MODELLI DI RISPOSTA DEL MERCATO

I modelli di risposta delle vendite descrivono in modo formale la relazione esistente

tra un’impresa e il suo mercato.
Essi sono progettati per superare quanta più incertezza 1delle vendite, e, in aggiunta,
per fornire un meccanismo comportamentale in un modello decisionale che permetta
al management di esplorare le politiche migliori.
1. Misurare gli effetti di marketing
Effetti primari sulle vendite: quando gli effetti delle attività di marketing di una marca
danno luogo ad un aumento delle sue vendite senza influenzare le vendite dei
concorrenti.

Effetto sulla domanda primaria: quando l’effetto è di far aumentare le proprie vendite
e quelle dei concorrenti.

Effetto competitivo: quando l’effetto è di far aumentare le proprie vendite e di far

diminuire quelle della concorrenza.

L’informazione necessaria richiede che una funzione di risposta del mercato sia
stimata per la marca di interesse e che la funzione di risposta delle vendite sia stimata
per l’intera categoria e per i concorrenti.
In tal modo una completa comprensione degli effetti delle attività di marketing
richiede la decomposizione della funzione di risposta delle vendite della marca nella
funzione di risposta delle vendite della categoria e della funzione di risposta delle
quote di mercato.

2. Forme funzionali delle funzioni di risposta

Funzioni concave
La forma della risposta a uno specifico strumento di marketing diverso dal prezzo,
con le rimanenti attività di marketing tenute costanti, è generalmente concava. Le
vendite generalmente aumentano con l’aumento dello sforzo di marketing, ma
mostrano ritorni decrescenti di scala. La grande maggioranza degli studi empirici
mostrano che la funzione di risposta delle vendite ha una forma concava. Questo è
particolarmente vero per la pubblicità sui mass media di beni ad alta frequenza
d’acquisto.

Funzioni a forma di S
Qualche volta la funzione di risposta delle vendite ha la forma di S rispetto allo
sforzo di marketing. Inizialmente le vendite possono mostrare ritorni crescenti di

1
scala, e successivamente rendimenti decrescenti rispetto a più intensi livelli
dell’attività di marketing.

Effetto soglia
Questo si manifesta quando la risposta delle vendite occorre solo se lo sforzo di
marketing (ad esempio l’investimento pubblicitario) è superiore ad un certo
ammontare. L’esistenza dell’effetto soglia fa sì che la pubblicità sia uno strumento
per costruire barriere all’entrata e quindi potere di mercato.

Saturazione
L’esistenza di un livello di saturazione è accettata universalmente, tuttavia il livello di
saturazione raramente viene modellato e stimato. La procedura usuale è di
rappresentare la risposta per mezzo di una funzione che mostra rendimenti
decrescenti di scala.
Questo approccio è probabilmente adeguato per le analisi a breve termine, ma quando
l’oggetto dello studio riguarda la strategia a lungo termine, i livelli di saturazione
dovrebbero essere stimati.

Asimmetria nella risposta

L’asimmetria della risposta si verifica quando la dimensione della risposta ad un
cambiamento nell’intensità degli effetti di marketing si manifesta in modo differente
a seconda che si tratti di una variazione positiva o negativa. Questo è da tenere
distinto dall’asimmetria degli effetti competitivi, ovvero che i cambiamenti nelle
attività di marketing influenzi i concorrenti in modo differente.

3. Esempi di Forme Funzionali

Ritorni di scala decrescenti

Modello semilogaritmico

Qt = b0 logAt

Modello doppio logaritmico

logQt = b0 + b1 logAt

Modello moltiplicativo

Risposta a forma di S

Modello log-reciproco

2
logQt = b0 - b1/At , b0>0.

Il punto di flesso si ha per A = b1/2.

