Sei sulla pagina 1di 51

Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

La Conjoint Analysis

1
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

La funzione di utilità del


consumatore
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 utilità
X = caratteristiche del bene o del paniere di
beni 2
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

La funzione di utilità del


consumatore

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
3
che un bene venga introdotto nel mercato?
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Quesito fondamentale:
Come si formano le scelte del consumatore e
come possono essere previste?

4
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Strategie aziendali interessate:

-Segmentazione del mercato (a priori/a


posteriori);
-Decisioni relative al prodotto;
-Analisi competitiva;
-Decisioni sul prezzo;
-Decisioni su promozione e distribuzione

5
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

La Conjoint Analysis
Obiettivo: 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

6
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Modello 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 )

7
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

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

8
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Terminologia di base
Fattori 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 degli9
attributi
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Terminologia di base
Assegnando un livello a ciascun attributo si
ottiene un prodotto possibile (profilo)
LIVELLI

colore bianco nero bianco nero


ATTRIBUTI
dimensione singola singola doppia doppia

PROFILI ⇒

Il numero di profili possibili dipende dal numero


di livelli e di attributi
10
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Come misurare l’utilità?


9 Intervista a un campione di potenziali
clienti
9 Modello 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
composto
9 Le preferenze espresse dal cliente non
riguardano i singoli livelli degli attributi

11
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Come capire i desideri dei clienti?


9 Chiedere qual è il livello preferito per ogni
attributo non è efficace perché i clienti
preferiscono:
9 Marche note piuttosto che sconosciute
9 Prezzi bassi piuttosto che alti
9 Prestazioni più elevate possibile
9 Ecc.
9 Nella realtà esistono trade-off nelle scelte
di acquisto di cui bisogna tener conto ⇒ è
importante conoscere l’ordine di importanza
degli attributi
12
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Natura decompositiva del metodo


9 I rispondenti esprimono valutazioni sui
profili mentre le preferenze sui singoli
attributi e livelli sono implicite e vengono
stimate (metodo full-profile)
9 Conjoint Analysis metrica: i rispondenti
valutano ciascun profilo con un voto ⇒
metodo rating
9 Conjoint Analysis non metrica: i
rispondenti ordinano i profili sottoposti al
loro giudizio in base alla preferenza ⇒
metodo ranking
13
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio 1:
Nuovo modello di automobile:
Alimentazione: benzina (b) o diesel (d)
Cilindrata: 1100, 1300 o 1500

Numero profili possibili: P = 3 × 2 = 6


Il rispondente fornisce il seguente ordine di
preferenza:

b 1.3 b 1.1 d 1.5 b 1.5 d 1.3 d 1.1


1 2 3 4 5 6
14
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio 1:
Traformando i ranghi in punteggi crescenti
di utilità secondo la formula Utilità = 6 -
Rango:
alimentazione Media
b d
1.1 4 0 2.0
cilindrat
1.3 5 1 3.0
a
1.5 2 3 2.5
Media 3.7 1.3
15
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio 2:
Nuovo tipo di panettone:
Canditi: si o no
Prezzo: € 3, € 4 o € 5,

Numero profili possibili: P = 3 × 2 = 6


Il rispondente fornisce il seguente ordine di
preferenza:
Canditi si si no si no no
Prezzo €3 €4 €3 €5 €4 €5
rango 1 2 3 4 5 6
16
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio 2:
Calcolando Utilità = 6 - Rango:
canditi Media
si no
€3 5 3 4.0
prezzo €4 4 1 2.5
€5 2 0 1.0
Media 3.7 1.3
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
17
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Il part-worth model
-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:Y p = ∑ k ∑ l wkl D pkl + ε p

Yp = utilità del prodotto p


wkl = utilità parziale riferita al livello l dell’attributo k
Dpkl = variabile dummy che assume valore 1 se il livello l
dell’attributo k è presente nel profilo p e valore 0 altrimenti
ep = errore casuale

18
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio
Attributo Livello
1: 1: benzina
alimentazione
2: diesel
2: cilindrata 1: 1100
2: 1300
3: 1500
Profilo 1: benzina, 1100
Y1 = w11 ⋅1 + w12 ⋅ 0 + w21 ⋅1 + w22 ⋅ 0 + w23 ⋅ 0 + ε1 = w11 + w21 + ε1

