Appunti di Analisi di mercato

Ricerche di Mercato

Perché

• Conoscenza clienti e concorrenti può offrire all'impresa un vantaggio competitivo
• Rispondere ai bisogni dei clienti in modo più preciso
• Differenziarsi rispetto ai concorrenti

Conoscere mercato costituisce un elemento fondamentale per un'impresa che intende operare in un'ottica orientata al mercato

• Costruire una chiara immagine di marca
• Fidelizzare i clienti
• Consolidare relazioni con i fornitori, distributori più utili per creare valore per l'impresa

Fasi

• Descrizione problema marketing
• Definizione del tema di ricerca
• Definizione formula della ricerca
• Individuare fonti di dati, scelta della tecnica di raccolta dei dati, individuazione dei metodi di analisi
• Esecuzione della ricerca
• Presentazione dei risultati della ricerca

TIPOLOGIE DATI

PRIMARI

• DATI RACCOLTI CON LO SCOPO DI EFFETTUARE ANALISI SPECIFICA.
• DATI COLLEZIONATI CON INDAGINE CAMPIONARIA

SECONDARI

• DATI COLLEZIONATI PER ALTRI SCOPI, POSSONO ESSERE USATI PER RICERCHE CHE L'IMPRESA INTENDE EFFETTUARE

• GIA' DISPONIBILI ALL'INTERNO DELL'IMPRESA, MA SONO STATI ARCHIVIATI PER FINALITÀ NON STATISTICHE

• ACCESSIBILI CONSULTANDO DELLE FONTI INFORMATIVE ESTERNE ALL'IMPRESA. SONO STATI COLLEZIONATI IN MODO INDIPENDENTE DAI BISOGNI CONOSCITIVI DELL'IMPRESA

INDAGINI CAMPIONARIE

• OGNI UNITÀ POPOLAZIONE HA UNA PROBABILITÀ CONOSCIUTA E DIVERSA DA ZERO DI ESSERE INCLUSA NEL CAMPIONE

• NON SONO COSTRUITI SECONDO UNA LEGGE PROBABILISTICA

• RILEVAZIONI CAMPIONARIE CONDOTTE PERIODICAMENTE SULLO STESSO CAMPIONE, MONTATO IN MODO CONTINUATIVO

UTILIZZI DEI PANEL: SCOMPOSIZIONE DELLA QUOTA DI MERCATO

QMi = Qi / Q

Qi = quantità di prodotto venduta dall'azienda

Q = quantità di prodotto venduta complessivamente dalle aziende nella categoria di prodotto considerata

Dove ΣiQi = Q

SCOMPOSIZIONE

QMi = (Qi / ACsi) x (ACsi / Q)

ACsi = Ammontare degli acquisti nella categoria di prodotti effettuati dai clienti seguiti dall'azienda i

SCOMPOSIZIONE INDICE COPERTURA PONDERATA

ACsi / a = (ACsi / Ni) x (Ni / N)

Ni = Numero clienti dell'azienda i

N = Numero clienti della categoria di prodotto

Dove ΣiNi = N

Indicatori

• Supporto di {A} => {B}
  • S({A} => {B}) = n_AB / n
  • È una misura simmetrica
• Predicibilità di {A} => {B}
  • P({A} => {B}) = n_AB / n_A
  • Varia tra 0 e 1
  • È una misura asimmetrica
• Lift di {A} => {B}
  • LC({A} => {B}) = n_AB / n_A * n / n_B
  • = n_AB / n_A * n_B
  • È una misura simmetrica

n_AB = Frequenza teorica

LC({A} => {B}) > 1 => Associazione positiva tra acquisto A e acquisto B

0 < LC({A} => {B}) < 1 => Associazione negativa tra acquisto di A e acquisto di B

Classificazione regole associazione

• Regole più rilevanti
  • Sono quelle che presentano un elevato supporto ed elevata predicità

• Si fissano soglie minime per individuare regole associative più interessanti.

