Metodi quantitativi

Metodi quantitativi

Il concetto di big data

Viviamo in un contesto in cui i comportamenti e i pensieri generano delle transazioni digitali; buona parte dei nostri comportamenti come consumatori e individui genera un flusso di dati, delle transazioni veicolate da supporti mobili o fissi. Tale flusso di dati è riconducibile a un’entità (persona fisica, azienda, ente…). Soprattutto negli ultimi anni, ciò ha modificato i nostri comportamenti e dall’altro ha consentito di monitorare e raccogliere informazioni sui nostri comportamenti.

È fondamentale il concetto del time to market, cioè “essere al posto giusto al momento giusto” e offrire al cliente in quel momento ciò che sta cercando. Siamo in un contesto in cui le due condizioni necessarie, ovvero i dati e la tecnologia abilitante per esercitare il time to market (so che sei lì in quel momento) sono attualmente presenti (tale tecnologia viene detta “real time decisioning” e conferisce la possibilità di decidere in tempo reale).

È infatti possibile ora sapere istantaneamente dove sei, chi sei, di cosa hai bisogno (i clienti sono profilati), quale è la tua sintesi comportamentale. La tecnologia odierna consente di geolocalizzarti, ma per lanciare un input, un segnale, l’impresa deve sapere chi sei e tali informazioni devono essere sintetizzate e per operare tale sintetizzazione dei dati si ricorre a strumenti statistici. Ci sono strumenti e tecnologie che consentono di raccogliere dati ma è necessario adottare un approccio che consenta di sintetizzare questo enorme quantitativo di informazioni e talvolta addirittura di “prevedere” il comportamento del cliente.

L’impresa necessita di informazioni, di tecnologia e di strumenti di profilazione, ovvero di qualificazione dei suoi interlocutori. L’obiettivo di tale corso è quello di fare realmente un’analisi, raccogliendo dati in modo funzionale all’obiettivo che ci siamo dati e sintetizzarli in modo da creare poi un record di business.

Nel contesto dei big data, giocano oggi un ruolo chiave il web e i social network, dove si possono trovare dati quantitativi e qualitativi (ad esempio un commento è un dato qualitativo quindi destrutturato ed è pertanto necessario trasformarlo in un dato strutturato, usando quelle che vengono chiamate tecniche di text analytics).

Business intelligence (BI)

Business intelligence (BI) si riferisce alle competenze, conoscenze, tecnologie, applicazioni, qualità, rischi, problemi di sicurezza e pratiche utilizzate per supportare un business nell’acquisizione di una migliore comprensione del comportamento del mercato e del contesto commerciale. A tal fine il B.I. provvede alla raccolta, integrazione, analisi, interpretazione e presentazione delle informazioni aziendali.

Le applicazioni di BI offrono visioni storiche, attuali e predittive di operazioni di business, il più delle volte utilizzando i dati già raccolti in un Data Warehouse o un Data Mart. Applicazioni di BI affrontano vendite, produzione, finanza, e molte altre fonti di dati aziendali per supportare meglio il processo decisionale di business. Così si può anche connotare un sistema di BI come un Sistema di Supporto alle Decisioni (DSS).

Per B.I. intendiamo quindi un approccio alla gestione, all’attività di prendere decisioni basato sul presupposto di avere a disposizione dei dati relativi a determinati fenomeni, dati di natura strutturata (non opinioni o sensazioni), di natura digitale e quindi sintetizzabili attraverso applicativi software. Quindi la B.I. comprende l’opportunità/necessità di trattare dati attraverso applicativi (cioè software) funzionali a descrivere, comprendere e misurare determinati fenomeni. La misurazione oggettiva di tali fenomeni è il cuore di questa attività.

La B.I. è quindi il connubio di tre componenti: conoscenza, tecnologie (software) e dati. La generazione dei dati è frutto dell’interazione tra un comportamento e un’applicazione che intercetta tale comportamento e lo trasforma in un dato; generalmente i dati vengono generati da un’applicazione che ha un obiettivo abilitante. Ciò che dobbiamo capire è come questi dati possono essere usati per profilare, per comprendere dei comportamenti.

I sistemi operazionali, che noi non trattiamo, sono sistemi che generano il dato e abilitano l’erogazione del servizio. Devo organizzare dei database di secondo livello dove tali dati possono essere analizzati e esercitare la BI.

