTE DI CORRELAZIONE di ciascun item rispetto all’overall liking di prodotto (qual è l’impatto dell’item sull’apprezzamento complessivo del prodotto?) Ordinata (asse verticale) % CON CUI LO SPECIFICO ITEM E’ STATO ASSOCIATO AL PRODOTTO  grado di accordo registrato nel product profile (quanto l’item è linkato al prodotto?)

15 driver analysis: esempio di output
+ DRIVER IMPORTANZA DERIVATA (correlazione item-overall liking) % di associazione item/ prodotto (TOP 2* BOXES – grado di accordo) OPPORTUNITY OVERCLAIMED NOT RELEVANT

16 IMPORTANZA DERIVATA (correlazione item-overall liking)
driver analysis: 1° dimensione importanza derivata (misurata attraverso il coefficiente di correlazione) attributi meno impattanti sul gradimento attributi maggiormente impattanti sulla valutazione di prodotto – IMPORTANZA DERIVATA (correlazione item-overall liking) +

17 driver analysis: 2° dimensione % di associazione item/prodotto
+ attributi maggiormente riconosciuti al prodotto % di associazione item/ prodotto (TOP 2* BOXES – grado di accordo) attributi meno associati al prodotto – * Funzionalmente al mercato in esame può essere preferibile considerare il TOP BOX

18 driver analysis: analisi dell’output - i driver di prodotto: punti di forza -
Impatto superiore alla media Associazione superiore alla media Gli items appartenenti a questo quadrante rappresentano i punti di forza del prodotto  si tratta di aspetti riconosciuti al prodotto e impattanti sul gradimento + % di associazione item/ prodotto (TOP 2* BOXES – grado di accordo) IMPORTANZA DERIVATA (correlazione item-overall liking) +

19 driver analysis: analisi dell’output - opportunità / punti di debolezza -
% di associazione item/ prodotto (TOP 2* BOXES – grado di accordo) OPPORTUNITY Impatto superiore alla media Associazione inferiore alla media Gli items appartenenti a questo quadrante rappresentano un’area di possibile ottimizzazione  si tratta di aspetti impattanti sul gradimento ma non “comunicati” a sufficienza dal prodotto – IMPORTANZA DERIVATA (correlazione item-overall liking) +

20 driver analysis: analisi dell’output - overclaimed -
Impatto inferiore alla media Associazione superiore alla media Gli items appartenenti a questo quadrante possono rappresentare un’area di “diseconomia”  si tratta di aspetti riconosciuti al prodotto ma poco impattanti sul gradimento. Attenzione: in quest’area rientrano anche gli item considerati come “dovuti” per i prodotti appartenenti alla categoria in esame e che, come tali, non possono mancare al ns prodotto + % di associazione item/ prodotto (TOP 2* BOXES – grado di accordo) IMPORTANZA DERIVATA (correlazione item-overall liking) –

21 driver analysis: analisi dell’output - gli aspetti poco rilevanti -
% di associazione item/ prodotto (TOP 2* BOXES – grado di accordo) NOT RELEVANT Impatto inferiori alla media Associazione inferiori alla media Gli items appartenenti a questo quadrante non risultano impattanti sul gradimento per il prodotto – IMPORTANZA DERIVATA (correlazione item-overall liking) –

22 driver analysis: come sfruttare operativamente l’output
La presenza di items nei quadranti “OVERCLAIMED” e “OPPORTUNITÀ” suggerisce la possibilità di un’ottimizzazione nell’allocazione delle risorse e/o delle attività a supporto del prodotto secondo lo schema sotto riportato: disinvestire negli attributi attualmente sovrastimati (non i “dovuti”!) sul cui mantenimento si stanno “spendendo” risorse… …in modo da far “ricadere” tali fattori nel quadrante di non rilevanza… …liberare risorse da investire negli aspetti che rappresentano le attuali opportunità per il prodotto… …rendendoli futuri punti di forza per il prodotto + OVERCLAIMED DRIVER 1 4 % di associazione item/ prodotto (TOP 2* BOXES – grado di accordo) 2 3 NOT RELEVANT OPPORTUNITY – – IMPORTANZA DERIVATA (correlazione item-overall liking) +

