L’analisi del comportamento delle imprese (seconda parte) Lezione 8

La rilevazione dei gruppi strategici 1° - Creazione di una matrice n x m n sono le imprese m sono le dimensioni strategiche valutate quantitativamente per ogni impresa 2° - Uso di una metodologia di rilevazione: Top down di Porter (top down) Cluster analysis (bottom up) Analisi delle componenti principali 3° - Verifica dei risultati condotta da esperti di settore (“intimate knowledge of an industry”)

Creazione della matrice (1) Criteri per la scelta delle n imprese: considerare esclusivamente le imprese di medie-grandi dimensioni e raggruppare le piccole nel medesimo gruppo strategico Criteri per la scelta delle m dimensioni strategiche: evitare variabili relative alla struttura e alla performance (es. profitti) utilizzo di varabili legate alle dimensioni delle imprese

Creazione della matrice (2)

Metodologia di Porter (1) Approccio in 2 fasi 1° fase: selezione tra le m dimensioni strategiche delle due più significative (esperti di settore): prezzo distribuzione 2° fase: creazione di una mappa bidimensionale dove plottare le n imprese

Metodologia di Porter (2)

Metodologia di Porter (3) produttori locali e regionali no grande distribuzione prezzi bassi (no pub., no. trasporto) Gruppo A produttori regionali/pluriregionali elevata qualità prezzi elevati Gruppo B produttore nazionale (Barilla) distribuzione capillare forte immagine Gruppo C

Metodologia di Porter (4) semplicità numero ridotto di dimensioni strategiche richieste Vantaggi scelta delle dimensioni strategiche realizzata da esperti omogeneità di comportamento basata su due sole dimensioni identificazione dei gruppi soggettiva necessità di correzione dovuta alla possibilità che la rivalità reale sia diversa da quella metrica Svantaggi

Cluster Analysis (1) Tecnica statistica che identifica e classifica, in funzione di alcuni predeterminati criteri di selezione, le osservazioni all’interno di clusters aventi un’alta omogeneità interna ed un’alta eterogeneità esterna Metodo di classificazione caratterizzato da due fattori: una misura del grado di diversità tra le coppie di unità; un algoritmo con cui procedere alla ricerca dei clusters

Cluster Analysis (2) 1° fase – Standardizzazione delle variabili Ogni valore viene espresso in base al numero di deviazioni standard rispetto alla media

Cluster Analysis (3)

Cluster Analysis (4) 2° fase – Misurazione delle distanze tra le osservazioni sulla base di tutte le dimensioni strategiche Esistono varie tecniche di misurazione: più utilizzata è la distanza euclidea

Cluster Analysis (5) 3° fase – Aggregazione delle osservazioni basata su metodi gerarchici e metodi non gerarchici I metodi gerarchici producono raggruppamenti successivi ordinabili secondo livelli crescenti o decrescenti della distanza Procedura iterativa che considera tutti i livelli di distanza e i gruppi che si ottengono ad un certo livello di distanza sono contenuti nei gruppi ottenuti ad un livello di distanza inferiore I metodi gerarchici si suddividono in agglomerativi e scissori

Cluster Analysis (6) Tra i metodi gerarchici, quelli più usati sono quelli di tipo agglomerativo, che partendo da n elementi producono un numero decrescente di cluster di ampiezza crescente, sino ad ottenere un unico gruppo metodo del legame singolo (SLM): la distanza tra il gruppo appena formato e le rimanenti unità è calcolata come la minima distanza tra le unità del gruppo e le altre unità; metodo del legame completo (CLM), la distanza è calcolata come la massima distanza tra le unità del gruppo e le rimanenti unità; metodo del legame medio (ALM), la distanza è calcolata come la distanza tra l’unità e una unità fittizia in cui ciascun carattere è presente con una media delle modalità presentate dalle unità comprese nel gruppo

Cluster Analysis (7)

L’analisi delle componenti principali (1) Tecnica statistica che analizza le relazioni tra un ampio numero di varabili e le spiega in termini alcune componenti (dimensioni) comuni Le dimensioni comuni, ovvero le componenti principali, sono varabili latenti che, opportunamente trasformate per alcuni coefficienti (pesi), sono in grado di generare le variabili reali della matrice iniziale

L’analisi delle componenti principali (2) Ogni dato reale deriva dalla combinazione lineare (con pesi diversi) delle componenti principali dove: CP1 e CP2 sono i valori delle due componenti principali della singola osservazione; L1 ed L2 sono i valori del loading (pesi) della variabile V1 rispettivamente con i componenti CP1 e CP2

L’analisi delle componenti principali (3) I loading esprimono le correlazione tra le varabili e componenti principali: 1: forte correlazione 0: scarsa correlazione Caso limite: la prima componente è perfettamente correlate con alcune variabili e la seconda componente con le altre varabili le variabili stimate coincidono esattamente con quelle reali 100% della varianza della matrice iniziale spiegata

L’analisi delle componenti principali (4) COEFFICIENTI DI CORRELAZIONE

L’analisi delle componenti principali (5) VALORI DELLE COMPONENTI PRINCIPALI

L’analisi delle componenti principali (6) La bontà della analisi è indicata dalla percentuale della varianza della matrice iniziale spiegata dalla matrice stimata Se la varianza spiegata è bassa (<65%): aumentate le componenti diminuite le m variabili

L’analisi delle componenti principali (7)

Barriere Le barriere all’entrata sono minori nel gruppo A maggiore fabbisogno di capitale accesso alla grande distribuzione livello qualitativo omogeneo su grandi quantità Gruppi B e C Le barriere alla mobilità del gruppo A sono basse elevata ed omogenea qualità accesso alla grande distribuzione Gruppo B Gruppo C accesso alla grande distribuzione

Concentrazione Il settore si sta concentrando: da 283 pastifici (1981) a 149 (1996) La mortalità è elevata esclusivamente all’interno del gruppo A Causa: spostamento delle preferenze dei consumatori per la grande distribuzione