Sei sulla pagina 1di 5

1.

1
La conoscenza delle preferenze accordate dai consumatori rispetto ad un set di alternative
(siano esse relative alla marca, al punto vendita o al canale distributivo) rappresenta
uninformazione cruciale per le analisi svolte allinterno dellimpresa. Lanalista, in
particolare, deve cercare di ottenere informazioni circa la scelta qualitativa dei consumatori, a
livello del singolo individuo, in quanto non solo i consumatori differiscono tra loro, ma
risultano essere diversi anche i contesti e le occasioni dacquisto, oltre che le esigenze e gli
obiettivi del management che commissiona le analisi.
Nel 1983 due giovani studiosi, Guadagni e Little, hanno proposto un modello molto semplice,
in grado di descrivere la probabilit di preferire unalternativa tra un set di potenziali scelte,
in funzione di una serie di covariate. Il modello si basa sul concetto di utilit e in particolare
poggia le sue basi su due assunzioni di fondo:
Al momento della scelta ciascuna alternativa fornisce al consumatore un certo livello di
utilit ( )
Il consumatore, seguendo una logica puramente razionale, propende per lalternativa
che massimizza la sua funzione di utilit
Mentre il decisore pienamente consapevole dei fattori che lo hanno condotto alla scelta,
lanalista molto spesso non riesce ad intercettarli e osservarli completamente. Per tale motivo
Guadagni e Little propongono di specificare una funzione di utilit attraverso due
componenti: una deterministica che descrive i fattori direttamente osservabili dallanalista, ed
una stocastica che tratta invece le componenti latenti allanalista che concorrono comunque
alla determinazione dellutilit complessiva.

= +

Seguendo la logica del ragionamento, dunque, il consumatore preferir lalternativa 1


allalternativa 2 (nel caso di due sole alternative) se e solo se:

1 = 1 + 1 > 2 = 2 + 2 (2 1 ) < ( )

A seconda della diversa forma funzionale che si sceglie per descrivere F, si ottengono due
modelli che differiscono tra loro solo nella trattazione delle probabilit estreme:
Modello Probit, con funzione di ripartizione normale standard
Modello Logit, con funzione di ripartizione logistica
Il modello Logit generalmente pi implementato rispetto al Probit in quanto ha forma
chiusa, si basa su un link canonico ed facilmente interpretabile in termini di Odds.
La regressione logistica permette di descrivere la probabilit di scelta di unalternativa come:

exp( )
( = 1| ) =
exp( ) + exp( )

I parametri del modello sono stimabili attraverso il metodo della massima verosimiglianza
(dove = (1 )1 ) e la validazione dello stesso pu essere condotta tramite un
test di Likelihood ratio (che confronta se la differenza tra un modello naive ed uno completo
significativa) o utilizzando i criteri informativi AIC e BIC.

Nota: la componente deterministica della funzione di utilit pu essere espressa attraverso


una relazione lineare che coinvolge unintercetta ed un insieme di covariate. Anche in
presenza di due sole alternative, le intercette del modello non risultano definite
separatamente. Per rendere comunque possibile la stima, allora si procede fissando a zero
una delle due intercette (ad esempio la prima) e stimando laltra; questultima interpretabile
come misura della preferenza relativa accordata dai consumatori alla seconda alternativa
rispetto alla prima (in un modello con covariate) o come misura della frequenza relativa di
scelta della seconda alternativa rispetto alla prima (in un modello privo di covariate).

Il ragionamento appena descritto pu essere facilmente trasposto al caso di pi di due


alternative, a patto che esse siano in numero finito, siano mutuamente esclusive e siano
interamente considerate in fase di modellizzazione.
La generalizzazione del modello, tuttavia, necessita unassunzione sulla distribuzione degli
errori. Se si ipotizza che gli siano descritti da una doppia esponenziale e siano indipendenti
e identicamente distribuiti (con conseguente indipendenza delle alternative), allora
possibile specificare la probabilit di scelta di una delle alternative proposte in maniera
analoga a quanto fatto sopra, come:

exp( )
( = 1| ) =
exp( )

A seconda che le covariate osservate, poi, si riferiscano alle caratteristiche delle alternative o a
quelle dei decisori, si parler rispettivamente di Conditional Logit e Multinomial Logit.