23 La driver analysis case history

24 Analisi conoscitiva del Centro Medico XXXX

25 Premessa e obiettivi della ricerca
Il Centro Medico XXXX nasce con l’intento di interpretare un bisogno sanitario emergente e diffuso: una medicina specialistica di alto livello anche in aree attualmente poco coperte dal servizio pubblico, a costi accessibili, rapida nell’intervento, attenta ai bisogni anche relazionali del paziente A qualche mese dall’inaugurazione della Struttura Sanitaria, la Società Proprietaria - avvertendo l’esigenza di tracciare un primo bilancio sul Centro - ha commissionato una ricerca quantitativa mirata ad indagare vissuto, percezioni ed intenzioni future del proprio bacino d’utenza. Nel dettaglio, la ricerca ha perseguito i seguenti obiettivi conoscitivi: profilare il parco pazienti analizzare le dinamiche e le motivazioni che hanno comportato “l’approdo al Centro” indagare l’immagine del Centro agli occhi dei propri utenti monitorare il livello di soddisfazione, sia a livello complessivo che in relazione alle diverse aree che compongono l’offerta  qualità dei servizi, personale medico, accessibilità, servizio di informazione e accoglienza

26 Soddisfazione dell’utenza

27 INFORMAZIONE E ACCOGLIENZA
La soddisfazione per le diverse macro-aree Dati % BASE: totale campione (400) D12 (qualità dei servizi offerti) - d14 (personale medico operante) - d16 (accessibilità) - d18 (servizi informazione e accoglienza) D10 Nel complesso, secondo la sua esperienza personale, quanto è soddisfatto-a del Centro XXXX VOTO MEDIO (1-10) 8.22 8.24 8.25 8.49 8.21 TOP 3 (8+9+10) 86% 81% 81% 82% 80% 48% TOP 2 (9+10) 41% 36% 35% 36% Soddisfazione complessiva CENTRO XXXX Soddisfazione complessiva QUALITÀ DEI SERVIZI Soddisfazione complessiva PERSONALE MEDICO Soddisfazione complessiva ACCESSIBILITÀ Soddisfazione complessiva INFORMAZIONE E ACCOGLIENZA Voto 10 Voto 9 Voto 8

28 La soddisfazione per la qualità dei servizi
Dati % BASE: totale campione (400) D13 Le leggerò ora alcuni specifici aspetti inerenti la qualità dei servizi. Per ciascuno di essi mi dica quanto è soddisfatto D12 Nel complesso quanto è soddisfatto-a della qualità dei servizi offerti dal centro? VOTO MEDIO (1-10) 8.24 8.19 8.24 8.05 8.03 7.98 Il livello di soddisfazione per la macro-area nel proprio complesso è superiore ai riscontri ottenuti dai singoli aspetti che la compongono (“il tutto è più della somma delle sue parti”), sintomatico di un “positivo alone” che enfatizza le performance del Centro agli occhi dei propri pazienti. 39% TOP 2 (9+10) 35% 35% 32% 28% 29% Soddisfazione complessiva QUALITA’ DEI SERVIZI Soddisfazione durata della vista/esame Soddisfazione accuratezza della visita Soddisfazione attrezzature, strumentazione Soddisfazione ampiezza e varietà delle prestazioni Soddisfazione abbinamento visita medica e esame diagnostico Voto 10 Voto 9

29 La soddisfazione per il personale medico
Dati % BASE: totale campione (400) D15 Le leggerò ora alcuni specifici aspetti inerenti il personale medico che lavora nel Centro XXXX. Per ciascuno di essi mi dica quanto è soddisfatto D14 Nel complesso quanto è soddisfatto-a del personale medico operante nel centro? VOTO MEDIO (1-10) 8.25 8.36 8.60 8.27 8.26 8.20 53% 46% TOP 2 (9+10) 41% 42% 39% 37% Soddisfazione complessiva PERSONALE MEDICO Soddisfazione competenza Soddisfazione gentilezza e disponibilità Soddisfazione completezza delle spiegazioni fornite in sede di visita Soddisfazione chiarezza delle spiegazioni fornite durante la visita Soddisfazione chiarezza delle informazioni relative all’intero percorso di prevenzione/cura Voto 10 Voto 9 Miglior performance fra tutti gli aspetti monitorati

30 La soddisfazione per l’accessibilità
Dati % BASE: totale campione (400) D16 Nel complesso quanto è soddisfatto-a dell’accessibilità del centro (facilità con cui si può usufruire dei servizi offerti dal Centro)? D17 Le leggerò ora alcuni specifici aspetti inerenti l’accessibilità del centro. Per ciascuno di essi mi dica quanto è soddisfatto VOTO MEDIO (1-10) 8.49 8.27 8.47 8.35 8.24 8.56 48% 50% 47% TOP 2 (9+10) 46% 42% 40% Soddisfazione complessiva ACCESSIBILITA’ Soddisfazione prezzi delle prestazioni Soddisfazione facilità di prenotazione Soddisfazione tempi per ottenere un appuntamento Soddisfazione orari di apertura Soddisfazione facilità di raggiungere la sede Voto 10 Voto 9 Dopo la “gentilezza e disponibilità” del personale medico, risulta l’aspetto cui vengono attribuiti i punteggi più elevati