Supporto elevato (assicurare che la frazione di transazioni congiunte nella regola associativa sia considerevole)

Predicità elevata (permite selezionare gruppi di consumatori con un comportamento di acquisto prevedibile)

Matrice Transizione

S1, S2, ..., Sj, ..., Sk P12, P1j, ..., P1k P21, P2j, ..., P2k ..., ..., Pi2, ..., Pir ... Pk1, ..., Pkj, ..., Pkk

R Stati → Pagine web visitate sul sito → Probabilità di transizione dallo stato Si allo stato Sj

Probabilità Transizione

Pij = P(Sj | Si)

In termini di regola di associazione Pij = P({Si} → {Sj})Caso regole associative non sequenziali

Pij = N({Si, Sj} = {Sj}) / N({Si})

• Si stato origine, stati destinazione sono
• Sj j = 1, ..., k
• Stato destinazione nullo (sK+1), si realizza nel caso in cui la sequenza non transiti da Si ad alcuno degli stati di destinazione possibili
• ∑ Pij = 1 j=1

Matrice Transizione (1)

t

• S1
• S2
• S3
• Sk

1. n11 n12 -- n1j -- n1k U1
2. n21 n22 -- n2j -- n2k U2
3. -- -- -- --
4. ni1 ni2 -- nij -- nik Ui
5. -- -- -- --
6. nk1 nk2 -- nkj -- nkF Uk

• E1 E2 -- Ej -- Ek

Oi = numero clienti che hanno acquistato la marca Si e non hanno acquistato in t+1

Ej = numero clienti che non hanno acquistato nel periodo t ed hanno acquistato in t+1 Sj

Matrice Transizione (2)

t+1

• S1 S2 -- Sj -- Sk

1. P11 P12 -- P1j -- P1k
2. P21 P22 -- P2j -- P2k
3. -- -- -- --
4. Pi1 Pi2 -- Pij -- Pik
5. -- -- -- --
6. Pk1 Pk2 -- Pkj -- PkF

Pij = Probabilità transizione marca Si alla marca Sj è il tasso sostituzione

• --> Tasso di sostituzione attiva (sottocchin in) per la marca SjSj trovato sulla colonna corrispondente alla marca

Accuratezza della classificazione

Considerate un datanouse nel test set con il valore assegnato dal classificatore yᵢ*

Funzione perdita

L(yᵢ, yᵢ*) =

• 1 yᵢ ≠ yᵢ*
• 0 yᵢ = yᵢ*

A = 1 - (1/NB) Σᵢ=1 L(yᵢ, yᵢ*)

A = 1 Classificatore ha operato in modo corretto

A = 0 Classificatore ha sbagliato la classificazione

• Scomposizione Serie Storica
• Modello Additivo

Nel'approccio classico all'analisi delle serie storiche si ipotizza che la serie osservata sia composta da una componente deterministica, stagionale e accidentale.

Ogni osservazione Xt risulta dall'aggregazione delle 3 componenti, secondo un modello additivo:

Xt = Tt + St + et

Modello Moltiplicativo

• È indicato se l'ampiezza delle oscillazioni stagionali cambia al variare del livello della serie
• Xt = Tt * St * et

Tt = Trend = componente di fondo che rappresenta l'andamento tendenziale di un fenomeno economico nel tempo

St = Componente stagionale = costituita da variazioni infra-annuali che si ripresentano sistematicamente ogni anno

et = Componente accidentale, non è spiegata dal modello

Analisi Grafica

• Seasonal Plot

I valori della serie originaria sono scomposti per anno e per ogni anno si rappresenta un grafico con i valori delle vendite riferiti ai tempi di quell'anno

Indicatori

• MES(C) = Σ Ρ_t² / t-n

Per valutare bontà di adattamento

• MSE(EP) = Σ ep_k² / k-t-n+1

Per valutare bontà di previsione

MAPE = Errore Medio Assoluto Percentuale

• MAPE(C) = 100 * Σⁿ Ρ_t / Σⁿ X_j

Per valutare bontà di adattamento

• MAPE(EP) = 100 * Σⁿ (ep_k / X_k) / n

Per valutare bontà di previsione

Previsione a breve termine

Livellamento esponenziale semplice

• Metodo di previsione pratico e di semplice applicazione
• Si usa per effettuare previsione al tempo t per il tempo t+1
• Si usano tutti i dati della serie storica ma si attribuisce maggiore importanza alle osservazioni più recenti
• Adatto quando la serie storica presenta un livello approssimativamente costante, almeno nel breve periodo