Le Ricerche di Marketing rappresentano il necessario presupposto per la definizione di vincenti strategie di mercato, poiché forniscono il supporto

Transcript

1 Le Ricerche di Marketing rappresentano il necessario presupposto per la definizione di vincenti strategie di mercato, poiché forniscono il supporto di dati affidabili e accurati alle decisioni manageriali per la risoluzione di specifici problemi, per la pianificazione, la produzione e la distribuzione dei prodotti

2 Classificazione tipologica delle Ricerche di Marketing - Ricerche sull evoluzione e sul potenziale dei mercati - Ricerche per la segmentazione del mercato - Ricerche per il posizionamento dei prodotti - Ricerche per il lancio di nuovi prodotti - Ricerche per l analisi delle performance di mercato del prodotto e della marca - Ricerche per la definizione e il controllo del prezzo dei prodotti - Ricerche a supporto delle decisioni distributive - Ricerche per la definizione e il controllo della comunicazione di massa - Ricerche per la definizione e il controllo della comunicazione diretta - Ricerche per la definizione e il controllo della produzione delle vendite

3 Ricerche sull evoluzione e sul potenziale dei mercati - Modello di regressione lineare - Modelli basati sull analisi delle serie storiche Ricerche per la segmentazione del mercato - Cluster Analysis (CA) Tandem Analysis (ACP + CA) - Metodi di clustering e fattoriali simultanei - Conjoint Analysis + Cluster Analysis - Analisi Discriminante - Regressione Logistica - Alberi di Classificazione - Reti Neurali Ricerche per il posizionamento dei prodotti (perceptual mapping) - Analisi in Componenti Principali (ACP) - Multidimensional Scaling (MDS) - Analisi delle Corrispondenze (AC) - Analisi Discriminante Ricerche per il lancio di nuovi prodotti - Conjoint Analysis

4 Uno degli aspetti più importanti delle strategie di un impresa è l identificazione e la selezione dei gruppi di clienti. La segmentazione è il processo attraverso il quale le imprese suddividono la domanda in insiemi di clienti potenziali, in modo che gli individui che appartengono allo stesso insieme siano caratterizzati da funzioni di domanda il più possibile simili tra loro e, contemporaneamente, il più possibile diverse da quelle degli altri insiemi. L azienda sceglierà i gruppi di clienti su cui personalizzare l offerta di prodotti e servizi, differenziando e specializzando le sue strategie di marketing.

5 UNA CORRETTA STRATEGIA DI SEGMENTAZIONE: 1. È utile per la definizione del mercato in termini di bisogni del cliente e di obiettivi aziendali da perseguire. 2. Rafforza la capacità dell azienda di percepire i mutamenti dei bisogni. 3. Permette di valutare con maggiore efficacia i punti di forza e di debolezza della propria offerta nei confronti dei competitors. 4. Facilita una razionalizzazione del portafoglio prodotti, evitando eventuali problemi di cannibalismo tra differenti profili d offerta. 5. Può creare, se opportunamente utilizzata, una barriera all ingresso di ulteriori concorrenti. 6. Consente di misurare con maggiore precisione gli effetti su vendite e profitti di specifiche azioni di marketing.

6 ALCUNI PREREQUISITI CHE GARANTISCONO LA REALIZZAZIONE DI UNA STRATEGIA DI SEGMENTAZIONE SONO I SEGUENTI: 1. I segmenti individuati devono essere omogenei all interno ed eterogenei all esterno, in modo tale che le strategie di differenziazione dell offerta possano essere efficaci. 2. La dimensione e la redditività del segmento risultano rilevanti per definire il potenziale del segmento stesso e la possibilità di ottenere significativi ritorni sugli investimenti necessari per realizzare le strategie di differenziazione. 3. Misurabilità del segmento 4. Verificare l accessibilità del segmento, ossia la raggiungibilità dal punto di vista commerciale. Ciò può condizionare il successo dei prodotti/servizi progettati. 5. L Attivabilità, intesa come capacità del segmento a rispondere ad azioni di marketing. La decisione di effettuare una ricerca per la segmentazione si pone quando l azienda decide di non adottare una strategia indifferenziata sul mercato, ossia una strategia di mass target market.

