1
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
La La Conjoint Analysis Conjoint Analysis
2
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
La funzione di utilità del La funzione di utilità del consumatoreconsumatore
Utilità: valore che indica il livello di soddisfazione che un consumatore ottiene da un certo bene o da un paniere di beni con date caratteristiche
Funzione di utilità: funzione che assegna un livello di utilità ad ogni bene o paniere di beni
U = f(X)U = livello di utilitàX = caratteristiche del bene o del paniere di beni
3
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
La funzione di utilità del La funzione di utilità del consumatoreconsumatore
Come misurare il livello di soddisfazione del consumatore?
Quali caratteristiche del bene influiscono in modo rilevante sull’utilità?
Qual è la forma della relazione funzionale U = f(X)?
E’ possibile conoscere la funzione di utilità prima che un bene venga introdotto nel mercato?
4
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Quesito fondamentale:Quesito fondamentale:Come si formano le scelte del consumatore e come possono essere previste?
?
5
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Strategie aziendali interessate:Strategie aziendali interessate:
-Segmentazione del mercato (a priori/a posteriori);-Decisioni relative al prodotto;-Analisi competitiva;-Decisioni sul prezzo;-Decisioni su promozione e distribuzione
6
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
La La Conjoint AnalysisConjoint AnalysisObiettivo: comprendere come soddisfare al
meglio le esigenze del cliente
Metodo: definire un modello (quantitativo) che permetta di sapere - Quale prodotto il cliente preferisce tra tanti prodotti possibili- Quali caratteristiche del prodotto determinano questa scelta
7
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Modello quantitativoModello quantitativo
Descrizione di un fenomeno osservabile e misurabile mediante relazioni quantitative (equazioni) che esprimano la dipendenza del fenomeno da altre variabili
X1 X2 … Xk Y = f(X1,X2,…, Xk )
8
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Come costruire il modello?Come costruire il modello?Il consumatore sceglie tra prodotti
alternativi in base all’utilità
L’utilità dipende dalle caratteristiche dei prodotti
I prodotti possibili derivano da come si manifestano congiuntamente le diverse caratteristiche
9
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Terminologia di baseTerminologia di baseFattori o attributi: caratteristiche del
prodotto/servizio in esame. Sono le variabili che il ricercatore controlla in un esperimento di Conjoint Analysis per misurare l’effetto sull’utilità del consumatore.
Livelli: sono le diverse modalità con cui si manifestano gli attributi.
Profilo o combinazione o stimolo: è una specifica combinazione dei livelli degli attributi
10
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Terminologia di baseTerminologia di base
singola
nero
singola
bianco
LIVELLI
doppia
bianco
PROFILI ⇒
doppiadimensione
nerocoloreATTRIBUTI
Assegnando un livello a ciascun attributo si ottiene un prodotto possibile (profilo)
Il numero di profili possibili dipende dal numero di livelli e di attributi
11
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Come misurare l’utilità?Come misurare l’utilità?Intervista a un campione di potenziali clientiModello additivo: l’utilità di un possibile prodotto per un rispondente è data dalla somma delle utilità dei livelli di ciascun attributo da cui il prodotto è compostoLe preferenze espresse dal cliente non riguardano i singoli livelli degli attributi
12
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Come capire i desideri dei clienti?Come capire i desideri dei clienti?Chiedere qual è il livello preferito per ogni attributo non è efficace perché i clienti preferiscono:
Marche note piuttosto che sconosciutePrezzi bassi piuttosto che altiPrestazioni più elevate possibileEcc.