31 INFORMAZIONE E ACCOGLIENZA
La soddisfazione per il servizio di informazione e accoglienza Dati % BASE: totale campione (400) D18 Nel complesso quanto è soddisfatto-a dei servizi di informazione e accoglienza presenti all’interno del Centro XXXX? D19 Le leggerò ora alcuni specifici aspetti inerenti i servizi di informazione e accoglienza del centro. Per ciascuno di essi mi dica quanto è soddisfatto VOTO MEDIO (1-10) 8.21 7.97 8.21 8.04 TOP 2 (9+10) 36% 37% 35% 32% Soddisfazione complessiva INFORMAZIONE E ACCOGLIENZA Soddisfazione sportello di informazione e orientamento Soddisfazione reception/ accoglienza Soddisfazione servizio telefonico Voto 10 Voto 9

32 l’analisi dei driver alla soddisfazione complessiva
I singoli aspetti: l’analisi dei driver alla soddisfazione complessiva Per poter restituire una fotografia traducibile in indicazioni operative sulle priorità di intervento delle performance afferenti gli specifici aspetti (durata della visita, accuratezza, prezzi delle prestazioni, …) è stata effettuata una Driver Analysis considerando in modo congiunto 2 diverse misurazioni: la soddisfazione (performance) registrata da ogni singolo aspetto l’importanza di ciascun aspetto sul giudizio complessivo  elaborato attraverso analisi di correlazione + attributi meno impattanti sul gradimento attributi maggiormente impattanti sulla valutazione di prodotto ASPETTI MENO IMPATTANTI sulla valutazione complessiva ASPETTI PIÙ IMPATTANTI sulla valutazione complessiva ASPETTI con livello di soddisfazione PIÙ ELEVATO PERFORMANCE ASPETTI con livello di soddisfazione MENO ELEVATO – IMPORTANZA (correlazione soddisfazione aspetto-soddisfazione overall) – +

33 Area della valorizzazione Area del miglioramento
I singoli aspetti: l’analisi dei driver alla soddisfazione complessiva + Area della valorizzazione Area del mantenimento PERFORMANCE (top 2 boxes) Area del controllo Area del miglioramento – – + GRADO DI IMPORTANZA SULLA SODDISFAZIONE COMPLESSIVA (correlazione)

34 Area della valorizzazione Area del miglioramento
I singoli aspetti: l’analisi dei driver alla soddisfazione complessiva servizio telefonico reception / accoglienza sportello di informazione e orientamento facilità di raggiungere la sede orari di apertura tempi per ottenere un appuntamento facilità di prenotazione prezzi delle prestazioni chiarezza delle informazioni sul percorso di prevenzione/cura chiarezza delle spiegazioni fornite durante la visita completezza delle spiegazioni fornite in sede di visita gentilezza e disponibilità competenza abbinamento di visita medica e esame diagnostico ampiezza e varietà delle prestazioni offerte attrezzature, strumentazione accuratezza della visita durata della visita/esame + Area della valorizzazione Area del mantenimento PERFORMANCE (top 2 boxes) Area del controllo Area del miglioramento – – + GRADO DI IMPORTANZA SULLA SODDISFAZIONE COMPLESSIVA (correlazione) QUALITA’ DEI SERVIZI PERSONALE MEDICO ACCESSIBILITA’ INFORMAZIONE E ACCOGLIENZA

35 Considerazioni conclusive
Alcuni suggerimenti ottimizzativi appaiono essere: PRIORITA’ INTERVENTO ASPETTO MACRO-AREA MODALITÀ chiarezza delle informazioni relative all’intero percorso di prevenzione/cura 1° migliorare personale medico “sul campo” ampiezza e varietà delle prestazioni offerte 2° attività di comunicazione (esterna e interna) migliorare qualità dei servizi ottimizzare (per farne punto di forza del centro) chiarezza delle spiegazioni fornite durante la visita 3° personale medico “sul campo” 4° valorizzare prezzi delle prestazioni accessibilità attività di comunicazione attività di comunicazione 5° valorizzare facilità di prenotazione accessibilità

