CONJOINT ANALYSIS
I modelli di segmentazione flessibile hanno lo scopo di
identificare segmenti di mercato costituiti da insiemi di
consumatori con risposte simili in termini di preferenza
nei confronti di prodotti già esistenti oppure ancora in
fase di progettazione.
La Conjoint Analysis è una tecnica di analisi multivariata
che consente di misurare l’importanza relativa di una
serie di attributi di un prodotto o servizio, fornendo
anche indicazioni sul gradimento di vari livelli degli
attributi stessi.
1
Per prodotto si intende una combinazione dei livelli
degli attributi opportunamente selezionati.
Una particolare combinazione costituisce un profilo
o stimolo o configurazione di prodotto.
2
I fondamenti concettuali della COA risiedono nelle
considerazioni sviluppate da Lancaster in margine alla
teoria del consumatore secondo le quali
"l'utilità d'uso di un bene deriva dalle singole caratteristiche
che lo compongono".
La Conjoint consente di decomporre le valutazioni globali in
tante utilità separate che traggono origine dalle diverse
caratteristiche di quel bene.
Il focus della tecnica è nella misurazione delle preferenze
espresse dai consumatori per combinazioni di livelli degli
attributi.
Questa misurazione avviene senza una valutazione diretta
dell’importanza degli attributi stessi.
3
La composition rule
Si tratta allora di stabilire la regola di composizione che
caratterizza la formazione delle preferenze di un
individuo.
La COA mette in corrispondenza biunivoca le due nozioni
di preferenza e di utilità: quanto più un prodotto
incontrerà il gradimento di un consumatore tanto più la
sua fruizione fornirà utilità.
4
La preferenza può essere interpretata, a sua volta, come
una funzione delle modalità o dei livelli delle
caratteristiche rilevanti del prodotto/servizio.
Il modello più utilizzato è quello additivo, nel quale le
utilità parziali dei singoli livelli di ogni attributo vengono
sommate per ottenere l'utilità complessiva di un
prodotto.
5
Modelli di formazione delle preferenze
Sono tre i principali schemi ai quali si è soliti fare
riferimento in letteratura:
- il modello vettore;
- il modello punto ideale;
- il modello part-worth.
6
Modello vettore
Si considerino K attributi, con fik si denota il livello
dell’attributo k per il j-esimo profilo, mentre yj
rappresenta la preferenza espressa da un individuo
per il profilo j.
preferenza per
lo stimolo j
livello del k-mo attributo
nello stimolo j
pesi per ciascun
attributo k
7
Modello punto ideale
La preferenza è negativamente correlata al quadrato
della distanza euclidea ponderata tra lo stimolo e il
punto ideale.
profilo ideale
dell’attributo
8
Modello part-worth
L’utili totale è pari alla somma delle utilità parziali
attribuite a ciascun attributo. Queste variano al variare del
livello degli attributi secondo una funzione s. La s è una
spezzata che viene stimata soltanto per un prefissato
numero di livelli.
K
y j   sik f jk
k 1
funzione
discontinua
9
Ipotesi di base
I consumatori, quando acquistano un prodotto o un
servizio ad elevato coinvolgimento psicologico, si
comportano in modo rigorosamente razionale e valutano
con attenzione le caratteristiche chiave del
prodotto/servizio.
10
Scopi della tecnica
Tramite questa tecnica è possibile valutare:
- l'importanza che ogni individuo attribuisce a ciascuna
caratteristica di un prodotto o di un servizio;
- il grado di utilità corrispondente ad ogni livello o
modalità di ciascuna caratteristica.
11
Fasi operative della Conjoint
 individuazione del prodotto,
 selezione degli attributi e delle relative modalità,
 creazione dei profili di prodotto,
 scelta di un insieme di profili, attraverso un piano
sperimentale;
 selezione del campione da intervistare,
 rilevazione delle preferenze,
 elaborazione e commento dei risultati.
12
Esempio
Creazione dei profili di prodotto
Creazione di pacchetti turistici
Attributi:
- paese di destinazione,
- luogo di vacanza
- mezzo di trasporto.
Modalità:
- Italia o Francia per il paese di destinazione;
- montagna o mare per il luogo di vacanza;
- auto privata o autobus per il mezzo di trasporto.