Profilo 2: benzina, 1300


Y2 = w11 ⋅1 + w12 ⋅ 0 + w21 ⋅ 0 + w22 ⋅1 + w23 ⋅ 0 + ε 2 = w11 + w22 + ε 2
19

Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Modelli alternativi
Modello misto con interazioni tra gli attributi:
Yp = ∑k ∑l wkl Dpkl + ∑k ∑s ≠k ∑l ∑m wkl, smDpkl Dpsm + ε p

Vector linear model : Y p = γ 0 + ∑ k γ k X pk + ε p


Xkp = livello del fattore k nel prodotto p (variabile continua)

Ideal point model: * 2


(
Y p = δ 0 + ∑ k δ k X pk − X pk + ε p
X*kp = livello ideale del fattore k nel prodotto p
)
20
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Le interazioni tra attributi nel


modello misto
alimentazione Media
b d
1.1 4 0 2.0
cilindrata 1.3 5 1 3.0
1.5 2 3 2.5
Media 3.7 1.3

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
21
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Effetti principali ed effetti di


interazione
Nell’esempio osservato la variazione di utilità complessiva
cambiando contemporaneamente il livello di due
attributi è diversa dalla somma algebrica delle
variazioni di utilità imputabili ai singoli attributi! Î
INTERAZIONE
Effetto principale di un attributo Î cambiamento nella
risposta media dovuto ad un cambiamento di livello
dell’attributo Î wkl
Interazione tra attributi Î effetto combinato di due o più
attributi = cambiamento nella risposta media dovuto al
cambiamento contemporaneo nel livello di due o più
attributi Î wkl,sm
22
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Grafico degli effetti principali

Main Effects Plot - Data Means for Y Main Effects Plot - Data Means for Y

3.0
3.5

2.5 2.5
Y

Y
1.5
2.0

benzina diesel 1100 1300 1500


alimentazion cilindrata

23
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Grafico degli effetti di interazione


Interaction Plot - Data Means for Y

alimentazion

5 benzina
diesel

3
Mean

1100 1300 1500


cilindrata

Spezzate non parallele ⇒ presenza di interazione


24
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Modello part-worth additivo in forma


matriciale
Riprendendo l’esempio dell’automobile…
 Y1  1 0 1 0 0
Y  1 0   ε1 
0 1 0  w11  ε 
 2   
1  w12   
2
Y3  1 0 0 0
  =   ⋅  w  + ε 3 
Y4  0 1 1 0 0 21  
  ε 4 
Y5  0 1 0 1 0  w22   
     ε5
Y6  0 1 0 0 w
1  23    
ε
 6 

Y = Dw + ε
25
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Stima dei parametri: la


multicollinearità
La stima del vettore dei parametri w con il metodo dei
minimi quadrati è data da:
 wˆ1 
 wˆ 
 2 −1
ˆ =  wˆ 3  = DT D DT Y
w
 
( )
 wˆ 4 
 wˆ 5 
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.
26
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Rimedio alla multicollinearità


Rispecificare il modello aggiungendo il termine costante ed
eliminando una variabile dummy (un livello) per ogni
attributo
 Y1  1 0 1 0 0
Y  1 0 0   ε1 
1 0  w11   
 2   w  ε 2 
Y3  1 0 0 0 1  12 
  =   ⋅  w  + ε 3 
Y
 4 0 1 1 0 0 21  
  ε 4 
Y5  0 1 0 1 0  w22   
     ε5
Y6  0 1 0 0 w
1  23    
ε 6 

27
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Modello rispecificato…
 Y1  1 1 1 0
Y  1   ε1 
 2  1 0 1  
 β 0  ε 2 
Y3  1 1 0 0   ε 
  =   β
0 1 0 ⋅   +  3
11
Y
 4 1  β 21  ε 4 
Y5  1 0 0 1  
     β 22  ε 5 
 6 
Y 1 0 0 0  
ε 6 

Y = D 0β + ε

28
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Interpretazione e stima dei


parametri
Il modello rispecificato in forma non matriciale diventa:
Y p = β 0 + ∑ k ∑l β kl D0 pkl + ε p

b0 = utilità associata al profilo corrispondente ai livelli esclusi


dal modello chiamato anche baseline
bkl = 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
(
βˆ = D0T D0 )−1 D0T Y
29
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio 1
Abbiamo 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:

βˆ0 = 1.33 βˆ11 = 2.33 βˆ21 = −0.5 βˆ22 = 0.5


Baseline: “auto diesel 1.500”; utilità stimata: 1.33.