36 correlazione vs regressione
Per analizzare la relazione esistente fra variabili quantitative (misurabili), in “alternativa” alla correlazione, si può adottare la regressione lineare. E’ però bene sapere che fra le due metodologie esistono differenze negli assunti teorici che si riflettono nel diverso portato informativo delle stesse. CORRELAZIONE E’ una misura simmetrica del legame fra 2 caratteristiche  l’ipotesi è che le variabili si influenzino reciprocamente, ovvero che a modifiche nell’andamento dell’una corrispondano variazioni nell’andamento dell’altra. REGRESSIONE LINEARE Ipotizza che fra le variabili esista un rapporto causa-effetto, ovvero che ve ne siano alcune esplicative (indipendenti) e una dipendente (target)  l’antefatto teorico è quindi che vi sia una relazione lineare e unidirezionale. Inoltre, nel computo dei coefficienti di regressione lineare associati alle diverse caratteristiche in esame entra in gioco il contributo fornito simultaneamente da tutte le variabili esplicative  i parametri di regressione sono quindi “influenzati” dal contesto di riferimento. Poiché la correlazione analizza il rapporto fra 2 variabili (al netto pertanto dell’influenza delle altre), risulta consigliata in ottica di tracking/indagini ripetute a distanza di tempo  variazioni nel coefficiente di correlazione sono infatti imputabili a modifiche intervenute esclusivamente fra le variabili in esame e non a causa di cambiamenti a livello di scenario. Nella realtà - e non nell’astrazione teorica – spesso le variabili non hanno effetti unidirezionali di causa/effetto ma si influenzano reciprocamente (gradimento overall  valutazione singolo item). + Consente di capire l’apporto puro generato da una specifica variabile indipendente sulla variabile target, al netto di quanto già “spiegato” dalle altre caratteristiche esplicative monitorate. +

37 La riduzione delle informazioni:
l’analisi fattoriale e la cluster analysis

38 la riduzione dei dati: dall’analisi alla sintesi
DATI ANALITICI Il passaggio da DATI SINTETICI a comporta necessariamente una PERDITA DI INFORMAZIONE CONTRARIAMENTE ALL’ACCEZIONE COMUNE, NON NECESSARIAMENTE UNA PERDITA DI INFORMAZIONE CORRISPONDE AD UN EVENTO NEGATIVO! se opportunamente effettuata, la riduzione dei dati comporta la sottrazione solo delle informazioni di disturbo/ridondanti che possono minare l’individuazione delle evidenze effettivamente rilevanti

39 la riduzione dei dati: l’analisi fattoriale e la cluster
L’analisi dei fattori e la cluster analysis costituiscono 2 fra le tecniche di statistica multivariata che permettono di effettuare una opportuna riduzione dei dati. In particolare… LA FATTORIALE HA L’OBIETTIVO DI INDIVIDUARE RELAZIONI TRA VARIABILI  RAGGRUPPA VARIABILI LA CLUSTER HA LO SCOPO DI CLASSIFICARE SOGGETTI IN GRUPPI  RAGGRUPPA LE UNITA’ DI RILEVAZIONE

40 L’analisi fattoriale

41 analisi fattoriale: scopi e fondamenta
Lo scopo principale dell'AF è l'individuazione di relazioni tra variabili: serve a raggruppare e riassumere variabili. L'idea è che un numero anche ampio di variabili possa essere adeguatamente spiegato con un numero relativamente piccolo di costrutti: fattori = variabili latenti (non direttamente dichiarate o esplicitate) che influenzano le variabili in esame.

42 l’analisi fattoriale e la correlazione fra le variabili
- L'AF si basa sulla correlazione esistente fra gli item  l’assunto è che “se due item sono correlati fra loro allora esiste un fattore (latente) comune a entrambi che ne spiega parte della variabilità” - L’Analisi fattoriale non può pertanto prescindere dall’analisi delle correlazioni in quanto il coefficiente di correlazione rappresenta la misura della relazione tra due variabili quantitative (gli item in questo caso) - I coefficienti della matrice fattoriale (factor loadings) sono i coefficienti di correlazione tra item e fattore.

43 analisi fattoriale: considerazioni generali

44 analisi fattoriale: considerazioni generali
IL CRITERIO CHE GUIDA L’ANALISI FATTORIALE E’ IL PRINCIPIO DI PARSIMONIA SCIENTIFICA: il modello ottimale è quello che si ottiene quando inserendo ulteriori variabili non si ottiene un beneficio interpretativo e, contemporaneamente, sottraendo anche solo una variabile si ottiene uno svantaggio interpretativo IN TERMINI PROSAICI: Non complicare il modello oltre il dovuto!