13
Le configurazioni di prodotto sono ottenute
moltiplicando i livelli di attributi:
2x2x2=8
Caratteristica
Paese
Luogo
Mezzo
Profilo 1
Italia
Mare
Auto
Profilo 2
Italia
Mare
Autobus
Profilo 3
Italia
Montagna
Auto
Profilo 4
Italia
Montagna
Autobus
Caratteristica Profilo 5
Paese
Francia
Luogo
Mare
Profilo 6 Profilo 7
Profilo 8
Francia Francia
Francia
Mare
Montagna Montagna
Mezzo
Autobus Auto
Auto
Autobus
14
Selezione dei profili di prodotto
Ai fini dell’analisi, la selezione dei profili riveste una
fondamentale importanza, in quanto non tutti quelli
possibili sono da sottoporre a giudizio, ma soltanto quelli
che l’impresa è, poi, in grado di realizzare.
In tal modo si evita di far insorgere nel consumatore dei
bisogni che l’impresa non è, poi, in condizione di
soddisfare, con susseguente impatto negativo
sull’immagine di marca e un possibile vantaggio
competitivo per le imprese concorrenti in grado di fornire
quelle configurazioni di prodotto.
15
Rilevazione delle preferenze
Ai consumatori si chiede in genere
di graduare in termini di preferenza (dal più al meno
gradito) i profili di prodotto/servizio, oppure
di esprimere un punteggio di gradimento per ogni
alternativa su una scala preventivamente fissata, in modo
tale da rifletterne la probabilità di acquisto.
16
Metodo di raccolta dei dati
- analisi trade-off fra due attributi alla volta,
- l’analisi full profile, ossia di confronto dei profili
completi del prodotto.
17
Procedura trade-off
Si sottopongono agli intervistati delle tabelle che
riportano tutte le possibili coppie di livelli di due soli
attributi e si chiede loro di ordinarle (dalla meno alla più
gradita).
Vi sarà una tabella per ogni coppia di attributi possibile,
tanto più complessa quanto più saranno i livelli.
18
Metodo full-profile
Consiste nel sottoporre a valutazione degli intervistati
un insieme di prodotti completi, descritti facendo
riferimento a tutti gli attributi considerati nei loro
livelli.
19
Elaborazione dei dati raccolti
L’elaborazione dei dati avviene attraverso l’applicazione
di una serie di analisi di regressione (una per ciascun
intervistato e una sulle valutazioni medie), condotte
considerando come variabile dipendente la valutazione
espressa dall’intervistato per ciascun profilo e come
variabili indipendenti la composizione dei profili.
La caratteristiche qualitative vengono introdotte nella
regressione come variabili dummy, mentre quelle
quantitative viene inserito il valore effettivo.
20
I rischi della CoA
Alcuni prodotti/servizi, soprattutto quelli a forte
contenuto d'immagine, possono non essere valutati
analiticamente dai consumatori nelle loro caratteristiche
rilevanti;
i risultati ottenuti sono fortemente condizionati dal
ricorso ad alcune ipotesi volutamente semplificatrici, in
particolare quella di uno schema additivo che collega la
preferenza per ogni alternativa da valutare ai livelli o
modalità degli attributi che la caratterizzano e quella di
assenza di interazioni di qualunque ordine tra tali modalità
o livelli.
21
Esempio
Una impresa produttrice di tonno in scatola, essendo
consapevole che il tonno è un alimento che è sempre
presente nella dispensa, è interessata ad apportare delle
modifiche ai suoi prodotti per rivitalizzare la sua posizione
sul mercato.
Tra i diversi attributi che influenzano la preferenza del
consumatore nel momento in cui si accinge a comprare il
tonno, il management ne ha selezionati tre:
Il condimento,
Il contenitore,
La confezione
22
Per ciascuno di questi attributi sono state individuate due modalità.
Attributi
Condimento
Contenitore
Confezione
Modalità
Olio d'oliva
Naturale
(1)
(2)
Vetro
Scatoletta
(1)
(2)
160 gr.
80 gr.
(1)
(2)
8 profili di prodotto: 2x2x2
1
2
3
4
5
6
7
8
olio d'oliva
olio d'oliva
olio d'oliva
olio d'oliva
naturale
naturale
naturale
naturale
vetro
scatoletta
vetro
scatoletta
vetro
scatoletta
vetro
scatoletta
160 gr.
160 gr.
80 gr.
80 gr.
160 gr.
160 gr.
80 gr.
80 gr.
