Valutazione e confronto

tra Amazon e EBay

Sistemi di valutazione per l’innovazione

Prof. Emilio Esposito
Anno accademico 2023/2024

Vincenzo Carbone M62002528

Danilo Aulicino M62002573
 Quali sono i punti che andremo
a trattare?

• Introduzione

• Metodo AHP

• Logica Fuzzy

• Valutazioni finali
Amazon è una delle più grandi e importanti piattaforme di e-commerce al mondo.
Fondata nel 1994 da Jeff Bezos, Amazon nasce come un’azienda di libri online, per
poi crescere fino a diventare una luogo digitale in cui è possibile acquistare ogni
tipo di prodotto e servizio, come ad esempio elettronica, moda, giocattoli.

La mission è:

Essere l’azienda più attenta al cliente al mondo

eBay è uno dei marketplace più longevi presenti sul mercato: fondato nel 1995 negli
USA, più precisamente a San José (Florida). La piattaforma fu ideata per le aste online,
ora è una delle realtà più consolidate dell’e-commerce: esso fa da intermediario,
infatti non ha un servizio di logistica interno, magazzini, rivenditori o negozi fisici.

La mission è:

Essere un mezzo attraverso cui mettere in contatto

venditori e acquirenti in oltre 190 paesi nel mondo
AHP (ANALYTIC HIERARCHY PROCESS)

1. Individuazione dei criteri di

valutazione

2. Aggregazione dei criteri in

macro-criteri

3. Individuazione dei cluster e

eventuali sotto cluster

4. Determinazione dei pesi

Identificazione dei criteri di valutazione
e aggregazione in macro-criteri

• Assortimento prodotti
• Conformità prodotto ordinato/ricevuto Prodotti

• Protezione dei dati personali

• Sicurezza dei pagamenti Sicurezza
• Protezione dalle frodi

• Rapidità ricerca prodotti

• Semplicità interfaccia sito Usabilità

• Tempi di risposta
Assistenza
• Efficacia soluzione reclami

• Offerte e promozioni Fidelizzazione

• Programma fedeltà
Struttura gerarchica
Definizione dei pesi
Per individuare i pesi, la metodologia prevede, tramite il
cosiddetto confronto a coppie, la costruzione di una matrice
concettuale che sarà poi trasformata in una matrice numerica
mediante la scala semantica di Saaty. In seguito, il calcolo dei
pesi verrà effettuato normalizzando le componenti
dell’autovettore associato all’autovalore massimo della
matrice (le matrici costruite con i confronti a coppia, sono
tutte quadrate e reciproche). Per verificare se le matrici sono
consistenti, va calcolato il Consistency Ratio dato dal
rapporto tra il CI (Consistency Index) e RI (Random Index), il
quale deve risultare inferiore al 10%.
 INDIVIDUAZIONE DEI CLUSTER
Ai fini del Case Study sono state raccolte 10 interviste e per ognuna di esse sono state
costruite le matrici per i macro-criteri e per i micro-criteri. Per ogni utente
intervistato sono stati calcolati l’autovalore massimo e l’autovettore ad esso associato
in modo tale da ottenere i pesi di ogni matrice. Dopo il calcolo dei pesi per ciascuna
matrice in base alle diverse preferenze espresse dagli utenti sono stati individuati 5
cluster differenti, tenendo in considerazione i due macrocriteri con peso maggiore. Le
seguenti operazioni sono state sviluppate mediante l‘aiuto del software Matlab. Di
seguito, si riportano alcuni estratti del codice:
AGGREGAZIONE MATRICI
Successivamente abbiamo proseguito con la verifica della aggregabilità per le matrici appartenenti allo
stesso cluster, attraverso l’indice di compatibilità di Garuti. Abbiamo usato per eseguire tale verifica il
seguente codice scritto su Matlab:

Per le matrici caratterizzate da un indice Garuti maggiore dell’80%, si è proseguito

con la loro aggregazione, per ogni macro-criterio e micro-criterio, mediante il
calcolo della media geometrica.
Cluster A
Cluster B
Cluster C
SOTTO - CLUSTER D1
SOTTO - CLUSTER D2
SOTTO - CLUSTER E1
SOTTO - CLUSTER E2
TERM SET FUZZY

Dopo aver ricavato i pesi con il metodo di valutazione

dell’AHP è stata applicata la Logica Fuzzy:
IMPLEMENTAZIONE LOGICA FUZZY (1/3)
Esempio questionario soggetto 1 Ogni numero Fuzzy è stato moltiplicato per i pesi attribuiti
alle caratteristiche dall’intero Cluster di appartenenza:
IMPLEMENTAZIONE LOGICA FUZZY (2/3)
A questo punto, sono stati sommati i numeri Fuzzy delle caratteristiche di
ogni attributo, effettuando la somma degli omologhi:

I numeri Fuzzy ottenuti sono stati moltiplicati

per il peso dato all’attributo corrispondente
dall’intero cluster, ovvero:
IMPLEMENTAZIONE LOGICA FUZZY (3/3)
Riportiamo in una tabella i valori Crisp medi ottenuti per ogni cluster e
per entrambe le proposte considerate:

Per i successivi questionari abbiamo utilizzato il seguente codice Matlab

CONSIDERAZIONI FINALI E PROPOSTE DI
MIGLIORAMENTO

• Maggior assortimento relativo ai prodotti dell’usato e/o di nicchia

• Aumentare numero di offerte e promozioni convenienti

• Creazione di un “circuito proprio” di monitoraggio e pagamenti

• Uniformare le procedure di reso e servizio clienti
GRAZIE PER L’ATTENZIONE