Nella realtà esistono trade-off nelle scelte di acquisto di cui bisogna tener conto ⇒ èimportante conoscere l’ordine di importanza degli attributi
13
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Natura Natura decompositiva decompositiva del metododel metodoI rispondenti esprimono valutazioni sui profili mentre le preferenze sui singoli attributi e livelli sono implicite e vengono stimate (metodo full-profile)Conjoint Analysis metrica: i rispondenti valutano ciascun profilo con un voto ⇒metodo ratingConjoint Analysis non metrica: i rispondenti ordinano i profili sottoposti al loro giudizio in base alla preferenza ⇒metodo ranking
14
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio 1:Esempio 1:Nuovo modello di automobile:Alimentazione: benzina (b) o diesel (d)Cilindrata: 1100, 1300 o 1500
Numero profili possibili: P = 3 × 2 = 6Il rispondente fornisce il seguente ordine di
preferenza:
654321d 1.1d 1.3b 1.5d 1.5b 1.1b 1.3
15
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio 1:Esempio 1:Traformando i ranghi in punteggi crescenti di utilità secondo la formula Utilità = 6 -Rango:
2.5321.51.33.7Media
3.0151.3cilindrata
2.0041.1d
Mediab
alimentazione
16
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio 2:Esempio 2:Nuovo tipo di panettone:Canditi: si o noPrezzo: € 3, € 4 o € 5,
Numero profili possibili: P = 3 × 2 = 6Il rispondente fornisce il seguente ordine di
preferenza:
rango
CanditiPrezzo
654321
no€ 5
no€ 4
si€ 5
no € 3
si€ 4
si€ 3
17
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio 2:Esempio 2:Calcolando Utilità = 6 - Rango:
1.002€ 51.33.7Media
2.514€ 4prezzo4.035€ 3
noMedia
sicanditi
Quanto al massimo il cliente è disposto a pagare in più per i canditi?
La variazione di € 1 corrisponde ad una variazione di utilità di 1.5,
Quindi il cliente è disposto a pagare € (1 / 1.5) × (3.7 – 1.3) = € 1.6
18
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Il Il partpart--worth worth modelmodel-Le utilità parziali riferite ai singoli livelli degli attributi sono denominate part-worth.
-Abbinando modello additivo e analisi di regressione è possibile stimare la funzione di utilità individuale di ogni rispondente:
Modello:
Yp = utilità del prodotto pwkl = utilità parziale riferita al livello l dell’attributo kDpkl = variabile dummy che assume valore 1 se il livello ldell’attributo k è presente nel profilo p e valore 0 altrimentiep = errore casuale
∑ ∑ += k ppkll klp DwY ε
19
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
EsempioEsempio
3: 15002: 13001: 11002: cilindrata2: diesel
1: benzina1: alimentazione
LivelloAttributo
Profilo 1: benzina, 1100
12111123222112111 00101 εε ++=+⋅+⋅+⋅+⋅+⋅= wwwwwwwY
Profilo 2: benzina, 1300
22211223222112112 01001 εε ++=+⋅+⋅+⋅+⋅+⋅= wwwwwwwY
…
20
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Modelli alternativiModelli alternativiModello misto con interazioni tra gli attributi:
Vector linear model :Xkp = livello del fattore k nel prodotto p (variabile continua)
Ideal point model:X*
kp = livello ideale del fattore k nel prodotto p
pk ks psml pklm smklk pkll klp DDwDwY ε++= ∑ ∑ ∑ ∑∑ ∑ ≠ ,
pk pkkp XY εγγ ++= ∑0
( ) pk pkpkkp XXY εδδ +−+= ∑2*
0
21
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Le interazioni tra attributi nel Le interazioni tra attributi nel modello mistomodello misto
2.5321.5
1.33.7Media
3.0151.3cilindrata
2.0041.1
d
Media
b
alimentazione
Da cilindrata 1100 a cilindrata 1300: variazione utilità = + 1
Da benzina a diesel: variazione utilità = - 2.4
Da benzina 1100 a diesel 1300: variaz. utilità = - 3 ≠ +1-2.4 = -1.4
22
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Effetti principali ed effetti di Effetti principali ed effetti di interazioneinterazione
Nell’esempio osservato la variazione di utilità complessivacambiando contemporaneamente il livello di due attributi è diversa dalla somma algebrica delle variazioni di utilità imputabili ai singoli attributi! INTERAZIONE
Effetto principaleEffetto principale di un attributo cambiamento nella risposta media dovuto ad un cambiamento di livello dell’attributo wkl
InterazioneInterazione tra attributi effetto combinato di due o piùattributi = cambiamento nella risposta media dovuto al cambiamento contemporaneo nel livello di due o piùattributi wkl,sm
23
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Grafico degli effetti principaliGrafico degli effetti principali
dieselbenzina
3.5
2.5
1.5
alimentazion
Y
Main Effects Plot - Data Means for Y
1100 1300 1500
2.0
2.5
3.0
cilindrataY
Main Effects Plot - Data Means for Y
24
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Grafico degli effetti di interazioneGrafico degli effetti di interazione
benzina diesel
150013001100
5
4
3
2
1
0
cilindrata
alimentazionM
ean
Interaction Plot - Data Means for Y
Spezzate non parallele ⇒ presenza di interazione
25
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Modello Modello partpart--worth worth additivo in forma additivo in forma matricialematriciale
Riprendendo l’esempio dell’automobile…
+
⋅
=
6
5
4
3
2
1
23
22
21
12
11
6
5
4
3
2
1
100100101000110100010100100101
εεεεεε
wwwww
YYYYYY
εDwY +=
26
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Stima dei parametri: la Stima dei parametri: la multicollinearitàmulticollinearità
La stima del vettore dei parametri w con il metodo dei minimi quadrati è data da:
Ma (DTD)-1 non può essere calcolata a causa della multicollinearità delle variabili dummy incluse nella matrice D, cioè al fatto che ogni colonna della matrice può essere espressa come combinazione lineare delle altre.
