Appunti di Marketing di prodotto

ANALISI DELLE PERCEZIONI

Una caratteristica a cui si guardava nel business delle librerie, anche se poi si è rivelata molto importante per i clienti e ha permesso di incrementare notevolmente il fatturato una volta allineata ai bisogni dei clienti) È quindi solitamente utilizzata a fini ispirazionali, poiché la scarsa certezza dell'attribuzione delle nomenclature non la rende uno strumento molto affidabile ma potrebbe far nascere risultati non sporcati da bias, come potrebbe succedere per i risultati dei metodi compositivi (che analizzeremo successivamente).

Le mappe di preferenza sono solitamente articolate per attributi, che poi vengono moltiplicate per il peso che ogni cliente da caratteristica. Per questo tipo di analisi si utilizza il punto ideale (oppure il vettore ideale) ovvero una tecnica in cui si identifica la combinazione ideale degli attributi, in forma di punto o di vettore.

Le Joint Space Maps invece è una mappa combinata, in cui oltre a mostrare

un'analisi più accurata)​​A partire dai dati raccolti, tramite il metodo multidimensional scaling quindi si andrà a graficare, in maniera assolutamente corretta, il posizionamento delle percezioni delle marche. La difficoltà qui sarà nella definizione della nomenclatura degli assi. Quanto detto a pagina 20 è riferito a questo metodo.​ Nei modi compositivi​, invece, noi chiederemo di valutare delle caratteristiche. Ovviamente qui la difficoltà sta proprio nella definizione di suddette caratteristiche. Fatto ciò, l'analisi numerica avverrà tramite l'analisi dei componenti principali. Quindi qui il trade off tra i due modelli è: avere il controllo sulla definizione degli assi vs avere la certezza che gli assi siano corretti. 24 Multidimensional Scaling Per capirlo, l'esempio fatto in classe è quello di paragonare questo esercizio alla ricostruzione di una mappa geografica partendo dalle

distanze tra le città

Come procedo dunque? Distribuisco in maniera del tutto casuale le distanze (lancio quindi​​ ​dei seed casuali) e ad ogni giro l'algoritmo ridurrà l'errore totale (chiamato stress)(Poiché l'assegnazione iniziale potrebbe influenzare il risultato finale, c'è anche la​ ​possibilità di lanciare più seed casuali così da eliminare eventuali risultati falsati legati​all'assegnazione iniziale)

Lo stress è la distanza tra i valori reali e quelli effettivi. Sotto la formula.

Da una distribuzione casuale arriviamo quindi ad una distribuzione come questa

La mappa creata però può essere storta, in quanto l'algoritmo riuscirà a minimizzare l'errore​tra distanza effettiva e distanza casuale ma non è in grado di capire la rotazione​. Per fare ciò, un'idea potrebbe essere quella di prendere come assi le linee che congiungono gli

Elementi più distanti (non è necessario che siano perpendicolari). Se in questo caso era semplice perché gli assi sono le coordinate, nel caso delle mappe percettive aziendali si opera allo stesso modo ma la definizione di questi assi è la parte più complessa.

Come possiamo immaginare quindi, una mappa di questo tipo è molto informativa, perché già solo la posizione, sia in assoluto che in relazione agli altri, ci dice moltissimo.

Una grossa criticità è però data dall'utilizzo della media. In fase iniziale, quindi quella di aggregazione, si utilizza la media di tutte le osservazioni.

Ricorda: la media uccide l'eterogeneità e non è mai ottimale uccidere l'eterogeneità in marketing.

QUINDI: questo metodo, che opera tramite l'assegnazione di seed casuali e la successiva minimizzazione dello stress, ci permette di avere una geografia dei brand/prodotti/..

moltoprecisa ma presenta delle criticità che nascono a causa della difficile interpretazione degli assi a causa della forte omogeneizzazione dei risultati che non permette di identificare opportunità interessanti su nicchie particolari.

Metodo attribute-based

È un pooling di dati. L'approccio è totalmente diverso da quelli precedentemente espresso. In questo caso si chiederà di valutare ogni marca in funzione di alcuni attributi (da scegliere con cura, ricorda infatti che questa parte è fondamentale perché qui non hai nessuna certezza sugli assi!) e si cerca di fare una riduzione dei dati (tramite l'analisi dei componenti principali), per trovare delle strutture di informazioni latenti (analisi dei fattori).

Questo metodo è molto interessante perché riduce notevolmente il problema principale del modello decompositivo, ovvero quello di denominare gli assi.

Abbiamo dunque continuato con la nostra

Analisi per quanto riguarda preferenze e percezioni, evidenziando ancora di più le differenze (pensa all'esempio di un ciccione. La percezione è che è grasso, ma magari io sono attirato dai grassi. Le percezioni dicono molto poco sulle preferenze).

Inoltre, non è detto nemmeno che la percezione sia allineata tra tutti. Magari io uso un carattere estetico per valutare una persona (grasso) mentre qualcun altro ne usa un altro. Quindi in ambito aziendale, è sempre importantissimo andare a valutare se le percezioni dell'azienda sono allineate con quelle del mercato. (non lo sono quasi mai!)

A proposito di disallineamenti di percezioni, sono degne di nota e di attenzione anche i disallineamenti tra:

• clienti affezionati e clienti prospects (attenti all'effetto alone, vedi pag 27)
• retailer e clienti finali
• nicchie di mercato varie

Ponendo attenzione a questi elementi è possibile non essere presi alla sprovvista!