0 2007-2008 metodi quantitativi per il marketing – anno accademico 2007-2008 liuc indice...

12007-2008 Metodi quantitativi per il marketing – Anno Accademico 2007-2008 LIUC

INDICE DELL’INCONTRO

Analisi POTENZIALE

Concetto

Un esempio di calcolo

Basket Analysis

Concetto

Metodologie utilizzate

Supporto, Confidenza, Incremento

Come utilizzare le misure


IL POTENZIALE

Come noto il potenziale è funzione di una serie di variabili:

1.innanzitutto è necessario identificare l’unità di misura (unità, persone, valore,…)

2.quindi si procede alla stima della “base”, vale a dire dell’insieme dei consumatori che “potenzialmente” potrebbero acquistare il prodotto.

3.Il consumo di un prodotto è però, funzione, oltre che del gradimento” da parte dei consumatori

4…..anche del pezzo

5…..della frequenza con cui potrebbe essere consumato

6…..e delle occasioni di consumo


IL POTENZIALE: un esempio di calcolo

Stima del potenziale di consumo di scatole da 30 pezzi di cioccolatini, in un anno.

Per identificare, CHI CONSUMA, è necessario disporre di una “base” di calcolo in modo da

generalizzare i risultati emersi dal test; in particolare analizzando i dati disponibili a livello

totale Italia, la popolazione iniziale considerata è data dalle persone di età superiore ai 14

anni che consumano cioccolato (pari a circa 26.700.000 di individui).

Il prodotto in questione è un cioccolatino, quindi dobbiamo affinare tale stima considerando

coloro i quali consumano cioccolato in tale formato.

Dalla ricerca e da dati desk si è potuto ricavare che circa il 65% dei consumatori di

cioccolato predilige il cioccolatino. Quindi la nuova stima della base è circa 17 milioni di

persone.



Ma quanti di questi avrebbero acquistato il nostro prodotto, indipendentemente DAL

PREZZO?

Dopo l’assaggio, il 26% degli intervistati ha dichiarato che sicuramente avrebbe

acquistato il prodotto. Generalizzando quindi alla base tale risultato il potenziale di

consumatori è pari a circa 1.700.000 di italiani.

A questo punto è necessario considerare la FREQUENZA con cui verrebbero

consumato tale prodotto. La risposta è data dalla ricerca che ci dice che il 12%

consumerebbe il prodotto raramente, il 47% “a volte” e il restante 41% molto spesso.

E’ importante sottolineare che tale percentuale fa riferimento a coloro i quali hanno

dichiarato che consumano cioccolato prevalentemente sottoforma di cioccolatini e che

sicuramente avrebbero acquistato il prodotto.



Tali percentuali, opportunamente pesate, ci permettono di arrivare alla stima finale della

base di calcolo del potenziale, circa 1.300.000 persone.

Ma ricordiamo che la nostra unità di misura era la scatola quindi dobbiamo valutare

quante scatole queste persone acquisterebbero.

La ricerca, al riguardo ha permesso di rilevare che, considerando l’analisi del vissuto e

del processo d’acquisto esistono delle differenze significative in termini di

comportamento che a loro volta comportano dei consumi differenti con “intensità”

differenti.

In modo particolare si sono considerate 3 diverse ipotesi per il calcolo del potenziale,

relativamente alle occasioni di consumo (QUANDO CONSUMA)



Una prima ipotesi “globale”, indipendente dall’occasione di acquisto/consumo, in cui si

è fatto riferimento solo a coloro che dichiarano un elevato gradimento per il prodotto

testato ( 8-9 su una scala 1-9 ) e che probabilmente o sicuramente lo acquisteranno

(26% circa del campione).

Una seconda ipotesi “pasticceria” in cui la base di calcolo è rappresentata da coloro

che in generale acquistano cioccolatini in pasticceria o nei negozi specializzati dolciari e

che sicuramente acquisteranno il prodotto (18% circa).

Infine l’ultima ipotesi “regalo” ha basato l’analisi del potenziale valutando solo coloro i

quali acquistano cioccolatini in pasticceria o nei negozi specializzati dolciari per fare un

regalo e che sicuramente acquisteranno il prodotto (15% circa).