( ) YDDDw T1T −=
=
5
4
3
2
1
ˆˆˆˆˆ
ˆ
wwwww
27
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Rimedio alla Rimedio alla multicollinearitàmulticollinearità
Rispecificare il modello aggiungendo il termine costante ed eliminando una variabile dummy (un livello) per ogni attributo
+
⋅
=
6
5
4
3
2
1
23
22
21
12
11
6
5
4
3
2
1
100100101000110100010100100101
εεεεεε
wwwww
YYYYYY
28
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Modello Modello rispecificatorispecificato……
+
⋅
=
6
5
4
3
2
1
22
21
11
0
6
5
4
3
2
1
000110010101001110110111
εεεεεε
ββββ
YYYYYY
εβDY += 0
29
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Interpretazione e stima dei Interpretazione e stima dei parametriparametri
Il modello rispecificato in forma non matriciale diventa:
b0 = utilità associata al profilo corrispondente ai livelli esclusi dal modello chiamato anche baselinebkl = variazione di utilità, rispetto al profilo base o baseline, che si ottiene portando l’attributo k a livello l
La stima ai minimi quadrati dei parametri di regressione è data da
( ) YDDD TT0
100ˆ −
=β
pk pkll klp DY εββ ++= ∑ ∑ 00
30
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio 1Esempio 1Abbiamo eliminato dal modello le dummy D12 : alimentazione diesel; D23 : cilindrata 1500
Il vettore Y è dato da: [4 5 2 0 1 3]T
Le stime ai minimi quadrati dei parametri del modello sono:
Baseline: “auto diesel 1.500”; utilità stimata: 1.33.
33.1ˆ0 =β 33.21̂1 =β 5.0ˆ21 −=β 5.0ˆ22 =β
0.5-0.52.33PART WORTH
13001100benzinaLIVELLO
31
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Il numero di parametri del Il numero di parametri del problemaproblema
Stiamo indagando su K attributiNumero di livelli di ciascun attributo: L1, L2,…, LK
Numero di profili (prodotti) possibili: P = L1 × L2 × … × LK
Numero di parametri del modello additivo: Q = L1 + L2 + … + LK
Numero di parametri del modello rispecificato: Q ' = Q - K + 1 = L1 + L2 + … + LK - K +1
Se il numero di livelli è uguale per ogni attributo ed è pari ad L:
P = LK Q = K × L Q ' = K × (L - 1)
32
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Analisi individuali e aggregateAnalisi individuali e aggregateAnalisi individuale: stimo modello predittivo per ogni rispondente
⇓Possibile segmentazione a posteriori aggregando consumatori con funzioni di utilità simili
Analisi aggregata: stimo modello predittivo per gruppo ⇓
Presuppone una stratificazione a priori in cui formare gruppi omogenei di consumatori, per ciascuno dei quali verrà stimato un modello
33
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Stima dei parametri nell’analisi Stima dei parametri nell’analisi aggregataaggregata
N = numero di rispondentiY = vettore con P × N valori, utilità degli N rispondenti per i P
prodotti osservatiD = matrice delle variabili dummy con P × N righe e K colonnew = vettore delle K utilità parziali da stimare
In pratica vengono “impilati” i vettori delle risposte degli Nintervistati, “impilate” le N matrici dummy che descrivono i profili e così anche i vettori degli errori del modello.
Le procedure di stima per il resto sono le stesse dell’analisi individuale
34
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Importanza relativa degli Importanza relativa degli attributiattributi
Indicatore di importanza espresso in percentuale.