7 LE FASI DI UNA RICERCA DI SEGMENTAZIONE: 1. Definizione dei criteri di segmentazione 2. Selezione delle variabili 3. Selezione dell approccio 4. Selezione della metodologia 5. Valutazione dei risultati e scelta dei segmenti

8 Fase 1! Caratteristiche Socio- demografiche/ anagrafiche Definizione dei criteri di segmentazione Occasioni e comportamenti d uso/acquisto del prodotto/servizio Bisogni/desideri/benefici ricercati

9 Fase II! Selezione delle variabili Scelta delle Variabili di segmentazione Dipende dai criteri scelti in precedenza

10 Fase III! Segmentazioni a priori classica Selezione dell approccio Per omogeneità Segmentazioni a posteriori flessibile Per obiettivi

11 Segmentazioni a priori Selezione dell approccio Segmentazioni a posteriori SEGMENTAZIONE A PRIORI: le caratteristiche del segmento sono definite in base alle informazioni in possesso del management o del ricercatore; tali informazioni derivano da esperienze operative o da precedenti analisi. Sono segmentazioni di questo tipo quelle basate sulle caratteristiche socio-demografiche/ anagrafiche. SEGMENTAZIONE A POSTERIORI: le caratteristiche del segmento emergono dopo l applicazione di opportune tecniche statistiche multivariate e non sono note prima dell elaborazione dell informazione.

12 Selezione dell approccio Per omogeneita Segmentazioni a posteriori Per obiettivi LE TECNICHE DI SEGMENTAZIONE A POSTERIORI SI SUDDIVIDONO IN TECNICHE DI SEGMENTAZIONE: - PER OMOGENEITÀ: in tal caso gli elementi della popolazione target sono raggruppati sulla base della loro similarità, riferita a un particolare insieme di variabili (stili di vita, bisogni, attitudini, etc.), in gruppi caratterizzati da un elevata eterogeneità esterna e un elevata omogeneità interna. - PER OBIETTIVI: in tal caso si suddivide il target rilevante in sub-popolazioni utilizzando una variabile dipendente nota a priori (ad esempio, la sensibilità a campagne pubblicitarie o promozionali) e si individua un insieme di variabili esplicative (ad esempio, le caratteristiche socio-demografiche, psicografiche, etc.) che influiscono sulla variabile dipendente. Le tecniche statistiche multivariate utilizzate in tali casi sono: l Analisi Discriminante, la Regressione Logistica, gli Alberi di Classificazione, le Reti Neurali.

13 LE TECNICHE DI SEGMENTAZIONE A POSTERIORI PER OMOGENEITÀ SI SUDDIVIDONO IN TECNICHE DI SEGMENTAZIONE: - CLASSICHE: - nel caso in cui le caratteristiche del prodotto/servizio risultino di facile interpretazione, si rilevano gruppi omogenei di consumatori attraverso l applicazione della Cluster Analysis; - se invece esiste un numero consistente di variabili, le caratteristiche del prodotto/ servizio in esame sono sintetizzate in macro-elementi di scelta attraverso l Analisi in Componenti Principali (ACP); successivamente si costruiscono gruppi omogenei del target rilevante attraverso la Cluster Analysis (CA) applicata ai macro-elementi (componenti principali) individuati con l ACP. Dal punto di vista statistico, si considera un uso sequenziale dell ACP e della CA (Tandem Analysis). Alla fine dello studio si incrociano l appartenenza ai cluster con alcune caratteristiche sociodemografiche/anagrafiche del target. - FLESSIBILI: si utilizza la Conjoint Analysis e successivamente si applica la Cluster Analysis ai risultati della Conjoint Analysis. Anche in tal caso, alla fine dello studio, si incrociano l appartenenza ai cluster con alcune caratteristiche socio-demografiche/ anagrafiche del target.