23
Le configurazioni di prodotto in SPSS
24
La raccolta delle preferenze
È stato intervistato un campione non probabilistico di 50 consumatori
ai quali è stato chiesto di ordinare gli 8 profili sulla base delle loro
preferenze, dal più al meno gradito.
ID
1
2
3
4
5
…
…
50
v1
1
1
2
1
1
v2
6
3
4
2
2
v3
2
2
3
4
3
v4
3
4
5
5
4
v5
5
6
1
3
8
v6
4
8
7
8
6
v7
7
5
6
7
5
v8
8
7
8
6
7
6
5
8
7
2
1
3
4
25
Sintassi della conjoint
Si apre l’SPSS, in File si seleziona Nuovo – Sintassi.
Appare una pagina bianca in cui va scritta la seguente sintassi:
conjoint plan ='percorso del file dei profili'
/data ='percorso del file delle preferenze’
/factors=condim conten confez (discrete)
/subject=id
/rank= v1 to v8
/print= all
/utility= 'percorso del file delle utility'
26
conjoint plan='c:/marghe/corso/tonno spss/tonno_mio/profili.sav'
/data='c:/marghe/corso/tonno spss/tonno_mio/preferenze.sav'
/factors=condim conten confez (discrete)
/subject=id
/rank= v1 to v8
/print= all
/utility= 'c:/marghe/corso/tonno spss/tonno_mio/tonutil.sav'
27
Sottocomando Plan
Il sottocomando Plan specifica il file dei profili di prodotto.
Tra apici va specificato sia il nome del file, sia dove è salvato il file.
Esempio: conjoint plan='c:/profili.sav'
28
Sottocomando Data
Il sottocomando Data specifica il file delle preferenze.
Anche in questo caso vale il discorso fatto in precedenza per la
specificazione del percorso del file.
Esempio:/data='c:/preferenze.sav'
29
Sottocomando Factors
Il sottocomando Factors specifica gli attributi presi in considerazione.
I nomi degli attributi, dopo Factors, debbono essere quelli scritti nel
file dei profili.
Nell’esempio si ha:
/factors=condim conten confez (discrete)
Il sottocomando Factors prevede anche che, per ciascun attributo, si
può specificare, tra parentesi, il tipo di relazione che si ipotizza
possa esistere tra ogni attributo e la preferenza.
Le alternative sono 4: Discrete, Linear, Ideal e Antiideal
Se gli attributi sono variabili categoriche oppure se non viene
specificata alcuna relazione tra un attributo e le preferenze,
automaticamente il programma ipotizza una relazione discreta.
30
Per Discrete e Linear è prevista anche l’opzione More oppure Less,
per indicare la direzione della relazione.
Ad esempio specificare More dopo Discret oppure Linear sta ad
indicare che livelli più elevati di un attributo si suppone saranno
maggiormente preferiti; invece specificare Less dopo Discrete o
Linear significa che livelli più bassi di un attributo si suppone siano
maggiormente preferiti.
31
Sottocomando Subject
Il sottocomando Subject specifica che nel file delle preferenze vi è
una variabile che identifica gli intervistati.
Nell’esempio, questa variabile è stata etichettata con ID.
32
Sottocomando Rank
Il sottocomando Rank specifica il modo in cui vengono rilevate le
preferenze.
Si hanno a disposizione tre alternative, a seconda che i dati sono
raccolti sottoforma di sequenza, rango o punteggio.
Le tre alternative sono: Sequence, Rank e Score
33
Sottocomando Sequence
Si ricorre al sottocomando Sequence, quando agli intervistati viene
chiesto di ordinare i profili dal più al meno preferito.
Il file delle preferenze si presenta come una matrice in cui sulle righe
ci sono gli intervistati e sulle colonne l’ordine delle preferenze, da 1 a
n, dove n rappresenta il numero dei profili di prodotto presi in esame.
I numeri all’interno di questa matrice rappresentano i profili.
Intervistati
1
2
..
..
m
1
5
Preferenze
2
…
8
n
1
34
Sottocomando Rank
L’alternativa Rank si utilizza quando ai consumatori viene chiesto di
esprime un ordinamento, sulla base delle loro preferenze, per i profili
di prodotto analizzati.
In questo caso la matrice ha sulle righe gli intervistati e sulle colonne
gli n profili di prodotto. All’interno della matrice ci sono le preferenze
espresse dai consumatori.
Intervistati
1
2
..