• 1° livello: raccogli i dati
• 2° livello: li organizzi e li strutturi. I data warehouse sono strutture di secondo livello, sistemi, database in cui i dati che un’azienda ha a disposizione vengono raccolti, organizzati e armonizzati affinché possano essere effettuate delle analisi. Il data warehouse è la struttura abilitante.

La statistica si basa sulla disponibilità di una matrice dati definita come:

• X(n,k) → n numero delle unità statistiche: un’unità statistica è l’entità, il soggetto che si intende analizzare (il cliente se voglio fare analisi sui clienti, le filiali se voglio capire come sto operando commercialmente…).
• k numero di colonne: le colonne sono le variabili, le informazioni che aggancio ai soggetti (età, livello di istruzione, numero di acquisti fatti nell’ultimo anno…).

La statistica si applicherà a tale matrice. I dati vengono generati per poter esercitare il business, non la statistica, e in un formato tale per cui è necessario fare un passaggio ulteriore per renderli utilizzabili. I dati in una matrice X non esistono se non raccolti e organizzati, devono essere riportati nel data(n,k)warehouse.

Business intelligence & data sources

Possiamo distinguere 4 principali fonti di dati:

• Dati interni: dati frutto di interazioni digitali tra le due controparti (azienda e cliente/consumatore/cittadino); tale interazione, laddove gestita da un processo informatico, genera delle transazioni digitali e quindi dati interni strutturati nei data warehouse (si ha quindi un’organizzazione del dato interno in appositi database).
  Es.: prendi un istituto di credito che deve decidere se erogare o meno crediti a persone fisiche o imprese. Oggi i processi di erogazione di credito vengono gestiti sulla base di modelli statistici (es.: regressione logistica) che stimano la probabilità di solvibilità. Dati certi parametri di input (per le persone fisiche il titolo di studio, il reddito, l’età, etc.) –che costituiscono le variabili indipendenti di tale modello- avrò un modello statistico che stima la probabilità che un avvenimento accada o no (stato binario: a “rimborsare tutto il prestito” o “non rimborsare” viene assegnata una probabilità; una probabilità al di sotto di una certa soglia inibisce di erogare il credito).
  Le varie applicazioni di CRM sono basate su quelle che sono le transazioni che l’impresa ha l’opportunità di catturare e di immagazzinare in appositi database detti data warehouse. I dati interni, per quanto potenti, sono insufficienti per capire il reale modello di business dell’organizzazione.
• Dati esterni: nel mercato dove c’è un contesto competitivo, è necessario considerare che ci sono altri player e quindi bisogna porre attenzione anche a dati esterni del mercato per capire qual è il valore del mercato, quanti sono i prodotti, i brand etc. Tali dati esterni non si evincono dai dati interni (dai quali capisco quanti e quali clienti ho, quanto e cosa acquistano di mio etc.) ma vengono generalmente forniti da:
  • istituzioni pubbliche (alcuni database pubblici sono: Bureau of Census, Central Bank, ISTAT)
  • istituzioni private (Consodata, D&B,…)
  • ricerche di mercato
  Per raccogliere dati esterni motivazionali ci si avvale delle ricerche di mercato (o survey) che permettono alle imprese di capire cosa hanno intenzione di fare i clienti, come giudicano l’azienda; in tal caso infatti non è possibile usare banche dati esterne ma è necessario raccogliere tali informazioni con ricerche finalizzate, strutturando un’indagine per raccogliere informazioni su unità statistiche (consumatori o cittadini) sulle quali veicolare la mia ricerca. Le ricerche di mercato sono frutto di un contatto diretto, non di un’automazione e quindi ciò comporta che bisogna lavorare su base campionaria. Ma ciò ha delle implicazioni: questi dati li potrò usare come indicatori di tendenza e non come dati puntuali per intervenire sul singolo.
• Big data (?)
  • Web
  • Social Network
  Questi dati entrano a far parte del processo di B.I.; su FB ci sono infatti moltissime informazioni importanti per le aziende.
• Social network analysis (?)

Business intelligence & internal data

Il dato viene generato dall’interazione tra cliente e impresa, si tratta principalmente di transazioni digitali. Se tali dati non vengono opportunamente immagazzinati in magazzini appositi non possono essere usati per la comprensione dei fenomeni sottostanti.