Concetto: quanto più la modifica dei livelli di un attributo influisce sull’utilità tanto maggiore è l’importanza di quel fattore
Importanza relativa dell’attributo k:
( ) ( )( ) ( )
100ˆminˆmax
ˆminˆmax×
−
−=∑k kl
lkl
l
kll
kll
kIRββ
ββ
35
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio 1Esempio 1
1003.33Totale
1.00/3.33 ×100 = 30.03
0.5 – (- 0.5) = 1Cilindrata
2.33/3.33×100 = 69.972.33 – 0 = 2.33Alimentazione
IMPORTANZA RELATIVA (%)
RANGE UTILITA’ PARZIALI
ATTRIBUTO
33.21̂1 =β 5.0ˆ21 −=β 5.0ˆ22 =β
36
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Quale modello? Quanti profili?Quale modello? Quanti profili?
Non considera le Non considera le interazioniinterazioni
Semplice da costruire Semplice da costruire e interpretaree interpretare
AdditivoAdditivo
Interazioni Interazioni ⇒⇒ più più informativoinformativo
VANTAGGIVANTAGGI
Necessarie più Necessarie più osservazioniosservazioni
MistoMisto
SVANTAGGISVANTAGGIMODELLOMODELLO
Le osservazioni in un esperimento di Conjoint Analysis:
N replicazioni dell’esperimento ⇒⇒ N soggetti intervistati
P prove sperimentali ⇒⇒ P profili considerati
Numero di osservazioni = N × P
Se P aumenta cresce il numero di osservazioni ma si complica l’intervista: 4 attributi su 3 livelli ciascuno ⇒⇒ P = 34 = 81 profili !
E’ utile ricorrere a tecniche di “Design Of Experiments”
37
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Design Of Design Of Experiments Experiments (DOE)(DOE)DOE = insieme di tecniche statistiche e sperimentali finalizzate a
comprendere l’effetto su una variabile dipendente (risposta) di una o più variabili indipendenti (fattori o trattamenti)
Ogni fattore è caratterizzato da un campo di variazione noto e discreto all’interno di un insieme di livelli
Obiettivo: definire criteri che permettano di utilizzare un numero minimo di osservazioni sperimentali per conoscere l’effetto dei fattori sulla risposta
38
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Piani fattorialiPiani fattorialiPiano fattoriale = insieme delle prove
sperimentali determinate dalle combinazioni dei livelli dei fattori
Piano fattoriale LK = piano fattoriale che include K fattori con L livelli ciascuno (es. piano fattoriale 2K, 3K, ecc.)
Piano fattoriale completo: include tutte le combinazioni possibili dei livelli ⇒⇒permette di stimare le interazioni mainclude molte prove
Piano fattoriale frazionato: include un sottinsieme (una frazione) delle combinazioni possibili dei livelli ⇒⇒ permette di stimare solo gli effetti principali perché gli effetti delle interazioni sono “confusi” con gli effetti principali.
La risposta per le combinazioni dei livelli escluse dal piano può essere stimata
39
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
DOE e DOE e Conjoint AnalysisConjoint AnalysisRisposta = giudizio del rispondente (utilità)
Fattori = attributi
Piano fattoriale = insieme dei profili considerati nell’intervista
Quanti e quali profili presentare al rispondente per stimare glieffetti in modo appropriato minimizzando il numero di stimoli (profili) presentati? → DOE
Come determinare un piano frazionato?
Manualmente per piani 2K e 3K. Tramite software per piani piùcomplessi.
