Appunti lezioni Sviluppo e marketing di prodotto

Mappe percettive

Le mappe percettive rappresentano il posizionamento dei prodotti in relazione ad una serie

di bisogni primari e consentono di formulare i benefici chiave per il posizionamento strategico

del prodotto. Le mappe percettive hanno due dimensioni, perchè la lettura in dimensioni

maggiori è molto più difficile. ll cliente però potrebbe rappresentare la nostra idea anche con

un numero di dimensioni superiori a due, quindi rappresenteremo la nostra idea a coppie di

due dimensioni, per aumentare ulteriormente l'interpretazione. Ci permette di confrontare la

nostra idea di prodotto con le altre disponibili, in base a una serie di bisogni primari. Non si

studia solo questo, ma anche il sistema di riferimento utilizzato dai consumatori, quindi cosa

percepiscono e come lo valutano, quindi si mostrano le preferenze dei consumatori. La

percezione è un termine di valutazione più semplice della preferenza. I consumatori collocano

i prodotti in base ad uno schema mentale. Le mappe percettive rispondono alle seguenti

domande:

Ÿ Chi sono i potenziali rivali dei nostri prodotti?

Ÿ Come "appariamo" rispetto ai nostri concorrenti?

Ÿ Sulla base di quali dimensioni?

Ÿ In che modo sono stati soddisfatti i bisogni dei consumatori? --> non tutte le mappe

Dobbiamo capire quali consumatori sono sensibili a quali attributi.

L'uso delle mappe percettive nel processo di sviluppo di nuovi prodotti: le mappe possono

essere usate per confrontare un nuovo concetto con un prodotto esistente e consentono di

valutare se ed in che modo il nuovo concetto contribuisce all'identificazione dei benefici

chiave. Operativamente, per formulare i benefici chiave, il team deve identificare:

Ÿ I bisogni dei consumatori sottostanti ad un numero ridotto di bisogni finali;

Ÿ I bisogni di gruppi di consumatori in termini di bisogni primari e, in particolare, la definizione

del numero e dei nomi di tali bisogni;

Ÿ Il posizionamento dei prodotti esistenti rispetto alle dimensioni percettive corrispondenti ai

bisogni primari;

Ÿ Le preferenze dei diversi segmenti di clientela in relazione ai bisogni primari.

Avversione agli estremi--> quando sto agli estremi la probabilità di fare un errore è più alta

per cui si evitano.

Effetto Alone--> concentrandoci su un aspetto sovrascrivo tutte le valutazioni successive

I dati raccolti con i sondaggi vengono messi in un database, si crea una matrice dei dati. Per

ogni rispondente si hanno una quantità di righe corrispondente alla quantità di marche

valutate. Nelle colonne sono presenti gli attributi, una per attributo.

Cerco variabilità, quindi i dati devono variare molto. Calcolo media e varianza per ogni

attributo. Calcolo da differenza tra i rispondenti, eterogeneità. Come posso rappresentare

questi dati efficacemente?

Esistono diversi modi (es. spazio a due dimensioni, profiling plot, grafico a radar, istogramma)

Però c'è un modo migliore? Possiamo fare una matrice di correlazione, dobbiamo ridurre gli

elementi di valutazione. Ci sono due scelte: quale schema di rappresentazione usiamo e

dobbiamo riuscire a collocare le marche in quello schema.

Percezioni, Preferenze e Scelte

Percezioni: si riferiscono alle convinzioni che i consumatori hanno circa i diversi prodotti

disponibili sul mercato.

Preferenze: si riferiscono a uno stato mentale che consente ai consumatori di un anteporre

nella loro mente un prodotto ad un altro rispetto ad un attributo.

Scelte: implicano una valutazione tra le diverse alternative disponibili, valutazione che può

condurre all'acquisto.

Percezioni--> Preferenze --> Scelte

Mappe percettive, Mappe di preferenza e Mappe Joint

Space

Rispetto a questa struttura si possono fare tre tipi di mappe:

Ÿ Mappe percettive (metodi basati sulle somiglianze e metodi basati sugli attributi);

Ÿ Mappe di preferenza, rappresentazione geometrica del punto ideale, in cui vengono

combinate in modo ideale due caratteristiche (Punto ideale e Modello Vettore);

Ÿ Mappe Joint Space, non ci si preoccupa solo di definire dimensione 1 (Y), dimensione 2 (X)

e posizione del prodotto, ma si cerca anche di sintetizzare la definizione del punto ideale

attraverso più segmenti. Si creano quindi rappresentazioni che indicano come gli attributi si

integrano glu uni con gli altri. Combinazione delle precedenti, due spazi: uno delle percezioni

e l'altro delle preferenze (PREFMAP e Mappe "Joint space" utilizzando metodi percettivi

modificati).

Creare una mappa percettiva

Abbiamo due strade:

Ÿ Metodi Decompositivi e libero di attributi, detto anche metodo attribute-free. Questi metodi

sono basati sulla somiglianza. Le dimensioni sottostanti vengono inferite da una serie di

giudizi di somiglianza forniti dai consumatori circa alcuni oggetti all'interno di un dataset.

Metodo: multidimensional scaling. Partiamo da una valutazione aggregata. Semplice, chiedo

alle persone di confrontare gli oggetti e dire quanto sono simili. Raccolgo tante informazioni,

quanto A è simile a B, quanto B a C, quanto A a C. Arrivo in cosa A è diverso da B senza

chiederlo ai rispondenti. Non chiedo ai rispondenti di valutare perchè A è diverso da B.