Data mining: è il processo che porta ad estrarre i temi/modelli nascosti dai dati ed è legato necessariamente al data warehouse; è la statistica moderna applicata, cioè la statistica che viene usata per sintetizzare un contesto di questo tipo:

• Interazioni tra clienti e compagnia
• Transazioni digitali
• Milioni di dati
• Data warehousing
• Data mining
• Customer profiling

Customer profiling & data mining

I dati raccolti dalle ricerche di mercato e dalle altre fonti vengono sintetizzati diversamente a seconda dello scopo della ricerca:

• Decisioni strategiche (es. scelta dei nuovi mercati in cui entrare, lancio di nuovi prodotti, diversificazione…), in tal caso è necessario conoscere come è fatto il mercato e quindi sono fondamentali i dati esterni. tecniche statistiche classificatorie.
• Azioni tattiche (es.: promozioni commerciali mirate), in tal caso sono fondamentali i dati interni per poter indirizzare le promozioni in maniera mirata al target con alta probabilità di risposta tecniche statistiche modellistiche (usano modelli di propensione -come la regressione lineare-).

(L’assetto organizzativo delle imprese oggi è sempre più orientato ai presupposti della B.I.. I vari controller richiedono delle descrizioni oggettive dei perché e delle conseguenze di determinate decisioni. I processi di comprensione del contesto di mercato e di presa delle decisioni sono tutti basati su queste logiche (B.I., data warehouse, data mining sottintendono investimenti da parte delle imprese, che impiegano ingenti risorse nei processi informativi legati alla raccolta e analisi dei dati che trovano una sempre maggior commistione con aspetti manageriali).

Lezione 2: Le ricerche di mercato

Ricerche qualitative

L’obiettivo è approfondire la conoscenza di un fenomeno di mercato, mediante la raccolta e l’analisi di dati qualitativi destrutturati. I focus group sono ricerche rivolte a un ristretto numero di cittadini/consumatori (10, max 15 persone) messi a confronto e intervistati non solo per ottenere risposte ma anche per vedere l’interazione con gli altri membri del gruppo e osservare aspetti emozionali. Di tali ricerche qualitative ciò che importa non è la quantità di dati strutturati raccoglibili ma anche le motivazioni dei clienti.

I focus group vengono usati ad esempio per lanciare un nuovo prodotto: prima di lanciare il prodotto su scala industriale, si faranno visualizzare n prodotti a un ristretto numero di consumatori per capire con loro quali sono le caratteristiche maggiormente appetibili. Dato un insieme di potenziali prodotti (o servizi) se ne selezionano due, su un’area territoriale (mettendoli a scaffale in una certa area geografica). Quindi questi gruppi vengono solitamente usati per testare qualcosa di nuovo, oppure per calibrare in modo più corretto le ricerche quantitative.

Ricerche quantitative

L’obiettivo è fornire un’accurata misurazione del fenomeno oggetto di ricerca, mediante la raccolta e l’analisi di dati quantitativi e/o dati qualitativi strutturati. L’esecuzione di una ricerca di mercato può essere schematizzata in quattro fasi:

• Fieldwork: la raccolta dei dati elementari;
• Trattamento elementare dei dati raccolti;
• Analisi dai dati;
• Presentazione dei risultati.

Le ricerche di mercato: Fieldwork

Il sondaggio

È assimilabile ad un’intervista individuale, veicolata su un sottoinsieme (campione) di una “popolazione” di riferimento. L’intervista presenta delle peculiarità:

• Ha forma strutturata
• Prevede un limitato numero di domande aperte/ molte domande a risposta chiusa
• Le modalità di contatto usate sono:
  • Telefonica
  • Personali
  • Postali
  • Web-based

Il canale talvolta può influenzare la risposta, pertanto a seconda di cosa si vuole misurare o indagare può esser più opportuno adottare un canale digitale puro, misto etc. Dapprima bisogna indicare in maniera oggettiva la popolazione di riferimento (donne, uomini, bambini, lavoratori, disoccupati etc.) in modo che sia coerente con gli obiettivi di ricerca; dopodiché si estrae un campione da tale popolazione (campionamento) e infine si individua la caratteristica della popolazione che si intende stimare.

