Per il Multidimensional scaling è quindi necessario rilevare dei dati particolari: quelli che esprimono un giudizio comparativo dei consumatori nei confronti dei prodotti/marche presenti sul mercato di interesse.
Per ciò che riguarda la tecnica di rilevazione, i dati di prossimità possono essere ottenuti contattando un campione di consumatori, secondo diverse modalità:
Si è soliti parlare di multidimensional scaling metrico quando i valori di prossimità in input sono di tipo metrico, ossia sono espressi secondo scale di misura ad intervallo o a rapporti.
In questo caso l’obiettivo dell’analisi è di determinare una configurazione degli n elementi in uno spazio geometrico di dimensione ridotta, in modo tale che le distanze tra i punti che li rappresentano siano il più possibile vicine alle prossimità originarie.
In generale all’aumentare della non somiglianza, deve crescere anche la distanza tra i punti nello spazio geometrico.
Si possono utilizzare diverse misure di distanza tra i punti; ma quella maggiormente usata è la distanza euclidea.
Nella pratica delle ricerche di mercato matrici di dati di prossimità di questo tipo sono raramente disponibili.
Il modello cosiddetto metrico, utilizzabili per dati di prossimità su scala metrica ed espressi in forma aggregata, ha lo scopo di individuare una configurazione degli n prodotti o marche in esame in uno spazio geometrico di dimensioni p. ai fini dell’interpretazione di una soluzione di MDS è cruciale proprio la scelta del numero di dimensioni della configurazione. Un numero limitato facilita la rappresentazione grafica facilitando di conseguenza l’interpretazione. Ciò non garantisce però che la soluzione sia anche statisticamente soddisfacente. Una regola ci comportamento pratico suggerisce di tener conto del numero di prodotti o marche sottoposti all’analisi. Per ottenere una configurazione interpretabile è necessario che le coppie distinte di elementi presi in esame siano almeno in numero doppio rispetto alle coordinate della mappa da stimare.
Dati quindi N elementi, di cui si conosce la matrice delle distanze D(N,N), la tecnica MDS ci permette di definire una matrice di coordinate X(N,k, con k<<N) in uno spazio metrico euclideo adeguato a rappresentare gli N elementi considerati. Tali coordinate non sono quelle dei punti realmente associati alla matrice D originaria e che in seguito saranno indicati con Z. Ma esse sono relative ad un insieme di punti tali che la matrice delle loro distanze D sia il più possibile simile alla matrice D originaria. Per dare una rappresentazione centrata delle coordinate dei punti si introduce la matrice B definita in figura.
brs rappresenta le coordinate del r-esimo ed s-esimo punto, individuati come elementi della matrice Z.
Inoltre si osservi che, diagonalizzando la matrice B si ottiene: B = Γ Λ Γ’
La simmetria della matrice B garantisce l’esistenza di una base ortonormale di autovettori Γ per B e permette di definire la matrice Λ come una matrice diagonale in cui sono presenti gli autovalori della matrice B.
Quindi è possibile arrivare alla formulazione X studiando gli autovalori e gli autovettori della matrice B (vedi figura) dove le colonne rappresentano gli autovettori calcolati mentre la riga i-esima costituisce le coordinate dell’i-esimo elemento che si voleva rappresentare.
La Café latina s.p.a., azienda presente da molti anni in una posizione di rilievo sul mercato nazionale del caffè, intende conoscere il modo in cui il proprio prodotto si posiziona nella mente dei consumatori rispetto alle altre marche di caffè presenti sul mercato. Le marche dei principali concorrenti appartenenti alla stessa classe di prodotti sono:
Sulla prima dimensione si ha la contrapposizione tra G e le altre marche, in particolare A e S
Gli attributi che differenziano la G dalla A e dalla S sono il prezzo e la qualità.
La prima dimensione sintetizza il rapporto prezzo-qualità.
Seconda dimensione: contrapposizione tra L e K, da una parte, e G dall’altra. Il contrasto si basa su:
prezzo, reperibilità, varietà dei prodotti, ricorso a pubblicità televisiva e esistenza di un servizio consumatori (numero verde) e ancora una volta qualità.
Significato alla seconda dimensione: si può parlare di variabile di status.
Se i valori di prossimità in input sono espressi su una scala di tipo ordinale si applicano metodi di Multidimensional scaling non metrico. In questo caso l’obiettivo dell’analisi è di pervenire ad una configurazione degli n elementi in uno spazio geometrico di dimensione ridotta tale per cui l’ordinamento generato dalle distanze tra gli n punti che li rappresentano sia il più possibile analogo a quello dato dalle prossimità originarie.
Con l’MDS non metrico non è possibile definire direttamente una soluzione analitica, ma viene utilizzata una procedura iterativa, che, partendo da una configurazione iniziale di distanze, scelta a caso, consente di giungere ad una matrice finale di distanze e di coordinate.
L’esempio riguarda un’indagine sul posizionamento di 5 marche di pasta alimentare. Il giudizio di prossimità dei consumatori poteva essere distorto dal differente e vasto assortimento esistente nell’ambito della stessa marca. Per tale motivo, il confronto è stato limitato ad un singolo prodotto: gli spaghetti, che rappresenta un pò il biglietto da vista delle marche considerate almeno per il mercato territorio d’indagine.
Le marche prese in considerazione sono: V, B, D, R e A.
La prima dimensione sintetizza il prezzo con la reperibilità.
La seconda sintetizza l’immagine di marca che scaturisce dalla comunicazione pubblicitaria.
In pratica, ordinate le distanze secondo il posto occupato dai rispettivi indici di dissimilarità, se nella successione delle distanze alcuni valori consecutivi si discostano dalla monotonicità, ad ognuno di essi si sostituisce la loro media.
La nuova successione, se è monotona, è quella delle disparità, le quali non sono distanze, se non è monotona, si ripete il procedimento finché non viene soddisfatta la condizione di monotonicità.
Nel multidimensional scaling non metrico la qualità dell’adattamento ai dati viene misurato tramite una misura chiamata STRESS (vedi figura).
Il modello di analisi dei dati di preferenza conosciuto come unfolding ipotizza che i consumatori, al momento in cui formulano giudizi di preferenza, siano caratterizzati da un punto di riferimento ideale.
Si stimano, quindi, anche le coordinate del punto ideale individuale:
Per valutare le coordinate dei punti ideali si possono utilizzare due distinti approcci, l’approccio implicito ed esplicito. Nel primo caso la stima delle coordinate del punto ideale avviene a partire dai soli giudizi di preferenza espressi sui prodotti a confronto.
Nel secondo caso la stima è effettuata a partire da risposte dirette degli intervistati su questo argomento, il che avviene includendo un prodotto ideale ipotetico tra quelli giudicati.
L’analisi di unfolding ha come obiettivi principali:
1. Analisi di mercato: introduzione
2. Progettazione, realizzazione e controllo nelle indagini statistiche
3. Il trattamento dei dati mancanti
5. Richiami al campionamento statistico
6. La segmentazione del mercato I
7. La segmentazione del mercato II
9. Posizionamento di prodotti e/o marche