14 La CLUSTER ANALYSIS è una tecnica statistica multivariata, ovvero analizza simultaneamente le relazioni fra due o più variabili. L OBIETTIVO della Cluster Analysis è l individuazione di una o più PARTIZIONI dell insieme di n unità statistiche in gruppi (CLUSTER), a due a due disgiunti, in base ad un set di variabili osservate su esse, tali che i gruppi abbiano le caratteristiche di: 1) COESIONE INTERNA (le unità assegnate ad uno stesso gruppo devono essere tra loro simili) (gruppi omogenei). 2) SEPARAZIONE ESTERNA (i gruppi devono essere il più possibile distinti tra loro).

15 La CLUSTER ANALYSIS ( detta anche classificazione senza supervisione) è un metodo tipicamente esplorativo e consiste nel ricercare nelle n osservazioni p-dimensionali gruppi di unità tra loro simili, non sapendo a priori se tali gruppi omogenei esistono effettivamente nel dataset e non sapendo nulla a priori circa le caratteristiche strutturali di eventuali gruppi. Classificazioni di questo tipo assumono una chiara valenza interpretativa solo nei casi in cui nei dati siano realmente presenti delle strutture di gruppo, che vengono individuate dalla metodologia statistica. L obiettivo della Cluster Analysis è dunque quello di riconoscere gruppi che appaiono con naturalezza nelle osservazioni.

16 ALCUNI SEMPLICI ESEMPI ESPLICATIVI: ESEMPIO 1 Una possibile applicazione della cluster analysis consiste nella classificazione dei comuni italiani in gruppi omogenei in base ad un insieme di indicatori turistici (come, ad esempio, indicatori dell offerta turistica, indicatori del flusso turistico, indicatori di utilizzazione degli esercizi ricettivi). In tal modo si possono identificare delle aree geografiche che presentano analogie di situazioni e quindi richiedono medesimi interventi di politica economica in tema di turismo. ESEMPIO 2 (Segmentazione del mercato e studio del comportamento della clientela) La segmentazione si pone l obiettivo, attraverso la cluster analysis, di identificare gruppi omogenei (segmenti) di entità (consumatori, mercati, organizzazioni) con determinate caratteristiche simili (benefici ricercati nel prodotto/servizio, attitudine, propensione all acquisto, preferenze nei confronti dei diversi media, etc.).

17 IN GENERALE, LA CLUSTER ANALYSIS PUÒ ESSERE UTILIZZATA QUANDO OCCORRE: ridurre i dati (nel senso delle unità), identificare tipologie, stratificare popolazioni da sottoporre a campionamento, segmentare il mercato e studiare il comportamento della clientela, individuare aree omogenee (geomarketing e aree-test di mercato).

18 I METODI DI CLUSTERING SI POSSONO DISTINGUERE IN: 1. METODI GERARCHICI " I metodi gerarchici permettono di ottenere una famiglia di partizioni, con un numero di gruppi: da n a 1, partendo da quella banale in cui tutte le unità sono distinte per giungere, per aggregazioni successive, a quella, pure banale, in cui tutte le unità sono riunite in un unico gruppo (metodi gerarchici aggregativi) oppure da 1 a n, partendo da quella banale in cui tutte le unità sono riunite in un unico gruppo per giungere, per separazioni successive, a quella anch essa banale, in cui tutte le unità sono distinte in n gruppi (metodi gerarchici scissori). 2. METODI NON GERARCHICI I metodi non gerarchici forniscono un unica partizione delle n unità in g gruppi, con g fissato a priori.