LIVELLO benzina 1100 1300


PART WORTH 2.33 -0.5 0.5
30
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Il numero di parametri del


problema
Stiamo indagando su K attributi
Numero 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:
31
P = LK Q=K×L Q ' = K × (L - 1)
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Analisi individuali e aggregate


Analisi 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

32
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Stima dei parametri nell’analisi


aggregata
N = numero di rispondenti
Y = vettore con P × N valori, utilità degli N rispondenti per i P
prodotti osservati
D = matrice delle variabili dummy con P × N righe e K colonne
w = vettore delle K utilità parziali da stimare

In pratica vengono “impilati” i vettori delle risposte degli N


intervistati, “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
33
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Importanza relativa degli


attributi
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:

l
( ) l
( )
max βˆkl − min βˆkl
IRk = ×100
∑ k max(βˆkl )− min (βˆkl )
 
 l l 
34
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio 1
βˆ11 = 2.33 βˆ21 = −0.5 βˆ22 = 0.5

ATTRIBUTO RANGE IMPORTANZA


UTILITA’ RELATIVA (%)
PARZIALI
Alimentazion 2.33 – 0 = 2.33 2.33/3.33×100 = 69.97
e
Cilindrata 0.5 – (- 0.5) = 1 1.00/3.33 ×100 =
30.03
Totale 3.33 100

35
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Quale modello? Quanti profili?


MODELLO VANTAGGI SVANTAGGI

Additivo Semplice da costruire Non considera le


e interpretare interazioni
Misto Interazioni ⇒ più Necessarie più
informativo osservazioni

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
!
36
E’ utile ricorrere a tecniche di “Design Of Experiments”
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Design Of Experiments (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

37
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Piani fattoriali
Piano 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 ma
include 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 38
può essere stimata
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

DOE e Conjoint Analysis


Risposta = giudizio del rispondente (utilità)
Fattori = attributi
Piano fattoriale = insieme dei profili considerati nell’intervista
Quanti e quali profili presentare al rispondente per stimare gli
effetti 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 più
complessi.

39
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio di codifica per un piano


23
Prodotto: libreria

Codifica fattore A B C

Dimension
Descrizone fattore Colore Anta
e

-1 Bianco Singola No
Livello
+1 Nero Doppia Si

40
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Frazione a metà di un piano 2K


Fattori Interazioni
Profilo A B C AB AC BC
1 bianca – singola - senza anta -1 -1 -1 +1 +1 +1
2 bianca – singola - con anta -1 -1 +1 +1 -1 -1
3 bianca – doppia - senza anta -1 +1 -1 -1 +1 -1
4 bianca – doppia - con anta -1 +1 +1 -1 -1 +1
5 nera – singola - senza anta +1 -1 -1 -1 -1 +1
6 nera – singola - con anta +1 -1 +1 -1 +1 -1
7 nera – doppia - senza anta +1 +1 -1 +1 -1 -1
8 nera – doppia - con anta +1 +1 +1 +1 +1 +1
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.
41

C)
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Le Fasi Operative della Conjoint Analysis


1.Individuazione degli attributi e dei livelli di interesse
2.Definizione dei profili di prodotto (combinazioni o stimoli)
da sottoporre al giudizio degli intervistati → piano
sperimentale
3.Scelta di un campione di valutatori
4.Somministrazione dei profili di prodotto ai rispondenti
5.Stima delle utilità parziali ovvero degli effetti principali ed
eventualmente delle interazioni per ogni rispondente
6.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)

42
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio Applicativo della


Conjoint Analysis metrica - 1
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

43
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio Applicativo della Conjoint


Analysis metrica - 2
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)
44
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.
Esempio Applicativo della Conjoint
Analysis metrica - 3

45
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio Applicativo della Conjoint


Analysis metrica - 5
Variabili indicatrici Variabili indicatrici
Classi Classi
Z1 Z2 Z3 Z1 Z2 Z3
della marca della marca

Sears 1 0 0 50 euro 1 0 0
Goodyear 0 1 0 60 euro 0 1 0
Goodrich 0 0 1 70 euro 0 0 1

Variabili indicatrici Variabili indicatrici


Classi Classi
Z1 Z2 Z3 Z1 Z2
della marca della marca

50000 km 1 0 0 Bianco 1 0
40000 km 0 1 0 Nero 0 1
30000 km 0 0 1

46
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio Applicativo della Conjoint


Analysis metrica - 6

N° Livelli dei fattori espressi in


Punteggi assegnati
combinazio- codifica binaria disgiuntiva
da un rispondente
ne completa.