Potenziali di vendita minimo e massimo

Anche quando lo sforzo di marketing è nullo, una impresa può registrare vendite
dovute all’esistenza di consumatori fedeli, consumatori “prigionieri” o ad acquisti
d’impulso. Questa caratteristica può essere rappresentata aggiungendo una costante
positiva alle forme funzionali precedenti.

Saturazione
Modello esponenziale modificato

Qt = Q0(1 - exp-(bAt))

Modello logistico

log[Qt / (Q0 - Qt)] = b0 + b1 At .

Questa curva a forma di S è simmetrica intorno al punto di flesso.

Una curva non simmetrica potrebbe essere più appropriata:

log [(Qt - Q0) / (Q0 - Qt)] = logb0 + b1 logAt.

In questi modelli i livelli minimo e massimo devono essere specificati. Quando la

variabile dipendente è la quota di mercato, l’assunzione più comune è che il livello di
saturazione massimo sia uno e quello minimo pari a zero.

4. Modelli competitivi

Gli studi empirici hanno esaminato soprattutto l’elasticità agli investimenti

pubblicitari più delle quote di mercato che delle vendite assolute.
La quota di mercato, MS, è definite dal rapporto tra le vendite della marca, Q, e le
vendite della classe di prodotto, QT.

Qt = QTt * MSt .

L’impatto di una variazione dell’intensità della pubblicità è data da

dQ/dA = MS*dQT/dA + QT*dMS/dA .

e la corrispondente relazione tra le elasticità è

3
Q,A = QT,A + MS,A

L’impatto di un cambiamento delle spese pubblicitarie può essere diviso in effetti

diretti e indiretti:

Q,A = Q*,A +  Q*,Pc Pc,A + Q*,Ac Ac,A

Gli effetti indiretti traggono origine dalle reazioni competitive alle azioni
dell’impresa. L’elasticità della marca può essere scritta nei termini della
propria elasticità
elasticità incrociata
elasticità di reazione.

5. Modelli per le quote di mercato

L’uso delle quote di mercato per misurare la performance degli strumenti di

marketing utilizzati dall’impresa è adeguata quando non vi è effetto sulla domanda
primaria e il mercato è stazionario.
Nella loro specificazione devono essere rispettate alcune regole di consistenza logica,
ovvero:
 ogni quota stimata deve essere compresa nell’intervallo 0,1;
 in ogni tempo la somma delle quote stimate deve essere uguale ad 1.

Modelli di attrazione
In questi modelli, la quota di mercato è data dal rapporto tra l’attrazione esercitata
dalla marca e la somma delle attrazioni di tutte le marche:
Ai
MS i= m
∑ Aj
j =1
Fino a che le attrazioni sono non negative, ogni quota di mercato è compresa
nell’intervallo 0,1.
L’attrazione di ogni marca è concettualizzata come funzione delle azioni di
marketing.
Perché sia valida l’espressione delle quote di mercato in termini di rapporto tra le
attrazioni devono essere rispettati i seguenti assiomi:
 le attrazioni sono tutte non negative;
 se l’attrazione di una marca è zero, la corrispondente quota di mercato è zero;
 se due marche hanno la stessa attrazione, le loro quote di mercato sono uguali;
4
  quando l’attrazione della marca j, Aj, cambia di una quantità , il cambiamento
corrispondente della quota di mercato della marca i, MSi (per i differente da j),
è indipendente da j.

I modelli di attrazione si differenziano tra loro per quanto riguarda due aspetti:
1. la forma funzionale che collega A alle variabili che rappresentano le azioni di
marketing;
2. L’inclusione degli effetti differenziali e competitivi.

La scelta della forma funzionale. Partiamo dalla relazione generica:

Ai = f(X1i, X2i,..., XKi) .

Assumendo una funzione moltiplicativa, e senza nessuna trasformazione delle

variabili, abbiamo il modello Multiplicative Competitive Interaction (MCI):

Ai = exp (ai +ei )∑ X bki Xki bk

k

Dove:
exp(ai) è l’intercetta della funzione per la marca i;

bk è l’elasticità del k-mo strumento di marketing per la marca i-ma;

exp(ei) è il termine stocastico.