40
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio di codifica per un piano Esempio di codifica per un piano 2233
Prodotto: libreria
SiDoppiaNero+1
NoSingolaBianco-1Livello
AntaDimensioneColoreDescrizone fattore
CBACodifica fattore
41
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Frazione a metFrazione a metàà di un piano 2di un piano 2KK
-1-1+1-1+1+1nera nera –– doppia doppia -- senza antasenza anta77
+1+1+1+1+1+1nera nera –– doppia doppia -- con antacon anta88
-1+1-1+1-1+1nera nera –– singola singola -- con antacon anta66
+1-1-1-1-1+1nera nera –– singola singola -- senza antasenza anta55
+1-1-1+1+1-1bianca bianca –– doppia doppia -- con antacon anta44
-1+1-1-1+1-1bianca bianca –– doppia doppia -- senza antasenza anta33
-1-1+1+1-1-1bianca bianca –– singola singola -- con antacon anta22
+1+1+1-1-1-1bianca bianca –– singola singola -- senza antasenza anta11
BCACABCBAProfiloProfilo
InterazioniFattori
Schema di confondimento: A=BC, B=AC, C=AB
Criterio: scelgo i profili 2,3,5 e 8 in cui il livello di un’interazione (es. AB) coincide col livello del fattore il cui effetto è confuso con l’interazione (es. C)
42
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Le Fasi Operative della Le Fasi Operative della Conjoint AnalysisConjoint Analysis1.Individuazione degli attributi e dei livelli di interesse2.Definizione dei profili di prodotto (combinazioni o stimoli)
da sottoporre al giudizio degli intervistati → piano sperimentale
3.Scelta di un campione di valutatori4.Somministrazione dei profili di prodotto ai rispondenti5.Stima delle utilità parziali ovvero degli effetti principali ed
eventualmente delle interazioni per ogni rispondente6.Stima dell’importanza relativa di ciascun attributo/fattore;7.Valutazione dell’utilità totale associata a profili virtuali, non
considerati inizialmente nel piano di rilevazione.8.Ripetizione dei punti 5, 6 e 7 per ogni gruppo di
rispondenti dopo aver stratificato (segmentato) il campione (analisi aggregata)
43
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio Applicativo della Esempio Applicativo della ConjointConjoint AnalysisAnalysis metricametrica -- 11
Nell’esempio applicativo che segue vengono utilizzati come dati di partenza i giudizi di valutazione provenienti da una ricerca svolta da Green, Tull e Album (1988) riguardante un attrezzo meccanico da lanciare sul mercato, idonea sostituire i pneumatici dell’automobile.
I fattori, con i rispettivi livelli, sono i seguenti:1) MARCHIO, con modalità Sears, Goodyear, Goodrich.2) VITA MEDIA DELL’ ATTREZZO, espressa mediante la variabile
PERCORRENZA, con modalità : 30000Km, 40000 Km, 50000 Km.3) PREZZO, in euro,con modalità : 50 , 60, 70.4) COLORE, con modalità : bianco e nero
44
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio Applicativo della Esempio Applicativo della ConjointConjointAnalysisAnalysis metricametrica -- 22
Sono stati sottoposti a giudizio, su un campione di potenziali clienti, 18 profili di prodotto, in forma di cartellini, corrispondenti alle combinazioni di un piano frazionato ortogonale uguale ad 1/3 del piano fattoriale completo, che presenta tutte le possibili versioni di prodotto pari a 54 (ossia: 3 X 3 X 3 X 2 = 54).
Essendo K = 4 e ΣLk – K +1 =11 – 4 +1 = 8, si deduce che saranno necessarie almeno 8 combinazioni di livelli dei fattori per stimare 8 coefficienti
Tale schema assume come trascurabili gli effetti di interazione e fornisce il piano fattoriale più efficiente. Le 18 combinazioni selezionate sono quindi più che sufficienti a stimare gli effetti principali dei fattori.
Ciascun intervistato ha assegnato un punteggio di valutazione ai 18 profili su una scala 0-10(0 = disinteresse completo per il profilo proposto; 10 = interesse massimo)
45
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio Applicativo della Esempio Applicativo della ConjointConjointAnalysisAnalysis metricametrica -- 33
46
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio Applicativo della Esempio Applicativo della Conjoint Conjoint AnalysisAnalysis metricametrica -- 55
Variabili indicatrici
Classi
della marca
Z1 Z2 Z3
Sears 1 0 0 Goodyear 0 1 0 Goodrich 0 0 1
Variabili indicatrici
Classi
della marca
Z1 Z2 Z3
50000 km 1 0 0 40000 km 0 1 0 30000 km 0 0 1
Variabili indicatrici
Classi
della marca
Z1 Z2 Z3
50 euro 1 0 0 60 euro 0 1 0 70 euro 0 0 1
Variabili indicatrici
Classi
della marca
Z1 Z2
Bianco 1 0 Nero 0 1
47
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio Applicativo della Esempio Applicativo della ConjointConjointAnalysisAnalysis metricametrica -- 66
N° combinazio-ne
Livelli dei fattori espressi in codifica binaria disgiuntiva
completa.