Nella tabella sono riportati i 1 100 001 100 10 5,2


2 100 010 010 10 7,3
18 stimoli sperimentali descritti 3 100 100 001 01 5,7
precedentemente con codifica 4 010 001 010 01 4,8
5 010 010 001 10 7,2
binaria disgiuntiva completa dei 6 010 100 100 10 9,3
livelli dei vari fattori, assieme ai 7
8
001
001
001
010
001
100
10
01
0,8
3,2
punteggi di valutazione 9 001 100 010 10 6,4
10 100 001 001 01 2,2
assegnati a detti stimoli dal 11 100 010 100 10 8,1
rispondente. 12 100 100 010 10 8,3
13 010 001 100 10 6,3
14 010 010 010 01 7,4
15 010 100 0010 10 7,3
16 001 001 010 10 2,2
17 001 010 001 10 4,3
18 001 100 100 01 5,7

47
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio Applicativo della Conjoint


Analysis metrica - 9

Livelli dei fattori espressi in Punteggi assegnati
combinazio-
codifica binaria disgiuntiva. da un rispondente
ne

1 10 00 10 1 5,2
Elenco delle 2 10 01 01 1 7,3
3 10 10 00 0 5,7
combinazioni sperimentali, 4 01 00 01 0 4,8
matrice delle variabili 5 01 01 00 1 7,2
6 01 10 10 1 9,3
indicatrici dei livelli dei fattori 7 00 00 00 1 0,8
espressi in codifica binaria, 8 00 01 10 0 3,2
9 00 10 01 1 6,4
con soppressione dell’ultima 10 10 00 00 0 2,2
colonna, e vettore dei 11 10 01 10 1 8,1
12 10 10 01 1 8,3
punteggi di valutazione. 13 01 00 10 1 6,3
14 01 01 01 0 7,4
15 01 10 00 1 7,3
16 00 00 01 1 2,2
17 00 01 00 1 4,3
18 00 10 10 0 5,7

48
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio Applicativo della Conjoint


Analysis metrica - 15
Attributi e Coefficienti di
modalità utilità parziale
Nella seguente tabella
sono riportati, per un generico Marca
rispondente, i valori dei Sears 2,37
Goodyear 3,28
parametri evidenziati nella Goodrich 0,00
formula precedente, e Percorrenza
trasformati, ossia traslati di 50000 km 3,53
40000 km 2,67
una quantità uguale alla 30000 km 0,00
costante a; pertanto in tabella Prezzo
sono riportati i valori bi-a, 50 euro 1,72
60 euro 1,48
corrispondenti agli effetti in 70 euro 0,00
valore assoluto delle varie Colore
categorie di attributi Bianco 1,23
Nero 0,00
Utilità
Utilità parziali stimate per le modalità
modalità di
quattro attributi di un prodotto, per un
rispondente 49
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio Applicativo della Conjoint


Analysis metrica - 16

4
3,28
Utilità Parziale

2
2,37
1
0
0

Sears Goodyear Goodrich

MARCA

50
Metodi Statistici Avanzati per le Imprese – Arboretti Giancristofaro R., Bonnini S.

Esempio Applicativo della Conjoint


Analysis metrica - 17

Importanza relativa dei fattori

Utilità Utilità
Differenza delle Somme delle Importanza
parziale più parziale più
ATTRIBUTI utilità differenze relativa
grande piccola
(3) = (1) - (2) (4) (5) = (3)/ (4)
(1) (2)
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 differenziazione del


prodotto sono, rispettivamente, la vita media (espressa in miglia di Km di
percorrenza della vettura) e la marca; il fattore meno importante risulta il
colore. 51