1.2 e 1.3
Variabile Stima Standard error Statistica p-value Significativo?
Feature 0,55 0,012 45,83333333 0,006943841 1
Inventario 0,01 0,34 0,029411765 0,490640643 0
Loyalty 2,52 0,11 22,90909091 0,013885664 1
Prezzo -0,7 0,02 -35 0,009092095 1
Yoplait 0,618 0,1 6,18 0,051063852 0
Danone 0,233 0,106 2,198113208 0,135902662 0
Yomo -1,483 0,22 -6,740909091 0,046878724 1

Come si pu evincere dallanalisi dei coefficienti e della loro significativit, le variabili che
concorrono alla determinazione della scelta dellalternativa da parte del consumatore sono
Feature, Loyality e Prezzo. In particolare lattivazione di attivit di Feature e laumento della
fedelt alla marca risultano avere un impatto positivo sulla probabilit di scelta di
unalternativa, mentre laumento di prezzo, come pronosticabile, provoca una diminuzione in
termini di probabilit di scelta.
La valutazione della magnitudine dei coefficienti porta a concludere che la variabile di fedelt
(comportamentale), inserita allinterno del modello per tener conto delleterogeneit dei
consumatori, ha un peso fondamentale sulla probabilit di scelta; tale considerazione risulta
coerente con il tipico comportamento dacquisto della categoria (yogurt), secondo cui i
consumatori effettuano operazioni di acquisto e riacquisto secondo abitudine e conoscenza
del prodotto.
Lanalisi delle intercette infine evidenzia che non esistono differenze significative tra la
preferenza di Vitasnella e quella di Yoplait e Danone e che Yomo lalternativa di yogurt meno
preferita allinterno del settore.

Variabile Stima Odds


Feature 0,55 1,733253018
Inventario 0,01
Loyalty 2,52 12,42859666
Prezzo -0,7 0,496585304
Yoplait 0,618
Danone 0,233
Yomo -1,483

Lanalisi degli Odds, infine, ci porta a concludere che:


Lattivazione di unattivit di Feature aumenta la probabilit di scegliere lalternativa
del 73%
La fedelt di marca induce i consumatori a scegliere unalternativa con una probabilit
addirittura maggiore del 1000%
Laumento di prezzo provoca una diminuzione della probabilit di scelta di
unalternativa attorno al 50%

1.4
Attraverso il Conditional Logit, avendo a disposizione dati relativi a tutte le alternative per
ogni consumatore, ad ogni occasione dacquisto, possibile ottenere misure di elasticit
individuali per ogni alternativa.
1 = 1 (1 1 )

dove 1 rappresenta la probabilit stimata che li-esimo consumatore scelga la k-esima


alternativa alla prima occasione dacquisto. La media delle probabilit stimate che li-esimo
consumatore scelga la k-esima alternativa lungo tutte le occasioni dacquisto restituisce la
quota di mercato attesa della k-esima alternativa per li-esimo individuo.

1.5
Oltre alla mancanza di trattazione delleterogeneit tra gli individui (in parte risolta
attraverso lintroduzione della misura di fedelt comportamentale, specifica per individuo), il
Conditional Logit presenta unaltra criticit: lassunzione di indipendenza della componente
stocastica associata alla funzione di utilit porta con s come conseguenza immediata la totale
indipendenza delle alternative inserite allinterno del modello.
Se tale assunzione viene violata, ovvero se il processo decisionale del consumatore assume
una forma gerarchica, il modello non in grado di intercettare tale struttura e dunque le stime
che restituisce risultano distorte.
Per verificare la veridicit dellassunzione sottesa al Conditional Logit, possibile
implementare un test di Hausman e McFadden, secondo cui se le differenze tra le stime
ottenute attraverso la realizzazione di un Conditional Logit sul set completo di alternative o su
un suo sottoinsieme non risultano significative, allora non possibile rifiutare lipotesi nulla
di indipendenza delle alternative; in caso contrario necessario individuare una modalit di
trattazione diversa dal Conditional Logit che tenga conto della correlazione esistente tra le
possibili scelte.
Il modello pi utilizzato in caso di violazione dellipotesi di IIA il cosiddetto Nested Logit.
Questultimo modello tiene conto della similarit delle alternative aggregandole in gruppi e
assume che il processo decisionale si snodi in due passi: al primo stadio il consumatore
sceglie la categoria (o nodo) e al secondo individua lalternativa preferita allinterno della
categoria scelta seguendo sempre una logica razionale di massimizzazione dellutilit. La
componente stocastica legata allutilit (sempre ipotizzata IID secondo una doppia
esponenziale) viene scomposta in due componenti a ciascuna delle quali associato un
parametro di scala che ne descrive la varianza ( per e per ).
La probabilit di scegliere li-esima alternativa, dunque risulta essere:
= |
dove:

| = ( +
+ + > +
+ + ) = (
+ > +

exp( )
) = )
exp(


= ( + max(
+ ) + > + max( + ) + ) =

{ +( ) ln( exp( ) )}
( + + + > + + ) =
{ +( ) ln( exp( ) )}


{ +( ) ln( exp( ) )} exp( )
Da cui: = | =

exp(
{ +( ) ln( exp( ) )}
)


