INDICE DELL’INCONTRO Analisi di segmentazione Introduzione Strategie Aziendali I diversi approcci Le metodologie La Cluster Analysis Esercitazione Factor Analysis

ANALISI SEGMENTAZIONE I presupposti fondamentali della segmentazione di marketing e del targeting (selezione dei mercati obiettivo) sono: L’ETEROGENEITÀ della domanda, vale a dire una differente elasticità di risposta agli stimoli di marketing (prezzi, prodotti, servizi distributivi e comunicazione) IGNORARE l’eterogeneità della domanda: LA FORD “T”   Puoi avere l’auto che desideri… fintanto che sia una Ford modello “T” di colore nero!” Henry Ford GOVERNARE PRO-ATTIVAMENTE l’eterogeneità della domanda: LA FORD MODELLO “TAURUS” “Puoi avere l’auto che desideri… in 62.548 versioni differenti!” Henry Ford Jr.

ANALISI SEGMENTAZIONE LA CAPACITÀ dell’impresa di differenziare la sua offerta, in funzione del: target – occasione d’uso: FERRERO

ANALISI SEGMENTAZIONE LA CAPACITÀ dell’impresa di differenziare la sua offerta, al fine di rendersi preferibile dai clienti (proattivita’ manageriale della segmentazione)

ANALISI SEGMENTAZIONE

ANALISI DI SEGMENTAZIONE: Strategie Aziendali Vincoli - opportunità Marketing Indifferenziato Differenziato Concentrato Risorse dell’Impresa Elevate X Scarse Differenziabilità del prodotto Elevata Scarsa Omogeneità dei bisogni Strategia di Marketing dei concorrenti Indiff. Diff. Conc.

ANALISI SEGMENTAZIONE: Approcci Criterio della “Correlazione” Segmentazione a priori Variabili socio-demo Tecniche di analisi Statistica Bivariata Modelli di segmentazione “clusterig based“ Variabili comportamentali Cluster/Factor Analysys Criterio della Strumentalità del prodotto Modelli di segmentazione “flessibile” Bisogni Aspettative Desideri Trade-off Conjoint Analysis

ANALISI SEGMENTAZIONE: Criterio di Correlazione Consiste nell’aggregazione dei consumatori in segmenti sulla base di caratteristiche: Geografiche (area territoriale, dimensione dell’area, tipologia urbana, densità) Socio-Demografiche (età, sesso, reddito, professione, istruzione) Comportamentali (frequenza d’uso, status del cliente, fedeltà alla marca) Psicografiche (personalità, stile di vita) ritenendo che individui simili sotto l’aspetto geo/socio-demografico, e/o psicografico, e/o comportamentale, lo siano altrettanto nei comportamenti di consumo

ANALISI SEGMENTAZIONE: Criterio Strum. Prodotto Ricerca le ragioni d’essere di un segmento, tentando di individuare e selezionare i nessi di causalità che regolano il comportamento del consumatore. In altre parole tenta di identificare la relazione funzionale tra atteggiamenti (pensiero) e comportamenti (azione). I segmenti vengono definiti in funzione dei benefici e degli attributi ricercati nel prodotto e solo successivamente descritti sulla base delle loro caratteristiche: Geografiche Socio-Demografiche Psicografiche Comportamentali

ANALISI DI SEGMENTAZIONE: le Metodologie FASE DI RICERCA QUALITATIVA Viene definita la gerarchia valoriale (ricostruzione del sistema percettivo, motivante, valoriale e valutativo) attraverso La teoria della catena mezzi-fini (Means-End Chain Analyses) e la tecnica di laddering. In particolare, l’indagine approfondisce la conoscenza del modo in cui i consumatori attribuiscono al prodotto un significato, una rilevanza personale, che ne motivi l’acquisto. Il marketing utilizza la teoria mezzi-fini a fondamento di metodologie d’indagine qualitativa sul consumatore, il cui scopo è quello di approfondire le motivazioni alla base delle scelte d’acquisto attraverso l’interpretazione dei processi cognitivi del consumatore

ANALISI DI SEGMENTAZIONE: le Metodologie Fase di ricerca qualitativa: un esempio – telefoni cellulari - Peso Dimensione Colori Vibracall WAP Dotaz. Auricolare Display Maneggevolezza Tastiera Giochi Prezzo Attivaz. Vocale Capacità di memorizz. Radio Autonomia Indipendenza da rubriche Mobilità Libertà Individualismo Utilizzo senza impegnare le mani Risparmio di tempo Produttività Guadagno e realizzazione Valori Benefici Attributi

