Appunti sviluppo e marketing di prodotto

MDS: rappresentazione dell'informazione in uno spazio a due dimensioni

• Con 3 prodotti posso rappresentare perfettamente l'informazione in uno spazio a due dimensioni.

• Con più prodotti possiamo rappresentare l'informazione ma con perdita di informazione.

• Multidimensional scaling (MDS) è una tecnica che ci aiuta ad analizzare la similarità tra le percezioni con una minima perdita di informazioni.

• Quali sono i vantaggi di MDS:

• Permettono di mappare i prodotti inferendo simultaneamente gli attributi.
• Meglio per attributi difficili da verbalizzare (es: estetica).
• Poco adatti ai casi in cui il numero dei prodotti è vasto.

• Analizzabili con software come SPSS e SAS.

MDS: Dati ordinali

Usando un criterio di sua scelta, indichi le due bevande più simili tra loro? Poi indichi le successive?

1. Pepsi
2. Coca
3. Diet Pepsi
4. Diet 7-Up
5. 7-Up
6. Coca Zero

Dati a intervalli

Indichi in una scala da 1 a 7 il grado di dissimilarità tra queste bevande:

Pepsi1)Pepsi-Coca 1 2 3 4 5 6 7

2)Pepsi-Diet Pepsi

3)Pepsi-Diet 7-Up

4) Pepsi-Coca Zero…

MDS: approccio basato sulle similarità.

• Input : valutazione di similarità
• Output : Mappa percettiva

Quante dimensioni sottendono le valutazioni di similarità relative alle 10 banche?

Quali attributi vengono utilizzate dai rispondenti per esprimere i loro giudizi? (i.e., significato delle dimensioni)

Perché non domandare direttamente quali dimensioni?

Le fasi principali del MDS:

• Selezionare gli oggetti rilevanti
• Selezionare un approccio
• Dati (numero di oggetti, metric vs. non metric)
• Assunzioni
• Identificazione della soluzione

Come funziona?

1. Il computer assegna i punti in un uno spazio m-dimensionale (normalmente comincia con un largo numero di m)
2. Calcola le distanze tra ogni punto nello spazio
3. Calcola la corrispondenza tra le distanze e le dissimilarità. Ciò risulta nell'errore o

Nello stress di queste predizioni;

1. Cambia un punto per ridurre lo stress. Torna al punto 1 sino a quando lo stress non è ridotto;
2. Riduce il numero di dimensioni di 1 per generare una nuova mappa.

La scelta dello spazio del problema dipende da più fattori: bontà dell'adattamento, numero di fattori precedentemente identificati tuttavia più basso è il numero delle osservazioni minori devono essere le dimensioni. Come al solito partiamo da un'allocazione casuale dei punti rispetto a quello spazio. Il nostro obiettivo è cambiare questi punti iniziali per poter migliorare la corrispondenza tra le distanze nella mappa e i dati di dissimilarità. In questo caso cambiamo la posizione dei punti nello spazio al fine di migliorare l'adattamento i.e. migliorare lo stress. Numeri ed etichette:

• I valori di stress minori di 0.05 sono da ritenersi buoni e le mappe con valori di stress maggiori di 0.20 in generale non

hannosignificato

• Interpretare le dimensioni nella mappa
• Cercare le alternative negli estremi ed usarle per inferire il significato delle dimensioni
• Utilizzare i suggerimenti dei rispondenti per interpretare le mappe MDS utile per:

Definire i Competitors

Identificare "gap" nel mercato opportunità

Comprendere la similarità tra i prodotti sulla base delle dimensioni chiave

Analisi di posizionamento: Il caso ducati.

WDW: Ducati crea un raduno per raccogliere informazioni sulle marche di motociclette e sulla percezione dei consumatori sulle marche. L'idea è che sono state analizzate delle informazioni sulla similarità o meno delle moto. Si parlava di acquisizioni che ducati stava valutando di fare quindi volevano capire come le altre marche si ponessero rispetto alla ducati. È stato fatto un esercizio in cui veniva chiesto di votare la similarità tra le varie marche. Per avere una rappresentazione

completa dovrebbe essere chiesto di confrontare ciascun elemento con tutti gli altri. L'obiettivo di questo metodo è decomporre, ottenute le informazioni cercare di sapere quali sono le ragioni che portano i rispondenti a dare un certo valore alla similarità tra le marche. Il metodo usato che permette di farlo è il multidimensional scaling. Nei metodi decompositivi chiedo ai rispondenti di dare un'informazione sulla similarità o meno delle marche e decompongo questa valutazione per capire da cosa è generata. Mentre l'approccio basato sugli attributi dei metodi compositivi parte da una lista di elementi che ritengo capaci di descrivere il modo in cui i consumatori guardano il mercato. Se creiamo una lista esaustiva l'analisi è completa, se partiamo da una lista fallace l'indagine lo è altrettanto. Nel caso opposto, chiedendo informazioni di similarità in entrata, questa informazione è incontrovertibile.l'approccio degli attributi, valuto ogni attributo separatamente per ogni marca. In questo caso, posso ottenere valutazioni diverse per ogni attributo e quindi una valutazione complessiva più accurata. L'informazione sulla similarità tra le marche è importante perché ci permette di capire come sono percepite dai consumatori. Tuttavia, dobbiamo essere consapevoli che questa valutazione potrebbe non essere del tutto corretta, in quanto dipende dai criteri che abbiamo utilizzato per valutare le marche. Nel questionario, chiediamo ai partecipanti di valutare le marche rispetto a un attributo specifico o di valutare una singola marca su più attributi. Se chiediamo loro di concentrarsi su una marca, la valutazione complessiva della marca può influenzare la valutazione degli attributi. Ad esempio, se una marca piace al partecipante, potrebbe dare valutazioni positive a tutti gli attributi. Questo fenomeno è noto come "effetto alone". D'altra parte, se utilizziamo l'approccio degli attributi, valutiamo ogni attributo separatamente per ogni marca, ottenendo così valutazioni più specifiche e dettagliate.