Il questionario

È il format con cui vengono raccolti dati qualitativi strutturati e/o dati quantitativi. (Il questionario rappresenta la griglia informativa, la struttura delle variabili della matrice X che sarà alla base delle analisi statistiche). La costruzione del questionario avviene attraverso:

• Il disegno del suo schema concettuale
• La sua redazione
• La verifica

È necessario inoltre che si adottino modalità omogenee di rilevazione dei dati: le domande devono essere uguali per tutti gli intervistati e non devono lasciare spazio ad interpretazione soggettiva. (Il questionario ovviamente deve essere coerente con l’obiettivo di ricerca. Se intendo indagare le caratteristiche di un campione di popolazione, che divengono quindi oggetto di misurazione, è necessario inserire nel questionario quei dati idonei a descrivere i rispondenti di riferimento -tutte le caratteristiche che descrivono la popolazione presa come riferimento devono essere oggetto di misurazione-.

Se ci rivolgiamo a campioni di persone fisiche, ogni questionario ben strutturato presenta tre diverse sezioni:

1. Dati personali (o socio demografici): dati oggettivi validi per tutti che permettono di captare la popolazione target: Sesso, Età, Titolo di Studio, Professione, Residenza/Nazionalità. Ad essi si possono aggiungere: composizione del nucleo familiare, stato civile…
2. Dati psicografici: dati legati allo stile di vita, interessi, hobby, considerazione di sé che completano la descrizione al di là di dati oggettivi, cercano di descrivere la persona indipendentemente dal tipo di ricerca (es.: Come ti consideri? Quali sono i tuoi hobby?...). I soli dati personali non bastano per segmentare in quanto rischiano di appiattire la ricerca, per questo diviene necessario indagare anche le attitudini degli individui del campione.
3. Dati comportamentali/motivazionali: dati strettamente legati all’oggetto della mia ricerca

Inoltre possiamo avere:

• Domande di tipo qualitativo: è pur sempre possibile raccogliere dati qualitativi, ma in tal caso non conviene inserire domande aperte ma definire a priori il range di risposte possibili.
• Domande di tipo quantitativo: reddito, livelli di soddisfazione, tempo speso.

Abbiamo:

• Aperte: il suo campo di definizione della variabile è tipicamente un insieme non numerabile (denaro speso, tempo speso…)
• Chiuse: la risposta è vincolata all’interno del campo di validità (es: valutazione su una scala di preferenza con metrica predefinita da colui che redige il questionario; si tendono ad usare scale pari da 1 a 10).

Stesura del questionario

1. Stesura grezza: nella stesura grezza di un questionario è possibile farsi aiutare da un focus group, con cui capire quali sono le sezioni logico comportamentali/motivazionali di interesse, cioè gli aspetti da indagare maggiormente e quali domande inserire.
2. Prima stesura del questionario: in tale fase si stendono le domande (il questionario vero e proprio).
3. Verifica del questionario: è opportuno che tale prima stesura venga sottoposta a un test (venga cioè validato) rivolgendolo a pochi rispondenti per capire se le domande formulate sono chiare. Ciò che varrà è l’oggettività della compilazione.
4. Produzione e somministrazione del questionario definitivo

1 I dati aggregati sulla popolazione o sul mercato tendono ad esser riportati su un’unità territoriale minima detta unità di censimento (o censuaria); ad esempio in Italia i dati Istat sono riconducibili a unità censuarie (Milano ha un centinaio di unità censuarie).

10 regole empiriche per la costruzione di un questionario

Il questionario è la nostra griglia di raccolta dati; se sbagliamo il questionario compromettiamo la validità dell’analisi.

• Definire chiaramente gli obiettivi informativi
• Collegare ogni domanda a uno degli obiettivi informativi
• Controllare l’ordine delle domande in modo che le risposte alle precedenti non influenzino quelle delle successive
• Controllare che non vi siano palesi ripetizioni, sovrapposizioni e incoerenze
• Attribuire ad ogni domanda un valore in termini di informazione ottenibile
• Prevedere il campo delle risposte possibili
• Misurare il tempo necessario per la lettura e le risposte
• Definire una griglia di interpretazione delle risposte
• Effettuare un test di prima approssimazione sulla comprensibilità delle domande