Linterpretazione di questo modello passa attraverso il rapporto :

se = 1 allora le alternative risultano essere tutte indipendenti e le stime
risultanti da un Conditional logit coincidono con quelle ottenute attraverso un Nested

se = 0 allora le alternative allinterno delle categorie risultano essere
strettamente correlate tra loro e la scelta dellalternativa passa in gran parte attraverso
la scelta della categoria.

Giovanni dunque potrebbe verificare attraverso il test sopra descritto di Hausman e


McFadden se le alternative di yogurt risultano indipendenti luna dallaltra e in caso di
risposta negativa implementare un Nested Logit che indaghi se verosimile che il primo step
del processo decisionale dei consumatori sia rappresentato dalla scelta di una particolare
sottocategoria merceologica (ad esempio il formato); le stime ottenute attraverso questo
secondo modello riescono a descrivere in maniera ancora pi precisa e puntuale il processo
decisionale che sottende la scelta da parte dei consumatori e dunque risultano estremamente
preziose per un miglioramento dellattivit commerciale di Stefano in relazione alle esigenze
dei consumatori.

2.1
La struttura dei dati necessari per lanalisi e la descrizione del fenomeno descritto dovrebbe
coincidere con la struttura dei dati necessari per la stima di un Conditional Logit. In
particolare per ogni consumatore ad ogni occasione dacquisto dovrebbe essere presentata
una riga che descriva ciascuna alternativa.

2.2
Per descrivere se il processo decisionale dei consumatori segue particolari schemi o gerarchie
allinterno della categoria merceologica, possibile implementare un test di Hausman e
McFadden che valuta lipotesi nulla di assenza di correlazione tra le alternative proposte. In
caso di rifiuto dellipotesi nulla e dunque di violazione dellassunzione di IIA, possibile
realizzare due differenti modelli Nested Logit, in modo da indagare se pi verosimile che il
processo decisionale che sottende la scelta del consumatore sia guidato dalla scelta del
formato o della marca.
Nel caso in cui lanalista si trovi di fronte a risultati che descrivono il processo decisionale del
consumatore guidato dalla marca, allora dovr suggerire una disposizione dei dentifrici sugli
scaffali aggregati per marca; al contrario se lanalista si trova di fronte a risultati che
confermano lipotesi che i consumatori scelgono prima il formato, poi la marca di dentifricio
da acquistare condizionatamente alla scelta del formato, allora dovr suggerire una
disposizione dei prodotti sugli scaffali aggregati per formato.

2.3
Per la struttura del Nested Logit si veda lesercizio precedente.

3.1
Tasso di Profitto
Trimestre Profitto Retention sconto attualizzato CLV
1 35,00 100,00% 0,05 35,00 35,00
2 35,00 40,00% 0,05 33,33 13,33
3 35,00 16,00% 0,05 31,75 5,08
4 35,00 6,40% 0,05 30,23 1,93
5 50,00 2,56% 0,05 41,14 1,05
6 50,00 1,02% 0,05 39,18 0,40
7 50,00 0,41% 0,05 37,31 0,15
8 50,00 0,16% 0,05 35,53 0,06
9 50,00 0,07% 0,05 33,84 0,02
10 50,00 0,03% 0,05 32,23 0,01
11 50,00 0,01% 0,05 30,70 0,00
12 50,00 0,00% 0,05 29,23 0,00
57,05
3.2
Recency state
1 2 >2
pj 0,4 0,15 0

Periodo 1 2 >2
1 1 0 0
2 0,4 0,6 0
3 0,25 0,24 0,51
4 0,136 0,15 0,714

Tasso di Profitto
Trimestre Profitto Retention sconto attualizzato CLV
1 40,00 100% 0,05 40,00 40,00
2 40,00 40% 0,05 38,10 15,24
3 40,00 25% 0,05 36,28 9,07
4 40,00 14% 0,05 34,55 4,70
69,01