Chiedendo di concentrarsi sull'attributo per ogni marca, ciò consente di ottenere un'informazione più qualificata perché concentrandosi sull'attributo le differenze sulle marche potrebbero essere colte meglio. Non fa differenza utilizzare l'uno o l'altro quando ragioniamo su competitor poco noti, però dobbiamo illustrare prima il nostro prodotto rispetto ai competitor, se i competitor si differenziano in termini di notorietà di marca, ci concentriamo sugli attributi. Se i competitor sono ignoti non fa differenza concentrarsi sulla marca o attributo. Questa considerazione quindi è valida quando abbiamo tra alternative una o più marche rispetto ai quali i consumatori possono avere un atteggiamento qualificato. Se questo non è probabile che ci sia questa differenza non diventa rilevante. Se il rispondente non ha una valutazione a priori delle marche non fa differenza perché non c'è un effetto.

che si riverbera sul resto. Una volta ottenuti i dati e costruisco una matrice dei dati per analizzare i dati. Ogni rispondente apparirà quante sono le marche, perché le valuta tutte da 1 a 10 e poi valuta tutti gli attributi. Calcolo le medie degli attributi e do la valutazione oppure rappresentando i risultati per attributi in un istogramma per esempio. Però queste rappresentazioni sono informative ma non perfettamente leggibili. Allora valuto a coppie gli attributi e valutando la posizione di tutte le marche, avendo la posizione di ogni marchio sul sistema a due assi, con i due attributi, facendo delle analisi comparative per coppie. Possiamo centrare i valori sulla media, guardando lo scostamento dalla media. Oppure possiamo standardizzare i valori, tenere conto della variabilità e fare una valutazione per coppie. Ma ancora non abbiamo l'intero patrimonio informativo. Allora possiamo usare il profiling plot, questo si associa alla visualizzazione dei dati, su

questo c'è un mondoche a fronte della grandissima disponibilità di dati stanno cercando un meccanismo più efficiente possibile per visualizzare i dati, data visualization. Oppure il grafico a radar, ma al crescere del numero di attributi la difficoltà del leggerlo cresce. Non è semplice leggerli.

Allora possiamo cercare di ridurre il numero di dimensioni, devo semplificare l'informazione per poter leggere il dato. Quindi ogni oggetto (marca) viene valutato rispetto a una serie di attributi, ma noi cerchiamo di catturare l'essenza dei dati rispetto a un numero ridotto di attributi. Possiamo studiare la correlazione tra attributi, con l'idea che se sono particolarmente correlati possiamo sintetizzarli in uno. Però così rinunciamo a delle informazioni, vorremmo avere una massima disponibilità di informazioni sui dati.

Potrebbero esser valutati per similarità semantica, può esserci correlazione tra due

attributi perché nel costruire il questionario utilizziamo più attributi che si riferiscono alla stessa cosa, sono due variazioni semantiche dello stesso concetto, frequenza della riparazione può essere una manifestazione dell'affidabilità, c'è una similarità semantica, quindi se chiedo di valutarle entrambe io mi aspetto una forte correlazione semantica tra i due voti.

Oppure la correlazione potrebbe dipendere da una relazione casuale percepita: la dimensione del serbatoio e il numero di km che posso fare con il pieno sono due cose diverse ma questi due dati sono probabilmente percepiti come avere un nesso casuale, se ho più serbatoio posso fare più km, quindi il rispondente nel valutarli pensa che uno sia la conseguenza dell'altro, quindi li correlerà.

Oppure la correlazione può nascere da associazioni cognitive basate su correlazioni ecologiche: non c'è una correlazione casuale percepita tra

Due attributi ma c'è una condizione ambientale che mi porta a pensare che ci sia correlazione. La sportività potrebbe essere associata ad europeo se la gran parte delle marche sono costruite in Europa. C'è una correlazione tra due cose che non sono strutturalmente legate da un nessocasuale ma l'ambiente genera una correlazione agli occhi del rispondente. (Metodo attribute-based)

Vogliamo valutare ogni marca rispetto a una serie di attributi, ma le valutazioni vogliamo ridurle usando l'analisi delle componenti principali, questo ci permette di rappresentare le percezioni su un numero ridotto di attributi.

Quali sono i metodi che servono per fare questa sintesi? Il metodo più usato è l'analisi dei fattori. È un'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'obiettivo dell'analisi dei fattori è quello di identificare e valutare i fattori che influenzano un determinato fenomeno o processo. Questa analisi viene utilizzata in diversi campi, come ad esempio l'economia, la psicologia e la sociologia, per comprendere le relazioni tra variabili e individuare i principali driver di un determinato fenomeno. L'analisi dei fattori può essere condotta utilizzando diverse tecniche, come l'analisi dei componenti principali o l'analisi fattoriale. Queste tecniche consentono di ridurre la complessità dei dati e di individuare i fattori sottostanti che contribuiscono a spiegare le variazioni osservate. L'analisi dei fattori è uno strumento utile per la ricerca e può fornire informazioni preziose per prendere decisioni informate e sviluppare strategie efficaci.