Vai alla Home Page About me Courseware Federica Living Library Federica Federica Podstudio Virtual Campus 3D Le Miniguide all'orientamento Gli eBook di Federica La Corte in Rete
 
 
Il Corso Le lezioni del Corso La Cattedra
 
Materiali di approfondimento Risorse Web Il Podcast di questa lezione

Simona Balbi » 7.La segmentazione del mercato II


La segmentazione a posteriori

Le tecniche di segmentazione a posteriori si differenziano da quelli a priori in relazione al modo in cui viene selezionata la base di segmentazione: in questo caso infatti non sono prefissati né il numero né le tipologie dei gruppi da formare.

Le tecniche statistiche utilizzate sono riconducibili alla Cluster Analysys che a partire dal grado di dissomiglianza rispetto ad un insieme di variabili raggruppa le unità statistiche.

La segmentazione a posteriori

L’obiettivo è quello di scomporre una realtà complessa di osservazioni plurime mediante l’identificazione di una tipologia differenziata di comportamenti. In altri termini, da un insieme eterogeneo di clienti si vogliono ottenere sottoinsiemi mutuamente esclusivi e omogenei.

Migliorare il grado di comprensione dei comportamenti di acquisto (se differenziati) e valutare le opportunità di sviluppo per nuovi prodotti.

I metodi statistici per la segmentazione a posteriori

L’obiettivo è quello di scomporre una realtà complessa di osservazioni plurime mediante l’identificazione di una tipologia differenziata di comportamenti. In altri termini, da un insieme eterogeneo di clienti si vogliono ottenere sottoinsiemi mutuamente esclusivi e omogenei con l’obiettivo di migliorare il grado di comprensione dei comportamenti di acquisto (se differenziati) e valutare le opportunità di sviluppo per nuovi prodotti. La tecnica più utilizzata è la Cluster Analysis.

Le principali tecniche statistiche: gli algoritmi di cluster analysis

La cluster analysis è una tecnica esplorativa e può essere vista come un procedimento empirico di classificazione, ossia come una famiglia di algoritmi.

Il punto di partenza è un collettivo statistico di n elementi, ciascuno rappresentato da p variabili, organizzati in una matrice individui X variabili.

Si immagina che ogni unità statistica possa essere rappresentato in uno spazio multidimensionale. In termini intuitivi, quello che si vuole trovare sono addensamenti di questi punti.

Struttura degli algoritmi di cluster analysis

  1. Selezione degli elementi del collettivo
  2. Scelta delle variabili di segmentazione e loro eventuale trasformazione
  3. Selezione di un criterio per valutare le (dis)somiglianze esistenti fra elementi osservati
  4. Scelta di un algoritmo di raggruppamento
  5. Determinazione del numero di gruppi (partizione ottimale)
  6. Interpretazione

La segmentazione flessibile

L’obiettivo è quello di identificare segmenti di mercato costituiti da clienti con profili simili in termini di gradimento o preferenza nei confronti di prodotti o marche già esistenti oppure in fase di progettazione.

I prodotti/servizi sono descritti in base a specifiche combinazioni di modalità o di livelli di caratteristiche distintive, quali il design, il prezzo, l’assistenza post-vendita, ecc…

Lo schema di segmentazione flessibile si fonda sull’integrazione dei risultati della Conjoin Analysis (nel seguito CA) e di quelli relativi ad una simulazione del comportamento di scelta dei consumatori.

Tale tecnica è indicata soprattutto nel caso in cui si procede allo studio di mercati di prodotti/servizi a forte coinvolgimento psicologico al momento dell’acquisto laddove è sconsigliata nel caso di beni acquistati d’impulso.

La segmentazione flessibile

L’obiettivo è quello di identificare segmenti di mercato costituiti da clienti con profili simili in termini di gradimento o preferenza nei confronti di prodotti o marche già esistenti oppure in fase di progettazione.

I prodotti/servizi sono descritti in base a specifiche combinazioni di modalità o di livelli di caratteristiche distintive, quali il design, il prezzo, l’assistenza post-vendita …

Lo schema di segmentazione flessibile si fonda sull’integrazione dei risultati della Conjoint Analysis e di quelli relativi ad una simulazione del comportamento di scelta dei consumatori.

La Conjoint analysis I

La Conjoint analysis è una tecnica di analisi multivariata che consente di misurare l’importanza relativa di una serie di attributi di un prodotto/servizio partendo dall’analisi dei giudizi di preferenza che i consumatori/giudici esprimono rispetto ad una serie di alternative complesse (profili/stimoli).

Essa si basa su due punti fondamentali:

  • il punto di vista del consumatore è alla base della moderna concezione della qualità
  • un prodotto può essere definito come un paniere di attributi

I profili (o stimoli) derivano dalle diverse combinazioni dei livelli degli attributi del prodotto/servizio oggetto dell’indagine.

La Conjoint analysis II

Dal giudizio del consumatore sul prodotto globale si calcolano le utilità parziali (=importanza associata ai livelli degli attributi)

Yi = ∑k uik xik + eik

L’utilità totale è la somma o il prodotto delle utilità parziali (modello additivo o moltiplicativo). Il modello più utilizzato è quello additivo con:

  • Yi utilità totale del profilo
  • uik coefficiente di utilità parziale
  • xik livello dell’attributo
  • eik residuo

Le fasi della CA

Le fasi della CA sono:

  1. individuazione di fattori e livelli
  2. costruzione degli scenari e scelta del livello di misurazione
  3. presentazione degli scenari
  4. stima delle utilità

La scelta di attributi e livelli avviene di solito attraverso il ricorso ad analisi qualitative su un campione di consumatori o a Focus group con esperti.

Proporre tutte le combinazioni possibili di prodotto è gravoso, si procede ad una riduzione mediante disegni fattoriali frazionati o campionamento casuale. Una volta costruiti, i profili sono sottoposti ai giudici.

Le preferenze possono essere espresse come punteggi (rating) o ordinamenti (ranking). Quando si è interessati al solo ordine di preferenza si parlerà di approccio non metrico e la tecnica di stima è di solito la Monanova (monotonic analysis of variance). Nell’approccio metrico la variabile di risposta è considerata continua e la CA è vista come un modello di regressione lineare multipla in cui la variabile dipendente Y è il punteggio espresso da un giudice rispetto agli stimoli e le variabili indicatrici x1,…,xk descrivono i livelli di ciascun fattore.

  • Contenuti protetti da Creative Commons
  • Feed RSS
  • Condividi su FriendFeed
  • Condividi su Facebook
  • Segnala su Twitter
  • Condividi su LinkedIn
Progetto "Campus Virtuale" dell'Università degli Studi di Napoli Federico II, realizzato con il cofinanziamento dell'Unione europea. Asse V - Società dell'informazione - Obiettivo Operativo 5.1 e-Government ed e-Inclusion