Una formulazione differente delle variabili di marketing è nota come modello

Multinomial Logit:

Ai = exp (ai + ∑ bk X ki +e i) .

Le elasticità corrispondenti sono le seguenti:

MCI:
bk (1-MSi)
MNL:
5
bk (1-MSi) Xki

Pertanto, l’elasticità diminuisce man mano che la quota di mercato aumenta.

Per quanto riguarda l’inclusione nel modello degli effetti differenziali e competitivi,
ci limitiamo all’esame del modello MCI.

a) Modello semplice. Tutti i coefficienti della funzione di risposta sono uguali per
tutte le marche e non sussistono effetti competitivi:

Ai = exp(ai+ei)  Xki bk

b) Modello differenziale. I coefficienti di ciascuna variabile di marketing variano da

marca a marca e gli effetti competitive sorgono dalla normalizzazione:

Ai = exp(ai+ei)  (Xki)bki

c) Modello completo, dove le vendite della marca sono influenzate anche dalla
competizione:

Ai = exp(ai+ei)   (Xkj)bkij

dove bkij è il parametro dell’effetto incrociato della variabile Xkj sull’attrazione della
marca i.

Il modello complete è il più realistico, poiché tiene conto:

 della variabilità degli strumenti di marketing;
 della differente vulnerabilità delle marche alla competizione.

Se abbiamo un numero di osservazioni sufficienti, il primo passo è di stimare i

modelli completi sia nella forma MCI che nella forma MNL. Si sceglie la forma
funzionale migliore (R2, criterio di Schwartz, etc.) e poi si eliminano mano a mano I
coefficienti non significativi, cominciando da quelli con il p-value più grande.

Stima dei parametri

L’operazione fondamentale è nota come log-centratura.
Poniamo:

MSg è la media geometrica delle quote di mercato in ciascun tempo;

a., bk.j, e. sono rispettivamente le medie aritmetiche di ait, bkij and eit

6
La quota di mercato log-centrata è data, in ogni tempo, dal logaritmo del rapporto tra
la quota di mercato della marca i e la media geometrica:

¿ MS ¿
MS ¿ =log ⁡( )
MS ¿
I parametri diventano:
a ¿i =(ai −a. )
¿
b kij=( b kij−b k . j )
Il termine di errore assume la forma
¿
e ¿ =(e ¿ −e .t )

La log-centratura produce la linearizzazione del termine a destra dell’equazione.

Otteniamo così delle funzioni lineari stimabili. Per il modello MNL l’equazione
stimabile è la seguente:

K m
MS it =ai + ∑ ∑ b kij X kjt + e jt
¿ ¿ ¿ ¿

k=1 j=1
Mentre per il modello MCI l’equazione stimabile è data da:
K m
MS it =a i + ∑ ∑ b kij log X kjt + eit
¿ ¿ ¿

k =1 j=1

dove

e ¿it =log
( )
e it
e. i
Dopo la stima possiamo calcolare le elasticità, che equivalgono a quelle originarie
anche se abbiamo stimato non i parametri originali ma le loro deviazioni rispetto alla
media aritmetica.

Per il modello MNL

m
ε MS ; X =(b −∑ MS h b¿khj )X kjt
¿
kij
i kj
h=1

7
Mentre per il modello MCI abbiamo:

m
ε MS ; X =(bkij −∑ b khj )
¿ ¿
i kj
h=1
È abbastanza facile rendersi conto che le equazioni sono collegate, perché per ogni
tempo la somma delle quote di mercato deve essere pari a uno e pertanto esiste un
vincolo tra le equazioni.
La stima deve essere quindi eseguita con il metodo SUR (Seemingly Unrelated
Regression) proposto da Zellner.
Tuttavia, se le variabili indipendenti sono le stesse in ogni equazione, il metodo SUR
si reduce a quello dei minimi quadrati.
Quindi la stima del modello completo può essere condotta con il metodo OLS.
Successivamente si eliminano via via le variabili i cui coefficienti non sono
significativi stimando le risultanti equazioni con il metodo SUR.