..
m
1
2
Profili
2
…
1
n
8
35
Sottocomando Score
Con l’alternativa lo Score ai consumatori viene chiesto di esprimere
un punteggio (ad esempio da 1 a 100) per ciascun profilo esaminato.
Il punteggio più elevato per un certo profilo riflette una preferenza
maggiore per quel profilo.
Intervistati
1
2
..
..
m
1
30
Profili
2
…
25
n
10
La matrice che raccoglie i
punteggi di tutti gli intervistati ha
tante righe quanti sono gli
intervistati e tante colonne quanti
sono i profili.
All’interno della matrice vengono
riportati i punteggi che ciascun
intervistato attribuisce ad ogni
profilo.
36
Sottocomando Print
Esso permette di richiedere cosa si vuol includere
nell’output.
Le alternative da specificare sono:
Analysis: solo i risultati dell’analisi;
Simulations: solo i risultati della simulazione;
Summary only: riepilogo dell’analisi, senza riportare i
risultati per ciascun intervistato;
All: risultati sia dell’analisi sia della simulazione;
None: nessun risultato.
37
Sottocomando Utility
Permette di creare un file di dati SPSS in cui per ciascun intervistato
vengono riportati una serie di informazioni. Il sottocomando Utility è
seguito dal nome del file in cui saranno riportate le utility e il
percorso che descrive dove è salvato il file.
38
Le variabili riportate nel file delle utilità sono le seguenti:
1. l’identificativo degli intervistati (50);
2. la costante del modello di regressione (uguale per tutti gli
intervistati);
3. i livelli degli attributi (6, due per ciascuno dei tre
attributi);
4. gli score stimati per ciascuno dei profili di prodotto per
ogni intervistato.
39
Output
Dopo aver eseguito la sintassi della Conjoint, due sono gli
output che si ottengono:
1. i risultati dell’elaborazione;
2. il file delle utilità.
40
L’output dell’analisi si può scomporre in tre parti:
-la prima descrive i fattori, il modello specificato per
ciascun fattore, i livelli dei singoli fattori e l’eventuale
etichetta (label) dei fattori,
Factor Model Levels Label
CONDIM d
2
condimento
CONTEN d
2
contenitore
CONFEZ d
2
confezione
(Models: d=discrete, l=linear, i=ideal, ai=antiideal, <=less, >=more)
All the factors are orthogonal.
41
- la seconda mostra per tutti i 50 intervistati l’importanza % di
ciascun attributo e le utilità, con i relativi errori standard (s. e.), dei
singoli livelli; la costante stimata dal modello e i valori dei due indici
che misurano l’adattamento tra i valori osservati e quelli stimati: R di
Pearson e Tau di Kendall, con la rispettiva significatività,
I valori delle utilità
vanno interpretati nel
senso di maggiore o
minore utilità, pertanto
un valore negativo non
significa “disutilità”, ma
un’utilità
più
bassa
rispetto ad un valore
positivo.
42
La percentuale di importanza per l’attributo i-esimo si ottiene
rapportando la differenza tra il valore massimo e quello minimo di
utilità relativo all’attributo stesso alla somma per tutti gli attributi di
tale differenza.
Ad esempio, il valore 54,55
per il condimento, si ottiene
rapportando la differenza
l’utilità del condimento
all’olio d’oliva e quella del
condimento al naturale (1,5
+ 1,5=3) alla somma degli
scarti di utilità pari a
3+1,5+1=5,5
43
- la terza presenta le medesime informazioni del punto precedente
però a livello aggregato.
44
5 consumatori
26 consumatori
Numero medio di componenti
della famiglia=4
Classe media di età=51 e +
Professione = Altro
Titolo di studi = Diploma
Residenza = Provincia
Reddito = Medio
Preferenza profili 1/2/3
Numero medio di
componenti della
famiglia=4
Classe media di
età=0-35
Professione =Altro
Titolo di studi =
Diploma
Residenza =
Provincia
Reddito = Medio
Preferenza profili
1/2
12 consumatori
7 consumatori
Numero medio di
componenti della
famiglia=3
Classe media di
età=51 e +
Professione = Altro
Titolo di studi =
Diploma
Numero medio di
componenti della
famiglia=3/4
Classe media di età=035/51 e +
Professione = Altro
Titolo di studi =
Diploma
Residenza = Napoli
Residenza = Napoli
Reddito = Medio
Reddito = Basso
Preferenza profili 6/8
Preferenza profili
5/6
45