19 METODO DI CLUSTERING GERARCHICO AGGREGATIVO A AB B ABCDE C CDE D DE E METODO DI CLUSTERING GERARCHICO SCISSORIO

20 FASI DELLA CLUSTER ANALYSIS GERARCHICA AGGREGATIVA 1. MATRICE DEI DATI 2. MATRICE DELLE PROSSIMITA 3. VERIFICA DELL ESISTENZA DI CLUSTER NATURALI 4. METODI DI CLUSTERING 5. RAPPRESENTAZIONE GRAFICA DEI RISULTATI: IL DENDROGRAMMA 6. DETERMINAZIONE DEL NUMERO OTTIMO DI CLUSTER 7. VERIFICA E INTERPRETAZIONE DELLE SOLUZIONI

21 FASE 1: LA MATRICE DEI DATI IL PUNTO DI PARTENZA DELLA CLUSTER ANALYSIS E RAPPRESENTATO DA UNA MATRICE DI DATI DEL TIPO n X p O, PIU SEMPLICEMENTE, VARIABILI X UNITA, RICAVATA DA UN QUESTIONARIO SOMMINISTRATO AD UN CAMPIONE DI INTERVISTATI. Radio TV Internet Viaggi Nave Viaggi Aereo unità unità unità unità n= 4 UNITA LA MATRICE DEI DATI IN QUESTO CASO E COMPOSTA DA P= 5 VARIABILI LE PRIME TRE VARIABILI RAPPRESENTANO IL NUMERO DI ORE SETTIMANALI CHE CIASCUNA UNITA DEDICA ALL ASCOLTO DELLA RADIO, ALLA VISIONE DEI PROGRAMMI TELEVISIVI E ALLA NAVIGAZIONE INTERNET. LE ULTIME DUE VARIABILI INDICANO INVECE IL NUMERO DI VIAGGI IN NAVE O IN AEREO CHE OGNI UNITA FA IN UN MESE

22 QUESTIONARIO Quante ore dedichi, in media, ogni settimana alle seguenti attività: I. Ascoltare la radio II. Guardare la Tv III. Navigare in Internet Quanti viaggi fai, in media, in un mese con i seguenti mezzi di trasporto: I. Nave II. Aereo

23 Immaginate di dover impostare una strategia comunicativa per due imprese: la prima è una compagnia navale, mentre la seconda è una compagnia aerea. Cosa fareste? Quale mezzo comunicativo utilizzereste per mandare in onda i vostri spot? Radio TV Internet Viaggi Nave Viaggi Aereo unità unità unità unità

24 FASE 2: LA MATRICE DELLE PROSSIMITA Per poter applicare la Cluster Analysis alla matrice dei dati, occorre trasformare quest ultima in una Matrice delle Prossimità. La matrice delle prossimità è una matrice di dimensione n X n (unità X unità) costituita da indici di similarità, ovvero degli indici calcolati sulle unità che mettono in evidenza la somiglianza ( o la dissomiglianza ) tra le due unità stesse. In particolare possono costruirsi Matrici delle Distanze, Matrici delle Dissimilarità, Matrici delle Similarità. Nel nostro caso andremo ad analizzare e ad utilizzare solamente le Matrici delle Distanze, calcolate utilizzato la Distanza Euclidea al quadrato.

25 LA DISTANZA EUCLIDEA AL QUADRATO La Distanza Euclidea al Quadrato si calcola come sommatoria delle differenze al quadrato tra i valori che due diverse unità assumono in relazione a ciascuna varibile. Se nel nostro esempio volessimo calcolare la distanza tra la prima e la seconda unità, in relazione alle prime tre variabili, l operazione matematica sarebbe la seguente: Radio TV Internet unità unità unità unità D12= (4-3)^2 + (6-6)^2 + (8-9)^2 = 2 Provate a calcolare la distanza tra la prima e la terza unità!!!

26 Radio TV Internet unità unità unità unità D12= (4-3)^2 + (6-6)^2 + (8-9)^2 = 2 D13= (4-4)^2 + (6-5)^2 + (8-8)^2 = 1 D14= (4-8)^2 + (6-6)^2 + (8-4)^2 = 32 D23= (3-4)^2 + (6-5)^2 + (9-8)^2 = 3 D24= (3-8)^2 + (6-6)^2 + (9-4)^2 = 50 D34= (4-8)^2 + (5-6)^2 + (8-4)^2 = 33

27 Calcolate le distanze, occorre inserirle in una matrice di dimensione n X n, che mette a confronto le varie unità. Nel nostro esempio la matrice sarà: Questa è la matrice delle Distanze Euclidee al Quadrato, che sarà il nostro dato di input per l applicazione della Cluster Analysis!!! La matrice delle Distanze è una matrice quadrata di dimensione n X n e con valori nulli lungo la diagonale.