Quota di mercato base

Per ogni marca, se l’intensità degli sforzi di marketing fosse uguale, e se le
corrispondenti elasticità fossero eguali, le quote di mercato sarebbero uguali a:

exp(a*i )= exp(ai) / exp(am)

Questa espressione rappresenta la quota di mercato base, ovvero la quota di mercato

che ogni marca avrebbe se le differenze tra le quote fossero prodotte solo dalla
differenza nell’efficienza degli sforzi di marketing.

Si può dimostrare che la quota di mercato base può essere stimata a partire dai
parametri del modello log-centrato:

MSi = exp(ai )/ exp( ai)

MSi=exp(a*i)/exp(a*i)

Seemingly Unrelated Regressions

Lo stimatore SUR si deve impiegare quando abbiamo un sistema di equazioni
“legate” tra di loro da vincoli sugli errori, e le variabili indipendenti sono
parzialmente diverse

8
Posizione del problema
Supponiamo di avere m equazioni di regressione
y ir =x ir βi + ε ir , i =1,…,m
T

i rappresenta il numero dell’equazione;

r = 1,.., R sono gli intervalli di tempo. R è elevato.
Ogni equazione i ha una variabile di risposta e un vettore di dimensione ki di
regressori.
Se stacchiamo le osservazioni corrispondenti alla i-ma equazione il modello può
essere scritto in forma vettoriale:
y ir = X i β i +ε i , i = 1,…,m
'

dove yi e i sono vettori Rx1,

Xi è una matrice Rxki e
i è un vettore kix1.
L’assunzione del modello è che i termini di errore ir sono indipendenti nel tempo
ma vi possono essere correlazioni incrociate contemporanee. Pertanto assumiamo
che
E [ ε ir ε is ]=0 se r ≠ s , mentre E [ ε ir ε jr ]=σ ij

Supponiamo di indicare con  la matrice delle varianze e covarianze degli errori, la

matrice delle varianze e covarianze degli errori staccati sarà data da
Ω=E [ ε ε ∨X ]=Σ ⊗ I R
T

dove ⊗ è il prodotto di Kronecker.

Che cosa è il prodotto di Kronecker (approfondimento)
Il prodotto di Kronecker, nell’ambito dell’algebra lineare, è una operazione tra due
matrici di dimensioni arbitrarie, sempre applicabile, al contrario dell’usuale
moltiplicazione tra matrici.
Se A è una matrice (m x n) e B è una matrice (p x q), allora il loro prodotto di
Kronecker A⊗ B è una matrice (mp x nq) definita a blocchi nel modo seguente:

9
 [ ]
a 11 B ⋯ a1 n B
A ⊗ B= ⋮ ⋱ ⋮
am 1 B ⋯ amn B

Esempio

[ 13 21] ⊗ [02 31] =

1x0 1x3 2x0 2x3
1x2 1x1 2x2 2x1
3x0 3x3 1x0 1x3
3x2 3x1 1x2 1x1

=
1 3 2 6
2 1 4 2
0 9 1 3
6 3 2 1

Proprietà del prodotto di Kronecker:

 A ⊗ (B+C) = A⊗B + A⊗C , se B e C hanno la stessa dimensione.
 (A+B) ⊗C = A⊗C + B⊗C, se A e B hanno la stessa dimensione.
 (kA)⊗B = A⊗(kB) = k(A⊗B), k scalare.
 (A⊗B)⊗C = A⊗B⊗C.
Stima
Il modello SUR è usualmente stimato in due fasi:
a) si stimano le equazioni usando gli OLS. I residui da queste regressioni sono usati
per stimare gli elementi della matrice :
1 T
σ^ ij= ε^i ε^j
R

b) Nel secondo stadio eseguiamo una regressione con i minimi quadrati

generalizzati:
^β=¿

10
Le stime SUR sono equivalenti a quelle dei minimi quadrati ordinari quando:
1. La matrice è diagonale, ovvero non ci sono correlazioni incrociate tra i
termini di errore. In questo caso il sistema è genuinamente incorrelato.
2. Quando ogni equazione contiene esattamente lo stesso insieme di regressori,
X1= X2=…=Xm

6. EFFETTI DINAMICI

Ci sono diversi motivi che possono far sì che gli effetti della pubblicità sulle vendite
siano distribuiti nel tempo. I più importanti sono i seguenti:
 la pubblicità può non essere notata dai consumatori se non dopo qualche tempo
che è stato effettuato l’investimento;
 un acquisto indotto dalla pubblicità può essere seguito da un successive riacquisto
se il prodotto è stato soddisfacente. In modo simile, il passaparola positivo
risultante dall’acquisto iniziale, può indurre nuovi consumatori ad acquistare la
marca;
 in alcune situazioni, la reazione competitive ad una campagna pubblicitaria può
essere lenta. Se la pubblicità è efficace può influenzare la risposta delle vendite
fino a quando la reazione competitive non prende luogo;
 la pubblicità può gradualmente costruire la fedeltà dei consumatori e così essere
responsabile per effetti superiori a quelli immediatamente riscontrabili a breve
termine.

La letteratura sugli effetti dinamici della pubblicità ha esaminato due importanti

questioni:
a) quali sono gli effetti cumulative della pubblicità, e
b) esiste un effetto di logoramento della pubblicità (wear out)?

Effetti dinamici della pubblicità

E’ difficile specificare la dinamica della pubblicità in un mercato soltanto sulla base
di teorie di marketing o psicologiche. Sebbene siano possibili più approcci, tre
semplici ed intuitivi modelli sono stati usati utilizzati molto spesso. Questi modelli
assumono che i dati siano stazionari ma autocorrelati, e differiscono tra loro sul ruolo
che viene attribuito alla pubblicità nel dare luogo a tale autocorrelazione, ovvero se
esiste o meno un effetto carry-over.

1. Il modello autoregressivo ad effetti correnti model (ACE)

Qt =b0 + b1 A t +ut

11
dove ut = ut-1 + et e et è un white noise.
Questo modello assume che la pubblicità abbia solo un effetto contemporaneo sulle
vendite. Tuttavia altri fattori come l’inerzia dei consumatori e la fedeltà di marca
fanno sì che le vendite fluttuino leggermente nel tempo. L’effetto di carry-over del
modello ACE è zero, e l’impatto a breve e lungo termine è lo stesso (=b1 ).

2. Il modello di Koyck:

Qt = b0(1 - ) +Qt-1 + b1At + ut

dove ut = et +et-1 e et è un white noise.

Questo modello si forma quando la pubblicità ha un effetto sulle vendite
infinitamente lungo ma presenta un decadimento esponenziale nel tempo. L’effetto a
breve termine è b1 e gli effetti nei periodi seguenti sono:
b1,2b1,..., nb1
dove  è l’effetto di carry-over della pubblicità e deve essere minore di 1.
L’effetto a lungo termine è dato da b1/(1 - ). Il modello di Koyck appartiene
alla classe dei modelli a lag distribuiti, la cui formulazione generale è:

Y t =b1 ¿Xt + w1Xt-1 + w2Xt-2+…

i>0 per ciascun i e i i = 1.

Il modello di Koyck descrive un processo dove le vendite rispondono alla pubblicità

secondo uno schema geometrico dove:

i = i

Sostituendo abbiamo

Qt = b0 + b1[Xt +lXt-1 + 2Xt-2 + ... ] + et

ed applicando il limite di una serie geometrica otteniamo:

Qt = b0 + b1/(1 -L)Xt + et

Moltiplicando entrambi i termini per (1 -L) abbiamo la formula iniziale.