ANALISI DI SEGMENTAZIONE: le Metodologie Catena Mezzi – Fini Kinder sorpresa

ANALISI DI SEGMENTAZIONE: le Metodologie Catena Mezzi – Caffè Autostima Benefici Simbolici Ambizione Agonismo Cura per le relazioni Capacità Responsabilità Appagamento Aumento Efficienza Socializzare Benefici Funzionali Rituale Digestione Buon Umore Sicurezza sulla qualità Stimola Risparmio Buon sapore in bocca CAFFEINA AROMA FORZA GUSTO PREZZO MARCA Attributi

ANALISI DI SEGMENTAZIONE: le Metodologie FASE DI RICERCA QUANTITATIVA Campionamento, test, questionario Rilevazione del profilo ideale attraverso la valutazione di importanza sugli attributi; Tecnica: Scala di importanza o Differenziale Semantico Riduzione del numero di attributi in fattori e interpretazione dei benefici ricercati; Tecnica: Factor Analisys Aggregazione dei “profili ideali” sulla base dei fattori individuati ed interpretati; Tecnica: Cluster Analysis Descrizione dei clusters individuati in base a variabili descrittori (Socio- demo/Geografiche; Psicografiche; Comportamentali)

ANALISI DI SEGMENTAZIONE: le Metodologie Esemplificazioni di scale Scala Univoca Indichi con quale affermazione si trova d’accordo L’ AMBIENTE UNIVERSITARIO è interessante L’ AMBIENTE UNIVERSITARIO è stressante Scala Likert Valuti secondo una scala a 7 punti, 1 per niente d’accordo – 7 totalmente d’accordo, le seguenti affermazioni Differenziale Semantico Giudichi su ognuna delle scale formate dalle coppie di aggettivi il concetto AMBIENTE UNIVERSITARIO INTERESSANTE -------------- NOIOSO STIMOLANTE ------- STRESSANTE

CLUSTER ANALYSIS: definizione La Cluster Analysis ha l’obiettivo di raggruppare in classi (cluster) elementi appartenenti ad un insieme più ampio, in modo tale che gli elementi appartenenti ad ogni gruppo siano il più possibile omogenei tra loro e che i diversi gruppi siano invece il più possibile eterogenei. Tipicamente, si applica per analisi di segmentazione, per identificare gruppi di consumatori con preferenze simili all’interno e diverse intergruppo Le applicazioni di marketing più ricorrenti: • analisi di segmentazione classica, fondata sui giudizi di importanza degli attributi di un prodotto (in questo caso, la cluster analysis può essere preceduta dalla factor analysis); flessibile, fondata sulle valutazioni complessive fornite su diverse configurazioni di prodotto (in questo caso, la cluster analysis è preceduta dalla conjoint analysis). Attenzione i dati devono essere con uguale scala di misura o standardizzati, si tratta di “distanze metriche”

CLUSTER ANALYSIS: flusso 1. Scelta delle unità di osservazione 2. Scelta delle variabili 3. Omogeneizzazione scale di misura 4. Scelta della misura di similarità o diversità tra unità statistiche 5. numero di gruppi 6. Scelta del criterio di raggruppamento 7. Scelta dell’algoritmo di classificazione 8. Interpretazione dei risultati ottenuti

CLUSTER ANALYSIS: requisiti dei Cluster “Utilizzabilità” manageriale Misurabilità Accessibilità (fisica, mediatica) Dimensioni economiche attuali e potenziali Posizione/compatibilità attuale e potenziale Pressione competitiva attuale e prospettica Ritorni di immagine attuali e potenziali Generazione di conoscenza attuale/potenziale

CLUSTER ANALYSIS: scelta del numero cluster Per la scelta del numero dei cluster si deve tenere conto di tre output: 1) confrontare le colonne con il RATIO F (F=varianza tra gruppi/varianza nei gruppi) contenute nelle tabelle ANOVA. E’ preferibile la clusterizzazione che esprima F con i valori più elevati (clusterizzazione preferibile in quanto a valori maggiori di F corrisponde una maggiore eterogeneità tra i cluster e/o una minore eterogeneità nei cluster) e contemporaneamente una buona significatività (Sig. < 0,05) 2) valutare la tabella in output con il NUMERO DI CASI di ogni cluster per verificare l’omogeneità della numerosità dei diversi cluster 3) valutare le tabelle con i CENTRI DEI CLUSTER finali; più precisamente può ritenersi preferibile la clusterizzazione che complessivamente presenti valutazioni eterogenee tra i gruppi rispetto alle variabili in input;

CLUSTER ANALYSIS: esemplificazione Esempio: file : dati.sav domanda d5_1 – d5_14 Introduzione dell’analisi, lettura questionario, individuazione obiettivi: Quanti cluster possiamo individuare? Come è possibile “caratterizzare” i cluster individuati?

Considerando il questionario sviluppato ESERCITAZIONE Considerando il questionario sviluppato Quali approcci di segmentazione proponete? Con quali obiettivi? Quali analisi effettuereste?