45 analisi fattoriale: gli assunti
Prendendo le mosse dalle correlazioni esistenti fra le diverse variabili, l’analisi dei fattori necessita di dati quantitativi. L’AF richiede campioni di numerosità piuttosto elevata (circa 10 casi per ciascuna variabile analizzata  almeno 200 casi per 20 item monitorati)

46 analisi fattoriale: gli step che conducono ai fattori
SELEZIONE DELLE VARIABILI Le variabili devono appartenere a un contesto omogeneo es. valori o atteggiamenti o comportamenti  Mescolare ambiti diversi può rendere i fattori difficilmente interpretabili CALCOLO DELLA MATRICE DELLE CORRELAZIONI TRA LE VARIABILI ED ESTRAZIONE DEI FATTORI I fattori estratti sono ortogonali ovvero NON correlati fra loro Sono in ordine decrescente per varianza spiegata: il primo fattore è, fra tutti, quello che spiega la maggior parte della variabilità degli item, e così via QUANTI FATTORI ESTRARRE? Criterio della % di varianza spiegata  principio di parsimonia scientifica Il parametro più rilevante circa il numero di fattori da estrarre resta in ogni caso la leggibilità e l’interpretazione dei fattori per poter fruire operativamente degli stessi

47 analisi fattoriale: esempio di output
23 item ® 3 fattori (75% della varianza) vicinanza utilità servizio film sport famiglia

48 L’analisi fattoriale case history

49 Profilo del lavoro ideale: analisi fattoriale e impatto dei macrofattori
Base: totale campione Permettermi di muovermi in un contesto molto competitivo Darmi gli strumenti per diventare un buon manager Aiutarmi a completare la mia formazione Essere l’occasione per ampliare le mie conoscenze su altri campi Permettermi di sviluppare al massimo le mie potenzialità DESCRITTORI PRIMARI Darmi la possibilità di fare carriera velocemente Farmi guadagnare da subito tanti soldi Darmi la possibilità di rimanere nella mia città Essere stabile, darmi sicurezza Lasciare spazio e tempo alla mia vita privata Permettermi di spaziare tra diversi dipartimenti/funzioni Permettermi di creare una rete di conoscenze Lavoro di squadra Offrirmi una persona di riferimento che mi aiuti ad inserirmi nell’attività lavorativa Assolutamente attinente alla mia formazione Assolutamente attinente ai miei interessi Permettermi di specializzarmi sempre di più nel mio campo di competenza Farmi operare in perfetta autonomia Permettermi di distinguermi rispetto agli altri

50 Profilo dell’azienda ideale: analisi fattoriale e impatto dei macrofattori
Base: totale campione Offre possibilità di guadagni elevati Offre possibilità di carriera rapida Offre possibilità di fare carriera Solida/stabile economicamente DESCRITTORI PRIMARI Opera in un settore di mio interesse Offre posizione in linea con i miei interessi Opera in settore coerente coi miei studi Pone grande attenzione alla formazione offerta ai giovani come me Italiana Azienda di cui sono stato un cliente soddisfatto Azienda leader nel proprio settore Vicina a casa/alla mia città di origine Offre la possibilità di viaggiare Internazionale Azienda poco burocratica Ambiente di lavoro giovane Ambiente di lavoro sereno, collaborativo, poco competitivo Offre flessibilità degli orari lavorativi Offre la possibilità di lavorare in più dipartimenti/funzioni dell’Azienda Consente di conciliare lavoro e vita privata

51 i principali utilizzi dei fattori
I fattori individuati posso essere utilizzati IN UN’OTTICA SINTETICA  PER INDIVIDUARE AGGREGAZIONI DI VARIABILI minimizzando la perdita delle informazioni PER MONITORARE L’INFLUENZA DEI MACRO-FATTORI INDIVIDUATI SU ALTRE VARIABILI CORE (es: correlazione fra i fattori e l’overall liking di un prodotto) COME VARIABILI ATTRAVERSO CUI SEGMENTARE LA POPOLAZIONE Come ingrediente della CLUSTER ANALYSIS

52 La cluster analysis

53 cluster analysis definizione ed obiettivi
La Cluster Analysis è un’analisi statistica multivariata utilizzata per classificare i rispondenti in gruppi - clusters. La segmentazione, ovvero l’appartenenza ad un cluster, viene realizzata facendo in modo che i gruppi siano il più possibile omogenei al proprio interno, ma il più possibile disomogenei tra di loro. L’identificazione dei diversi cluster viene solitamente realizzata attraverso l’analisi delle attitudini (o dei comportamenti) espresse dagli intervistati, rispondendo ad una batteria di item. Ogni “cluster” viene descritto analizzando il profilo dei suoi appartenenti.