28 FASE 3: VERIFICA DELL ESISTENZA DI CLUSTER NATURALI L applicazione di un metodo di clustering ha senso se esiste una reale struttura di gruppo nei dati. La presenza di una effettiva struttura di gruppo nei dati multidimensionali può essere verificata attraverso opportune procedure. Distinguiamo: - PROCEDURE INFERENZIALI - PROCEDURE ESPLORATIVE

29 FASE 4: METODI DI CLUSTERING Le procedure di clustering gerarchiche aggregative si articolano in FASI.: 1. Si individuano nella matrice D le 2 unità con la minore distanza (cioè tra loro più simili) e si riuniscono a formare il 1 gruppo. Si ottiene una partizione con (n-1) gruppi di cui (n-2) costituiti da singole unità e l altro formato da 2 unità. 2. Si ricalcola, adottando un certo criterio, la distanza del gruppo ottenuto dagli altri gruppi (eventualmente costituiti da una sola unità), ricavando una nuova matrice delle distanze, con dimensioni diminuite di uno. 3. Si individua nella nuova matrice delle distanze la coppia di unità (o gruppi) con minore distanza, riunendole in un unico gruppo. 4. Si ripetono le fasi 2 e 3 sino a quando tutte le unità sono riunite in un solo gruppo.

30 Le differenze tra i vari metodi gerarchici (aggregativi) consistono nel criterio utilizzato per calcolare la distanza tra 2 gruppi di unità (uno dei quali eventualmente formato da una sola unità).tra i più diffusi ricordiamo: 1. METODO DEL LEGAME SINGOLO (O SINGLE LINKAGE O DEL VICINO PIU PROSSIMO) 2. METODO DEL LEGAME COMPLETO (O COMPLETE LINKAGE O DEL VICINO PIU LONTANO) 3. METODO DEL LEGAME MEDIO (TRA I GRUPPI) (O AVERAGE LINKAGE) 4. METODO DEL LEGAME MEDIO NEI GRUPPI METODO DI WARD (O DELLA MINIMA DEVIANZA) 5. METODO DEL CENTROIDE. Analizziamo il primo metodo applicandolo al nostro esempio.

31 METODO DEL LEGAME SINGOLO La distanza tra 2 gruppi C1 e C2 è definita come il minimo delle distanze tra ciascuna delle unità di un gruppo e ciascuna delle unità dell altro gruppo. Nel nostro esempio, considerando la martrice delle distanze costruita in precedenza avremo:! A questo punto occorre solamente osservare qual è il valore più piccolo all interno della matrice, che corrisponde alla distanza più piccola tra tutte le unità considerate. In questo caso si nota che il valore di distanza più piccolo è 1, che si trova in corrispondenza delle unità 1 e 3. Questo significa che le unità 1 e 3 si aggregano in corrispondenza della distanza 1; ora possiamo riscrivere la nostra matrice considerando l aggregazione delle nostre due unità e considerando per ogni gruppo i valori più piccoli.!

32 Qual è la distanza più piccola tra le unità 1,3 e l unità 2?! 2 Qual è la distanza più piccola tra le unità 1,3 e l unità 4?! 32 Qual è la distanza più piccola tra le unità 2 e 4?! 50 Con questi dati, costruiamo la nostra nuova matrice: (1, 3) 2 4 (1, 3) Ora occorre solamente ripetere l operazione fatta in precedenza.

33 (1, 3) 2 4 (1, 3) Qual è il valore più piccolo all interno della matrice, che corrisponde alla distanza più piccola tra tutte le unità considerate? In questo caso, il valore più piccolo è 2, in corrispondenza del gruppo formato dalle unità 1 e 3 (formatosi in precedenza) e dell unità 2. Perciò avremo:! (1, 3; 2) 4 (1, 3; 2) Questo è l ultimo passaggio, poiché in corrispondenza del valore 32 tutte le unità si aggregano in un unico gruppo. Ora dobbiamo scegliere il numero di Cluster in base alla loro Coesione Interna e alla loro Separazione Esterna ; ciò significa che le unità dei cluster dovranno essere il più possibile simili tra di loro e dfferenti da quelle degli altri cluster.