FACTOR ANALYSIS Consideriamo il file analisi_clima.sav, si tratta di un’analisi di clima aziendale. Gli item rispetto ai quali si chiede una valutazione di importanza e soddisfazione sono 35, volendo fare un’analisi sintetica potrebbe essere interessante analizzare: Il “posizionamento” dei diversi attributi relativamente al loro livello di importanza e di soddisfazione – Quadrant Analisys Identificare segmenti/cluster omogenei relativamente all’importanza attribuita ai diversi fattori

ANALISI DI SEGMENTAZIONE: QUADRANT ANALISYS

ANALISI DI SEGMENTAZIONE: CLUSTER ANALISYS Dato il analisi_clima.sav, si provi ad identificare se è possibile raggruppare i dipendenti in segmenti omogenei rispetto all’importanza attribuita ai vari fattori Cosa differenzia il cluster 1 dagli altri cluster ????

ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS La Factor Analysis si pone l’obiettivo di condensare e ridurre i dati, quindi di sintetizzare l’informazione contenuta in molte variabili tramite pochi fattori sintetici Il suo uso implica lo studio della correlazione tra le variabili al fine di trovare un nuovo insieme di dimensioni, i fattori, meno numeroso rispetto a quello delle variabili originarie, che esprima ciò che è in comune tra le variabili stesse, perdendo il minor numero di informazioni rilevanti Ogni fattore verrà interpretato sulla base delle variabili ad esso correlate Le applicazioni più frequenti riguardano: Uso esplorativo  ridurre il numero di variabili originarie al fine di facilitare la loro lettura ed interpretazione Base preliminare  come propedeutica alla cluster analysis

ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS I dati da raccogliere come input dell’analisi fattoriale, attraverso il questionario, devono essere di natura quantitativa; in particolare è opportuno raccogliere valutazioni su scala metrica a 7 o 9 punti (es. valutazioni di importanza dei diversi attributi di un certo tipo di prodotto nel processo di scelta)

ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS Gli output da considerare: Matrice delle correlazioni: contiene le correlazioni fra tutte le variabili osservate e permette di avere una indicazione sui legami fra le variabili osservate. E’ opportuno Valutare i valori assunti dai 2 indicatori: Indice KMO (Kaiser-Meyer-Olki): costruito comparando i coefficienti di correlazione con quelli di correlazione parziale. Questo rapporto varia tra 0 e 1. Valori bassi dell'indice suggeriscono la potenziale inadeguatezza dell'analisi dei fattori, perché le correlazioni fra coppie di variabili non possono essere spiegate dalla varianza condivisa dall'insieme delle variabili (ovvero non possono essere individuati fattori comuni). Kaiser suggerisce che valori al di sopra di 0,7 sono da ritenersi soddisfacenti, mentre valori al di sotto di 0,5 sono sostanzialmente inaccettabili. Test di sfericità di Bartlett: utilizzato per verificare l'ipotesi che la matrice delle correlazioni sia una matrice identità, ossia che le variabili siano indipendenti. Valori bassi di questo test, e di conseguenza valori elevati di significatività (maggiori di 0,1), indicano che questa ipotesi non può essere esclusa e che l'utilizzo del modello fattoriale potrebbe non essere adeguato.

ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS Varianza totale spiegata. Sono riportati in tabella: gli autovalori iniziali (indicanti fattore per fattore la varianza complessiva spiegata ed usati per stabilire quali fattori o componenti mantenere nella soluzione); i pesi dei fattori non ruotati - indicano quanta varianza ogni fattore è in grado di spiegare prima della rotazione; i pesi dei fattori ruotati - migliora la leggibilità dell'output - Quanti fattori prendere in considerazione? Premesso che con la “sintesi” effettuata attraverso una factor analysis è chiaramente opportuno perdere il minor numero di informazioni, la scelta cadrà sul numero di fattori che cumulativamente sono in grado di spiegare almeno la metà (50%) della varianza, anche se sono preferibili soglie più alte (60/ 70%).

ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS Quanti fattori prendere in considerazione?..osservare lo screen test

ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS Matrice di componenti. Indica la correlazione dei fattori estratti con le variabili osservate e permette l’interpretazione dei fattori. Componente per componente si individuano le variabili con un elevato indice di correlazione (si considera solo il valore assoluto, poiché interessa l’entità ma non il “verso” della correlazione) ossia un indice maggiore di 0,5. Per avere una visione più chiara e per potere definire il nome di ognuno dei fattori è preferibile analizzare la Matrice di componenti ruotata. Si tratta della matrice delle componenti sopra esaminata ruotata al fine di migliorare l’interpretazione dei fattori. In sede di affinamento, si potranno eliminare dall’analisi le variabili che non “girano” su nessun fattore (coefficienti tutti minori di 0,4) oppure che “girano” su più fattori in modo ambiguo (ad esempio, una variabile con coefficiente 0,6 su un fattore e 0,4 su un altro). Nei successivi tentativi è opportuno rilanciare l’analisi escludendo una variabile per volta. Basta infatti che il modello cambi di una sola variabile per essere potenzialmente diverso nei risultati.

ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS Esempio: file clima, domanda dimp_1-dimp_35 Individuazione obiettivi: Quanti e quali fattori possiamo individuare? Quanti cluster individuiamo? Come li possiamo caratterizzare? Come possiamo descriverli? È possibile una rappresentazione matriciale dei fattori Importanza Vs Soddisfazione?

Autovalori della matrice di correlazione: Totale ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS Quanti considerare…. 1- Analisi autovalori Autovalori della matrice di correlazione: Totale = 35 Media = 1 Autovalore Differenza Proporzione Cumulata 1 13.2280932 11.5860867 0.3779 2 1.6420065 0.4001979 0.0469 0.4249 3 1.2418086 0.1624509 0.0355 0.4603 4 1.0793576 0.0700202 0.0308 0.4912 5 1.0093374 0.0574494 0.0288 0.5200 6 0.9518880 0.0916451 0.0272 0.5472 7 0.8602429 0.0095734 0.0246 0.5718 8 0.8506695 0.0572741 0.0243 0.5961 9 0.7933954 0.0253405 0.0227 0.6188 10 0.7680549 0.0520441 0.0219 0.6407 11 0.7160108 0.0194733 0.0205 0.6612 12 0.6965375 0.0169880 0.0199 0.6811 13 0.6795495 0.0393844 0.0194 0.7005 14 0.6401650 0.0115826 0.0183 0.7188 15 0.6285824 0.0254145 0.0180 0.7367 16 0.6031679 0.0297036 0.0172 0.7540 17 0.5734643 0.0142771 0.0164 0.7704 18 0.5591872 0.0196923 0.0160 0.7863 19 0.5394950 0.0021112 0.0154 0.8017 20 0.5373837 0.0169369 0.8171 21 0.5204468 0.0071291 0.0149 0.8320 22 0.5133178 0.0134595 0.0147 0.8466 23 0.4998583 0.0073720 0.0143 0.8609 24 0.4924863 0.0321139 0.0141 0.8750 25 0.4603724 0.0093219 0.0132 0.8881 26 0.4510505 0.0084124 0.0129 0.9010 27 0.4426381 0.0123683 0.0126 0.9137 28 0.4302698 0.0157585 0.0123 0.9260 29 0.4145113 0.0199593 0.0118 0.9378 30 0.3945520 0.0240569 0.0113 0.9491 31 0.3704951 0.0015858 0.0106 0.9597 32 0.3689094 0.0044933 0.0105 0.9702 33 0.3644161 0.0111604 0.0104 0.9806 34 0.3532557 0.0282325 0.0101 0.9907 35 0.3250232   0.0093 1.0000

ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS Quanti considerare…. 1- Analisi autovalori anche grafica…. quanti fattori 5,6 o 7 ?

Proporreste delle ulteriori analisi? ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS Scelti i fattori, cercare di “nominarli” Proporreste delle ulteriori analisi? Perche?

ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS 5 CLUSTER

ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS 6 CLUSTER

ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS 6 CLUSTER

ANALISI DI SEGMENTAZIONE: FACTOR ANALYSIS Una volta individuata la classificazione migliore si procede a “qualificare” i cluster individuati in funzione delle variabili disponibili: Sesso df1 Categoria professionale df2 Eta` df3 Titolo di studio df4 Struttura di appartenenza df5 Finalita` prevalente dell'attivita`dfin Sintassi su file: Descrivi – Analisi Tabelle Inserire le variabili cluster e df1-dfin come var della tabella Costruire le tabelle richieste specificando il test e la % per riga o colonna e percentuale delle celle

QUADRANT ANALISYS SUI FATTORI Considerando i fattori individuati possiamo calcolare le soddisfazioni relative come media delle valutazioni attribuite ai singoli item che compongono il fattore Per ciascun fattore calcolare il valore della soddisfazione come la media delle soddisfazioni attribuite agli item che lo compongono Calcolare la media per importanza e soddisfazione per ciascun fattore Ricavare gli scarti dalla media globale come punti per la Quadrant Analisys

QUADRANT ANALISYS SUI FATTORI Considerando i fattori individuati possiamo calcolare le soddisfazioni relative come media delle valutazioni attribuite ai singoli item che compongono il fattore

ESERCITAZIONE Commentare l’output “CLUSTER_FACTOR.pdf”. In particolare: Criteri per la scelta del numero dei cluster Criteri per la scelta dei fattori Cosa cambia applicando la cluster analisys sui fattori? Quali caratteristiche “descrittive” differenziano i vari cluster