54 cluster analysis la segmentazione della popolazione
LA CLUSTER HA LO SCOPO DI CLASSIFICARE SOGGETTI IN GRUPPI  RAGGRUPPA LE UNITA’ DI RILEVAZIONE K Cluster B Cluster A Cluster C

55 cluster analysis come funziona?
LA C.A. RAGGRUPPA NELLO STESSO CLUSTER CASI VICINI TRA LORO NELLO SPAZIO DEFINITO DALLE VARIABILI DI CLASSIFICAZIONE CONSIDERATE  SE SI MODIFICA IL PANIERE DELLE VARIABILI SU CUI SI CREANO I CLUSTER SI MODIFICANO ANCHE I CLUSTER CHE SI OTTENGONO è quindi opportuno sapere che…

56 cluster analysis: un’opportuna scelta delle variabili di classificazione (1/2)
Le variabili di classificazione su cui eseguire la CA devono essere scelte con cura in quanto rappresentano gli ingredienti attraverso cui si definiscono i cluster Le variabili selezionate devono essere buoni indicatori delle similarità tra i soggetti rispetto al problema in esame (variabili attitudinali, comportamentali, …)  l’inclusione di variabili irrilevanti può modificare (rendere meno interpretabili) i risultati.

57 cluster analysis: un’opportuna scelta delle variabili di classificazione (2/2)
Inoltre… L'INSERIMENTO DI DUE VARIABILI FORTEMENTE CORRELATE O CON SIGNIFICATI ANALOGHI EQUIVALE AD ATTRIBUIRE PESO DOPPIO ALL'INFORMAZIONE IN ESSE CONTENUTA. ecco perché di solito le variabili di classificazione vengono preventivamente sottoposte ad ANALISI FATTORIALE che restituisce macrovariabili ortogonali (non correlate) fra loro su tali factor scores viene quindi eseguito l’algoritmo di cluster analysis

58 cluster analysis: il processo di clusterizzazione
IL PROCESSO DI IDENTIFICAZIONE DEI CLUSTER È INTERATTIVO E DINAMICO SCELTA DELLE VARIABILI DI CLASSIFICAZIONE 1° formulazione del numero ipotetico di cluster applicazione dell’algoritmo di estrazione dei cluster analisi dei risultati dell’algoritmo IDENTIFICAZIONE, PROFILAZIONE E NAMING DEI CLUSTER

59 cluster analysis: le fasi del processo l’algoritmo di estrazione dei cluster
L’ESTRAZIONE DEI CLUSTER La tecnica di raggruppamento utilizzata (K-MEANS) richiede di indicare a priori il numero dei cluster desiderati  tale scelta iniziale si basa sia sulle conoscenze pregresse circa il target e mercato di riferimento che sulla numerosità campionaria I risultati forniti dall’algoritmo di K-MEANS sono i centri dei cluster (centroidi), cioè le medie delle variabili utilizzate (attive): l'ideale è ottenere medie molto diverse su (quasi) tutte le dimensioni; la numerosità dei singoli cluster  quanti individui appartengono al gruppo?

60 cluster analysis: le fasi del processo esempio di analisi dei risultati
1 Teledipendenti 2 Intrattenimento 3 Distratti 4 Critici Una volta identificata la “possibile” classificazione si passa alla disamina della profilazione dei diversi gruppi, ovvero alla distribuzione delle variabili passive ( variabili non di classificazione) nei cluster  età, sesso, CSE, condizione lavorativa,….

61 cluster analysis: la stabilità dei risultati
NON ESISTONO TEST STATISTICI PER VALUTARE LA QUALITÀ DEI RISULTATI ai fini interpretativi, si richiede che i cluster siano BEN DISCRIMINATI  chiara suddivisione della popolazione in diverse anime e STABILI  applicazione dell’analisi discriminante come modello di corretta attribuzione degli individui al cluster di appartenenza emerso

62 cluster analysis: gli assunti
Prendendo le mosse dalle similarità/differenze evidenziate fra gli individui su una batteria di item attitudinali o comportamentali, la cluster analysis necessita di dati quantitativi. La C.A. richiede campioni di numerosità piuttosto elevata (circa casi per ciascuna variabile di classificazione  casi per 20 item monitorati) solitamente viene impiegata in studi di scenario come le indagini U&A

63 cluster analysis: l’analisi quantitativa e qualitativa (1/2)
L’analisi quantitativa dei cluster consente di individuare solo i gruppi di individui maggiormente partecipati (= numerosità consistente) all’interno della popolazione oggetto di indagine  non permette di rilevare target nicchia che abbiano una rappresentazione campionaria inferiore ai casi infatti… Questo comporta che non necessariamente i CLUSTER QUANTITATIVI e le TIPOLOGIE QUALITATIVE forniscano i medesimi risultati  LE 2 LETTURE SONO COMPLEMENTARI, NON SOSTITUTIVE!!!