Punteggi assegnati da un rispondente
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
100 100 100 010 010 010 001 001 001 100 100 100 010 010 010 001 001 001
001 010 100 001 010 100 001 010 100 001 010 100 001 010 100 001 010 100
100 010 001 010 001 100 001 100 010 001 100 010 100 010
0010 010 001 100
10 10 01 01 10 10 10 01 10 01 10 10 10 01 10 10 10 01
5,2 7,3 5,7 4,8 7,2 9,3 0,8 3,2 6,4 2,2 8,1 8,3 6,3 7,4 7,3 2,2 4,3 5,7
Nella tabella sono riportati i 18 stimoli sperimentali descritti precedentemente con codifica binaria disgiuntiva completa dei livelli dei vari fattori, assieme ai punteggi di valutazione assegnati a detti stimoli dal rispondente.
48
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio Applicativo della Esempio Applicativo della ConjointConjointAnalysisAnalysis metricametrica -- 99
N° combinazio-ne
Livelli dei fattori espressi in codifica binaria disgiuntiva.
Punteggi assegnati da un rispondente
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
10 10 10 01 01 01 00 00 00 10 10 10 01 01 01 00 00 00
00 01 10 00 01 10 00 01 10 00 01 10 00 01 10 00 01 10
10 01 00 01 00 10 00 10 01 00 10 01 10 01 00 01 00 10
1 1 0 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0
5,2 7,3 5,7 4,8 7,2 9,3 0,8 3,2 6,4 2,2 8,1 8,3 6,3 7,4 7,3 2,2 4,3 5,7
Elenco delle combinazioni sperimentali, matrice delle variabili indicatrici dei livelli dei fattori espressi in codifica binaria, con soppressione dell’ultima colonna, e vettore dei punteggi di valutazione.
49
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio Applicativo della Esempio Applicativo della ConjointConjointAnalysisAnalysis metricametrica -- 1515
Attributi e modalità
Coefficienti di utilità parziale
Marca Sears Goodyear Goodrich Percorrenza 50000 km 40000 km 30000 km Prezzo 50 euro 60 euro 70 euro Colore Bianco Nero
2,37 3,28 0,00
3,53 2,67 0,00
1,72 1,48 0,00
1,23 0,00
Nella seguente tabella Nella seguente tabella sono riportati, per un generico sono riportati, per un generico rispondente, i valori dei rispondente, i valori dei parametri evidenziati nella parametri evidenziati nella formula precedente, e formula precedente, e trasformati, ossia traslati di trasformati, ossia traslati di una quantituna quantitàà uguale alla uguale alla costante costante aa; pertanto in tabella ; pertanto in tabella sono riportati i valori sono riportati i valori bbii--aa, , corrispondenti agli effetti in corrispondenti agli effetti in valore assoluto delle varie valore assoluto delle varie categorie di attributi categorie di attributi
UtilitUtilitàà parziali stimate per le modalitparziali stimate per le modalitàà di di quattro attributi di un prodotto, per un quattro attributi di un prodotto, per un rispondente rispondente
50
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio Applicativo della Esempio Applicativo della ConjointConjointAnalysisAnalysis metricametrica -- 1616
Util
ità P
arzi
ale
Sears Goodyear Goodrich MARCA
4
3
2
1
0
2,37
3,28
0
51
Metodi Statistici Avanzati per le Imprese Metodi Statistici Avanzati per le Imprese –– Arboretti Giancristofaro Arboretti Giancristofaro R., Bonnini S.R., Bonnini S.
Esempio Applicativo della Esempio Applicativo della ConjointConjointAnalysisAnalysis metricametrica -- 1717
ATTRIBUTI
Utilità
parziale più
grande
(1)
Utilità
parziale più
piccola
(2)
Differenza delle
utilità
(3) = (1) - (2)
Somme delle
differenze
(4)
Importanza
relativa
(5) = (3)/ (4)
Marca 3,28 0 3,28 9,76 0,336
Percorrenza 3,53 0 3.53 9,76 0,362
Prezzo 1,72 0 1,72 9,76 0,176
Colore 1,23 0 1,23 9,76 0,126
Dalla tabella si osserva che i fattori di maggiore differDalla tabella si osserva che i fattori di maggiore differenziazione del enziazione del prodotto sono, rispettivamente, la vita media (espressa in migliprodotto sono, rispettivamente, la vita media (espressa in miglia di Km di a di Km di percorrenza della vettura) e la marca; il fattore meno importantpercorrenza della vettura) e la marca; il fattore meno importante risulta il e risulta il colore. colore.
Importanza relativa dei fattori
Top Related