Chiedo solo il il grado di similarità/dissimilarità e non cosa li differenzia. Difficile da

interpretare ma molto ricco. Tutte le ragioni sono dentro i dati. Rinunciamo alle informazioni

ottenute con le interviste in profondità. Otteniamo una misura di distanza, che poi cerchiamo

di decomporre per capire.

Ÿ Metodi Compositivi o attribute-based. Questi metodi sono basati sugli attributi. Ogni

oggetto viene valutato rispetto a una serie di attributi predefiniti. Gli attributi sono ridotti ad un

numero di dimensioni inferiori. Metodo: analisi delle componenti principali e analisi dei fattori,

analisi discriminante e analisi delle corrispondenze. Faccio domande molto specifiche, però

non posso andare oltre quelle. Poi analizzo i dati ricavati da queste domande. Se ci sono dei

fattori che vanno oltre alle domande fatte non lo sapremo mai. In essi partiamo da

un'informazione disaggregata e cerchiamo di comprarla per ridurre lo spazio del problema, se

abbiamo la rappresentazione di 10 attributi non molto informativa, riduciamo in bisogni di

ordine superiore aggregandoli, componendoli.

I due metodi sono complementari.

Metodi attribute-based

Scelgo attributi emersi nel focus group o interviste in profondità. Crediamo di essere in grado

di creare una lista completa dei bisogni partendo dalle informazioni emerse dalle interviste.

Anche se tecnicamente corretta, se trascuriamo delle informazioni che influenzano

notevolmente la valutazione dei consumatori, i risultati non sono corretti.

Sistema di riferimento --> logica che porta a giudicare e valutare, non è conosciuto a priori.

Il nostro obiettivo è produrre una visualizzazione dei dati che catturare l'essenza delle

informazioni. Consideriamo la matrice di correlazione basata sui dati grezzi.

Vogliamo una rappresentazione sintetica dello schema di riferimento.

Assumiamo che la variabilità degli individui è marginale rispetto alla variabilità tra marche.

Ipotesi che il gruppo di riferimento ha opinioni analoghe rispetto alle marche.

Prima considerazione: quali sono le componenti di variabilità?

Eterogeneità osservata: osservo delle fonti di differenza e verifico se influenzano

Eterogeneità non osservata: cioè le fonti di differenza non osservabili, non posso dividere il

campione in base a questa caratteristica.

Si parte dalla matrice di correlazione (lineare), dobbiamo cercare di sintetizzarla.

Cause di correlazione

Ÿ Similarità semantica: le domande sono semplicemente delle variazioni verbali dello stesso

concetto;

Ÿ Relazione causale percepita, cioè due variabili che si muovono nella stessa direzione;

Ÿ Associazioni cognitive basate su correlazioni "econologiche": non c'è relazione causale

percepita di per sé, ma esiste una "condizione ambientale", i consumatori vedono legami che

noi non vediamo.

Sono guidata da due fondamentali desideri. Si possono usare due tipi di analisi, che dal

punto di vista statistico sono diverse, ma conducono agli stessi risultati.

Il primo è un desiderio di semplificazione, il secondo è il desiderio di identificare una struttura

sottostante (elementi correlati che descrivono un qualcosa che non è direttamente

misurabile). L'idea dietro al secondo desiderio è più avanzata, gli elementi covariano a

descrivere qualcosa che non posso direttamente misurare.

Analisi dei fattori

Analisi statistica multivariata per raggruppare insieme le variabili correlate per semplificare i

dati ed evidenziare le strutture sottostanti i dati. Permette di esaminare le interdipendenze tra

le variabili. L'analisi delle componenti principali risponde al desiderio di semplificare, mentre

l'analisi dei fattori risponde al desiderio di identificare la struttura sottostante i dati ed esamina

le interdipendenze tra le variabili. L'obiettivo dell'analisi dei fattori è catturare quanta più

informazione nel modello originale possibile con il minor numero di fattori possibili.

I dati osservati sono effettivamente generati da un insieme di fattori sottostanti:

Analisi delle componenti principali

Sta all'interno dell'analisi dei fattori, è la sua forma più semplice. Una tecnica "collegata" in cui

vengono create nuove variabili (componenti principali) che sono combinazioni lineari delle

variabili originali. Nella pratica l'analisi dei fattori e l'analisi in componenti principali vengono

usati per lo stesso scopo ma è sbagliato.

Vogliamo sintetizzare le informazioni e fare un riassunto, in modo che emerga l'attributo

principale e gli altri più importanti, tutto il resto gli abbandoniamo. In questo modo si ha una

perdita. Quindi aggiungo una variabile che racchiude quelle che sarebbero state

abbandonate.

Guardo quanto è perduto con il primo attributo, poi ne aggiungo altri fino a che ottengo ciò

che voglio, quindi una combinazione di attributi che permettono di sintetizzare. Ciascun

attributo ha un peso.

Prendo l'intera varianza osservata in un dataset e cerco di spiegare quella variabilità con un

numero di variabili molto più basso di quelle mappate nel dataset. Creo una combinazione

lineare che sintetizzi la variabilità. Con una prima variabile che spiega la maggior parte della

varianza, la seconda vede quanta variabilità resta.

PC1 deve spiegare la quantità più grande possibile di varianza nei dati. PC2 deve spiegare la

quantità più grande di varianza non spiegata da PC1.

Autovalore superiore a 1 significa che la variabilità della componente principale è maggiore

della variabilità delle singole