64 cluster analysis: l’analisi quantitativa e qualitativa (2/2)
la ricerca qualitativa ha come obiettivo l’esplorazione di un fenomeno ( individuare le determinanti, spesso latenti, sottese a un’opinione o a un comportamento) approccio verticale  profondità di analisi su un numero contenuto di interviste: obiettivo non è fare inferenza sulla popolazione (rappresentanza vs rappresentatività) la ricerca quantitativa ha come obiettivo la misurazione di un fenomeno ( individuare relazioni di causa-effetto sulla base di “variazioni concomitanti” delle variabili analizzate) approccio orizzontale  elevato numero di interviste in modo da garantire una numerosità campionaria che consenta di estendere i risultati ottenuti alla popolazione di riferimento

65 La cluster analysis case history

66 APPROCCIO AL BODY CARE - le variabili di classificazione -
Credo che la bellezza interiore sia piu' importante che la bellezza esteriore Mi piace viziarmi con prodotti di bellezza Mi piace apparire come una persona curata Se non sono curata non sto bene con me stessa Mi piace avere un corpo tonico e in forma, per questo vado in palestra Mi curo per combattere i segni del tempo Ho troppo poco tempo per mettermi creme, truccarmi Anche se ho poco tempo cerco comunque di ritagliarmi degli spazi per prendermi cura di me Prendersi cura del proprio corpo (massaggi, creme, trucchi, profumi) è un momento di relax Ogni parte del corpo ha esigenze specifiche. Per questo uso diversi prodotti specifici

67 APPROCCIO AL BODY CARE - i cluster -
Base: campione base (500 casi)

68 cluster 1: le pragmatiche - la descrizione qualitativa -
Base: campione base LE PRAGMATICHE Sono donne che non provano particolare piacere nel prendersi cura di se stesse e che vivono la cura del corpo come un’attività funzionale, mirata e spesso mossa da un “dovere”. Curarsi per loro significa raggiungere un adeguato stato di ordine e pulizia senza investimento emotivo. Ricorrono a prodotti mirati solo in caso di problemi specifici (che cercano peraltro di evitare utilizzando strumenti – e non prodotti – protettivi)

69 cluster 1: le pragmatiche - la profilazione quantitativa -
Base: campione base RELATIVAMENTE AL BODY CARE… Il principale asset discriminante rispetto agli altri cluster è “ho troppo poco tempo per mettermi creme, truccarmi” RELATIVAMENTE ALLA CURA DELLE MANI... Rispetto agli altri gruppi, risulta maggiormente accentuata l’adesione ai seguenti aspetti Le mani non hanno bisogno di prodotti specifici Utilizzo guanti per proteggere le mani dagli agenti atmosferici Quando lavo i piatti proteggo le mie mani con i guanti RELATIVAMENTE ALLE CREME SPECIFICHE PER LE MANI... Per questo cluster la MARCA XX rappresenta il principale riferimento in termini di usership, precedendo la MARCA YY a livello di “most often used” (fenomeno imputabile in particolare al minor ricorso alla referenza “prodotto ZZ” di quest’ultimo brand). PRAGMATICHE PROFILAZIONE SOCIO-DEMOGRAFICA Le appartenenti a tale cluster registrano valori superiori al dato medio in termini di: residenza nel nord est età anni istruzione media superiore condizione lavorativa full time

70 Rappresentazione delle evidenze:
il mapping attraverso l’analisi delle corrispondenze

71 la rappresentazione dei dati: gli scopi del mapping
Per mapping si intende una serie di tecniche statistiche il cui scopo è quello di rappresentare elementi (brand, prodotti, item o qualunque altra cosa) in uno spazio - tipicamente una mappa a 2 dimensioni su assi cartesiani - che metta in evidenza grafica le relative similarità. L'idea è che quanto più gli elementi si dispongono vicini quanto più sono simili tra loro (relativamente alle dimensioni individuate) L'ANALISI DELLE CORRISPONDENZE rappresenta la tecnica di mapping più diffusa nelle analisi di mercato quantitative