12
3. Modello ad aggiustamento parziale

Qt = b0(1 -) + Qt-1 + b1At +et

dove et è un white noise.

Questo processo di risposta si realizza quando I consumatori rispondono solo
parzialmente agli stimoli di marketing. Tuttavia, I consumatori adattano
gradualmente il loro livello di consumo a quello desiderato, il che fa sì che l’effetto
della pubblicità siano distribuito nel tempo. Il modello di aggiustamento parziale è
molto simile a quello di Koyck, salvo che per la struttura del termine di errore.
L’effetto a lungo termine è dato da b1/(1 - .
Il modello ad aggiustamento parziale può essere derivato come segue.
Poniamo:
Q¿t =b0 + b1 A t

dove Qt* è il livello delle vendite desiderato in corrispondenza di un investimento in

pubblicità At.
Inoltre, la variazione da un tempo al seguente è governata da una funzione di
aggiustamento parziale delle venddite effettive rispetto alle vendite desiderate. Così
abbiamo:

Qt −Qt−1=Q ¿t −δ Qt−1

Sostituendo Qt* nell’equazione precedente

Qt −Qt−1=b0 +b1 At −δ Qt −1

e riarraggiando e ponendo = (1-) otteniamo il modello stimabile.

Di questi tre modelli quello più frequentemente usato è stato quello di Koyck.

Ora, esaminiamo due nuove questioni:

- advertising wearout;
- quanto durano gli effetti della pubblicità (ma questa questione si pone anche
per gli altri strimenti di marketing).
-
Tuttavia, quando cerchiamo di rispondere all’ultima domanda utilizzando tecniche
statistiche, troviamo differenti durate della pubblicità in corrispondenza della diversa
frequenza dei dati, ovvero si ha un problema di data interval bias.

13
Advertsing wear-out
Tassi di variazione differenti della risposta alla pubblicità nelle fasi di crescita e di
decline sono noti come il fenomeno del wearout.
L’advertsing wearout può verificarsi per due motivi. In primo luogo, vi può essere un
numero finite di consumatori potenziali che consumano il prodotto in ogni momento.
Quando una campagna pubblicitaria viene lanciata, le vendite crescono
immediatamente, ma iniziano a diminuire man mano che i consumatori acquistano il
prodotto. In secondo luogo, per i beni ad alta frequenza d’acquisto, osserviamo
spesso acquisti d’impulso come reazione immediate ad una nuova pubblicità,
fenomeno che si attenua anche mentre la campagna è ancora in corso.
Un modello di risposta a stimolo differenziale è stato proposto per esprimere
l’advertising wearout (Hermann Simon). Formalmente:

Qt = a +  Qt-1 + b logAt + c [max(0 , At)]

dove la pubblicità è misurata nei logaritmi per esprimere i ritorni di scala decrescenti.
L’ipotesi di wearout è verificata se il coefficiente c è positivo.
Questo implica che quando viene lanciata una nuova campagna pubblicitaria, ci sarà
l’effettouno stimolo extra oltre l’effetto dello stimolo standard espresso da (b logAt ).

Le implicazioni manageriali dell’advertising wearout sono interessanti. Nella

programmazione dei della campagna pubblicitaria il budget pubblictario può essere
allocato secondo uno schema costante o ad ondate. Questa strategia è preferibile
quando abbiamo la presenza di effetto differenziale.

Il data interval bias.

Sulla base della stima di un modello di Koyck o di un modello ad aggiustamento
parziale, è possibile calcolare la lunghezza dell’intervallo di tempo in cui la
percentuale p dell’effetto cumulative della pubblicità si esaurisce. Questo intervallo è
valutabile con la seguente espressione:

ID = log (1-p)/ log 

dove

ID è l’intervallo di durata,
p è la percentuale dell’effetto della pubblicità,
 è il coefficient delle vendite ritardate sia nel modello di Koyck che in
quello ad aggiustamento parziale.