34 FASE 5: RAPPRESENTAZIONE GRAFICA DEI RISULTATI: IL DENDROGRAMMA La famiglia di partizione ottenuta con un metodo gerarchico aggregativo può essere rappresentata graficamente mediante un DENDROGRAMMA In particolare, si considera un sistema di assi cartesiani in cui in ascisse si pongono le unità statistiche e in ordinata i livelli di distanza che caratterizzano le aggregazioni delle diverse partizioni.

35 Un esempio di dendrogramma, riferito al nostro esempio, è il seguente: 32 DISTANZE! UNITA!

36 FASE 6: DETERMINAZIONE DEL NUMERO OTTIMO DI CLUSTER Abbiamo visto che un algoritmo gerarchico aggregativo genera una famiglia di partizioni delle n unità con un numero di cluster via via decrescenti da n a 1. Si pone quindi in essere il problema di scegliere, tra le diverse partizioni, la partizione ottimale (e quindi il numero di cluster ottimale). Tale obiettivo può essere raggiunto considerando le condizioni desiderabili di coesione interna (piccola variabilità all interno dei cluster) e separazione esterna (gruppi ben distinti tra loro) e quindi basandoci sulla scomposizione della devianza totale.

37 IN GENERALE, SI POSSONO DISTINGUERE DIVERSI CRITERI. 1. TEST DI SEPARAZIONE TRA CLUSTER Si considerano test per verificare se la distanza tra i centroidi dei cluster è significativa. 2. INDICI SINTETICI Ad esempio l indice R2. Una buona classificazione è caratterizzata da una ridotta quota di devianza nei cluster (W) e da un elevato valore delle devianza tra i cluster (B). 3. ISPEZIONE (DIRETTA) DEL DENDROGRAMMA (α-taglio) Si taglia il dendrogramma in corrispondenza di un salto nei livelli di distanza in cui è avvenuta l aggregazione. Ad esempio:

38 Tagliando all altezza 2,3 otteniamo 2 cluster: il primo comprende le unità 1, 3 e 2; il secondo è composto dalla sola unità DISTANZE! 2 taglio! UNITA!

39 FASE 7: VERIFICA E INTERPRETAZIONE DELLE SOLUZIONI Si calcolano i vettori medi di ciascun cluster ottenuto e si confrontano i valori dei vettori pertinenti alle variabile in esame. Quindi, la caratterizzazione di ogni cluster avviene in base a tali valori. Ricordate il nostro esempio? Radio TV Internet unità unità unità unità Ora possiamo scomporre il nostro campione nei due cluster, costruendo due matrici: Radio TV Internet unità unità unità Radio TV Internet unità

40 Calcoliamo le medie per ogni variabile, riferite ai due cluster: media Radio TV Internet ,67 5,67 8,33 media Radio TV Internet ,00 6,00 4,00 Cosa possiamo notare? Esistono delle differenze evidenti tra i due Cluster?

41 Ricordate la matrice dalla quale siamo partiti? Immaginate di dover impostare una strategia comunicativa per due imprese: la prima è una compagnia navale, mentre la seconda è una compagnia aerea. Cosa fareste? Quale canale comunicativo utilizzereste per mandare in onda i vostri spot? Radio TV Internet Viaggi Nave Viaggi Aereo unità unità unità unità

42 Ora possiamo calcolare le medie per ogni variabile, riferite ai due cluster: Radio TV Internet Viaggi in nave Viaggi in aereo MEDIA 3,67 5,67 8, Radio TV Internet Viaggi in nave Viaggi in aereo MEDIA Adesso provate a rispondere alla domanda iniziale: QUALI CANALI COMUNICATIVI UTILIZZERESTE PER MANDARE IN ONDA I VOSTRI SPOT?