72 analisi corrispondenze definizione ed obiettivi
L’ANALISI DELLE CORRISPONDENZE è un metodo statistico multivariato che si basa sull’associazione tra le marche/i prodotti e gli items permettendo di chiarire la posizione relativa delle marche/prodotti. Il risultato principale dell’analisi consiste nella creazione di una mappa di posizionamento che mostra delle distanze: più un item risulta vicino ad una marca/prodotto, più esso è associato a quella marca/prodotto dai rispondenti. Inoltre la vicinanza tra marche/prodotti indica similarità, viceversa, quanto più lontano sono le marche/prodotti fra loro, tanto più sono percepiti come diversi dai rispondenti. Il contesto competitivo può essere, quindi, definito considerando la posizione relativa degli items e delle marche/prodotti. Naturalmente i risultati dell’analisi variano in funzione delle marche/prodotti e degli items utilizzati.

73 analisi di corrispondenze: le caratteristiche generali
L’oggetto dell’analisi delle corrispondenze non sono né le variabili  raggruppate attraverso l’analisi fattoriale né le unità di rilevazione  raggruppate attraverso la cluster analysis bensì item, brand, prodotti, servizi L’analisi delle corrispondenze è una tecnica descrittiva (non ha scopi estrapolativi né di valutazione del legame fra variabili) è “poco esigente” rispetto ai dati  l’algoritmo lavora infatti su variabili qualitative (associazione item/brand, ovvero variabili dicotomiche)

74 analisi di corrispondenze: la matrice di associazione e il calcolo delle distanze
Partendo da una matrice di associazione item/brand… c colonne (brand) r righe (item) …la tecnica elabora le distanze fra le diverse righe (gli item)  righe/item con i profili più simili sono più vicine fra loro e fra le diverse colonne (i brand)  colonne/brand con i profili più simili sono più vicine fra loro

75 analisi di corrispondenze: dalla matrice di associazione alla mappa

76 analisi di corrispondenze: note sulla lettura del mapping
le dimensioni della mappa sono un risultato dell'analisi  il significato degli assi non è conosciuto a priori (come ad esempio nel caso della driver analysis) ma è frutto dell’interpretazione ex post della mappatura emersa l’asse orizzontale per costruzione è sempre il piu’ esplicativo del fenomeno in esame, ossia quello che spiega la maggior parte di variabilita’ dei dati acquisiti diretta conseguenza di questo aspetto è che nell’interpretazione dei risultati, la lettura orizzontale è quella che fornisce la prima leva utilizzata dal parco rispondenti per suddividere/raggruppare i brand appartenenti allo scenario competitivo  l’asse delle ascisse rappresenta il principale parametro nella similarita’ o differenza fra gli elementi mappati la suddivisione in quadranti ha il solo scopo di rendere piu’ appealing la mappa ma ciò che deve essere interpretato sono le distanze/vicinanze fra i diversi punti e non il quadrante di appartenenza il brand leader - che possiede perlopiù un profilo calibrato, senza criticità - cade spesso al centro o in prossimità di una nube di punti/item piuttosto ampia

77 analisi di corrispondenze: il naming degli assi
circa gli assi non esiste una regola “matematica” che ne consenta il naming  la denominazione degli assi deriva da una lettura complessiva dei dati riportati in mappa, sia in termini di item che di brand tradizionalmente, i nomi degli assi sono rappresentati da sostantivi per evitare di generare confusione  l’utilizzo di aggettivi (innovativi, tradizionali,…) potrebbe erroneamente portare a scambiare il nome dell’asse con una parte di popolazione: l’oggetto dell’analisi delle corrispondenze sono i brand, non gli intervistati!!!

78 L’analisi delle corrispondenze
case history

79 map positioning: analisi delle corrispondenze - caratteristiche generiche -
adatta a esigenze femminili adatta a pelli sensibili/delicate adatta sia corpo che mani adatta a tutta la famiglia adatta ad uso quotidiano fa prodotti nuovi venduta in profumeria venduta in farmacia economica si trova spesso in promozione vasta gamma di prodotti specifici consigliata dallo specialista si trova dappertutto buon rapporto qualità/prezzo MARCA A MARCA G MARCA D MARCA B MARCA E MARCA F MARCA C - leader la conosco da sempre di fiducia TRADIZIONE NOVITA’ Var sp (Y) = 22% MASS MARKET FARMACIA Var sp (X) = 63%