I risultati che otteniamo variano secondo il livello di aggregazione temporale.

14
Inoltre, sussiste un vasto consenso in letteratura che, man mano che aumenta la durata
dell’intervallo, il coefficient delle vendite ritardate decresce e di conseguenza
aumenta l’intervallo di durata.

7. MODELLI PER SERIE EVOLUTIVE

1. Rassegna delle cause

Ci sono sei principali canali attraverso i quali un’azione di marketing può influenzare
la performance di una marca.
a) effetto contemporaneo;
b) effetto carry-over (vedi il paragrafo sui modelli dinamici);
c) effetto di rinforzo al comportamento d’acquisto (effetto loyalty);
d) effetto di feed-back. Esempio: l’ammontare degli investimenti pubblicitari è
fissato come percentuale fissa del valore delle vendite passate. In questo caso è
difficile considerare la pubblicità come esogena.
e) vi è una componente autoregressiva nelle vendite;
f) variazioni della domanda primaria dovute ad effetti macroeconomici.

Sul punto f vedi Brasini et al., Marketing e pubblicità, 2010,

pp. 143-146.

2. L’analisi univariata
La tecnologia statistica da impiegare è quella dell’analisi delle serie storiche
con modelli di tipo stocastico (metodo Box-Jenkins).

Per una esposizione sintetica di questo argomento vedi Brasini et. al.,
Marketing e pubblicità, Seconda edizione, Bologna, Il Mulino, 2010, pp. 414-
419.

In questo contesto siamo interessati, tra l’altro, alla misura della persistenza
della serie univariata.
Consideriamo un modello ARIMA (0,1,1)

Qt =Q t−1 + ( et −0,6 e t−1 )

Applicando la regola ricorsiva otteniamo:

15
 Q t =ut + 0,4 ut −1 +0,4 u t−2 +…

Approccio di Campbell e Mankiw: deriviamo la persistenza della serie come somma

dei coefficienti a media mobile della serie differenziata:
Qt =
= [ Ф(L) ]-1 ϴ(L) et= A(L)et=
= ( 1+ α 1 L+ α 2 L2+ α 3 L3+ … ) e t
L’impatto di uno shock unitario nel periodo t-k sulla crescita delle vendite in t è dato
da k (ovvero dalla derivata parziale di Qt rispetto a et-k).
Il suo impatto sul livello delle vendite al tempo t è dato da:
1+α 1+ α 2 +…+ α k

Così l’impatto di lungo periodo su Qt è dato dalla somma dei coefficienti di media
mobile, spesso indicati con A(1).
Poiché A(1) = [ Ф(1)]-1 ϴ(1),
le sue stime possono essere ricavate dai coefficienti stimati di un modello ARMA
interpolato sui dati differenziati.

3. L’analisi bivariata. Le funzioni di trasferimento

Vedi anche Brasini et al. (1999), Marketing e pubblicità, Bologna, Il Mulino, pp. 421
– 425 e 435-440.
4. Input multipli. Il metodo di Liu e Hanssens
I modelli multipli di risposta sono comuni nell’analisi di mercato.
Usare il metodo della funzione di correlazione incrociata è necessario per “sbiancare”
le serie individuali. Se il management impiega una regola di decisione per
l’advertising planning, un’altra per stabilire il prezzo e così via, possono essere
ricavati modelli ARMA sostanzialmente diversi per ciascuna serie.
Il modello di regressione multipla dovuto a Liu e Hanssens mette a disposizione la
robustezza e la facilità d’uso della regressione multipla, evitando al contempo le
conseguenze negative del fare inferenza sulla base di dati autocorrelati.
Supponiamo di avere una funzione di trasferimento con due input su dati stazionari,
funzione che necessita di essere identificata:

16
 ω 1 (L) b 1 ω (L) b 2 ϴ(L)
y t =α 0+ L x 1t + 2 L x2 t + w
δ 1 (L) δ 2 (L) Ф (L) t

La funzione di risposta d’impulso è data da

y t =α 0+ V 1 ( L ) x1 t +V 2( L) x2 t +ηt

Se la funzione di trasferimento contiene al denominatore dei parametri, allora le

funzioni di risposta d’impulso polinomiali sono infinite. Tuttavia, poiché questi
parametri si esauriscono sotto l’assunzione di stazionarietà, possono essere
approssimati in pratica da un numero finito di termini, diciamo k1 e k2. In questo
modo il modello per l’identificazione è una equazione di regressione direct-lag:
y t =α 0+ ( v10 + v 11 L+ … v 1 k 1 L ) x 1 t +( v 20+ v 21 L+… v2 k 2 Lk 2) x 2 t +u t
k1

dove k1 e k2 sono scelti sufficientemente grandi per evitare la distorsione da

troncamento. Il modello di regressione direct-lag può essere stimato con i minimi
quadrati ordinari, e l’andamento dei coefficienti è utilizzato per identificare i cutoff.

5. Sull’uso dei metodi di analisi delle serie storiche

Abbiamo discusso le tecniche per specificare la dinamica di un modello dalla
prospettiva che combina l’impiego dell’analisi delle serie storiche e l’approccio
strutturale. In primo luogo, in molti casi l’estrapolazione dei dati di marketing con le
tecniche per le serie storiche univariate è sufficiente, in particolare quando l’obiettivo
della costruzione del modello è strettamente la previsione. Il filtro ARMA, proposto
per la prima volta da Yule, fu reso operativo dal pioneristico lavoro di Box e Jenkins.
Il metodo riconduce una serie storica ad un white noise estraendo dai dati il massimo
di comportamento sistematico ai fini della previsione.
La maggior parte dei modelli di marketing, tuttavia, sono strutturali, ovvero
assumono un meccanismo di causa-effetto. La funzione di trasferimento estende i
modelli ARMA facendo sì che altre variabili di input oltre il white noise abbiano un
impatto sulla performance della variabile di input. Questo metodo diviene assai
pesante quando le variabili di input sono numerose. Una possibile soluzione in questa
situazione è il metodo di Liu e Hanssens appena visto.

17
In alcuni casi i modelli di marketing contengono più equazioni, il che pone sfide
speciali nella specificazione dei ritardi.
In questo caso si può utilizzare il modello ARMA vettoriale (VARMA). Tuttavia
questi modelli non sono molto utili quando vi sono componenti strutturali.

Quando usati in congiunzione con i test per radici unitarie i modelli VAR possono
rilevare la presenza di effetti di marketing di lungo periodo. La presenza o l’assenza
di tali effetti determina in
modo rilevante lo scenario strategico e quali tipi di modelli di risposta sono necessari
per modellare le risposte del mercato a breve e lungo termine.
Occorre inoltre conoscere la direzione della causalità. Se non possiamo basarci su
conoscenze a priori (teoriche o derivanti da generalizazioni di marketing), si può far
ricorso ai metodi di analisi delle serie storiche per determinare empircamente la
direzione della causalità.
Se siamo in presenza di serie multiple contraddistinte da trend stocastico (serie
integrate), la strada regina è rappresentata dalla costruzione di modelli cointegrati.
Tuttavia, nell’ambito delle analisi di mercato, questo approccio è difficile da rendere
operative a causa dell’alto numero delle serie coinvolte. Per una applicazione ad un
caso relativamente semplice si veda:
G. Cavaliere e G. Tassinari (2001), Advertising Effect on Primary Demand: a
Cointegration Approach, International Journal of Advertising, 20, 3, pp. 319-339.

18