Infine per ottenere il numero di pezzi (INTENSITA’ DI CONSUMO), si è formulata

un’ipotesi “conservativa” assumendo:

• 2 confezioni l’anno nell’ipotesi “globale”

• 2 confezioni l’anno nell’ipotesi “pasticceria”

• nell’ipotesi “regalo” stati dati pesi diversi a seconda della frequenza dichiarata di

acquisto dei cioccolatini per regalo:

• Molto spesso: 4 scatole l’anno

• Abbastanza spesso: 2 scatole l’anno

• Qualche volta: 1 scatole l’anno

• Raramente: 0,5 scatole l’anno



A questo punto, per una precisa stima del potenziale, è necessario considerare la

variabile principale, il PREZZO.

E’ stato quindi chiesto agli intervistati quanto sarebbero stati disposti a spendere per

una confezione di 30 pezzi del prodotto considerato.

Trattandosi di una rilevazione fatta durante il periodo di transizione lira-euro gli

intervistati erano liberi di fornire l’indicazione nella valuta preferita in modo da rendere

assolutamente neutra la risposta.

La necessità di valutare il potenziale anche con riferimento alle ipotesi “pasticceria” e

“regalo” è dovuta al fatto che l’ipotesi globale implicava la presenza del prodotto anche

presso la GDO, canale distributivo presso il quale l’azienda attualmente non è presente.



Quindi si è reso necessario valutare se esisteva un potenziale “interessante” e quale

livello di prezzo anche considerando l’ipotesi proseguire a commercializzare il prodotto

attraverso il canale tradizionale delle pasticcerie e dei negozi specializzati.

I risultati per le tre diverse ipotesi formulate, sono riportati nella figura seguente in cui si

ricava la sensibilità al prezzo, ed il conseguente numero “potenziale” di scatole per

livello di prezzo. Tale grafico sembra garantire un potenziale interessante anche

indipendentemente dalla GDO a condizione di una particolare attenzione al prezzo, in

particolare considerando le due sogli “critiche” a 25.000 e 30.000 lire (12,9 e 15.00

rispettivamente).



-

500.000

1.000.000

1.500.000

2.000.000

2.500.000

3.000.000

9000

- 4,

64

9681

,35

- 5

1000

0 - 5

,16

1161

7,62

- 6

1258

6 - 6

,50

1400

0 - 7

,23

1452

2,02

5 - 7

,5

1500

0 - 7

,74

1549

0,16

- 8

1800

0 - 9

,29

1936

2,7

- 10

2000

0 - 1

0,3

2200

0 - 1

1,3

2300

0 - 1

1,8

2323

5,24

- 12

2400

0 - 1

2,3

2500

0 - 1

2,9

2517

1,51

- 13

2710

7,78

- 14

2800

0 - 1

4,4

2904

4,05

- 15

3000

0 - 1

5,4

3500

0 - 1

8,0

3872

5 - 1

9,9

4000

0 - 2

0,6

Prezzo

Sca

tole

globale pasticceria regalo


BASKET ANALYSIS

Metodologia che mira ad identificare delle regole ricorrenti all’interno di un certo insieme di

transazioni, e, in generale, pattern frequenti in un determinato set di dati Nel caso specifico

della grande distribuzione, essa è orientata all’identificazione delle relazioni esistenti tra un

vasto numero di prodotti acquistati da differenti consumatori in un particolare luogo (il punto

vendita, il supermercato)

Unità di analisi: il paniere acquistato da ogni singolo cliente

Informazioni impiegate: sono quelle ricavabili, dopo l’introduzione degli apparecchi a

lettura ottica nelle casse dei supermercati, dagli scontrini fiscali.

Obiettivo principale: è quello di porre in evidenza la struttura di interdipendenza

sottostante le vendite dei diversi prodotti disponibili, al fine di conoscere quali prodotti

vengono acquistati in modo abbinato


BASKET ANALYSIS

Le informazioni derivanti da una MBA possono essere utilizzate per:

•GESTIRE IL LAY-OUT del proprio punto vendita: riorganizzazione della disposizione dei prodotti in modo tale che quelli presentanti un’associazione nelle vendite si trovino affiancati:

•affinché l’uno faccia da traino alla vendita dell’altro

•per ricordarne l’acquisto ad un cliente che, non avendo trovato subito il prodotto abbinato a quello già riposto nel carrello, potrebbe dimenticare di acquistarlo o non pensarci neppure

Ad esempio, qualora risulti che ci sia una forte relazione nelle vendite di pizza surgelata e di birra, si può sistemare un espositore pubblicitario della bevanda in prossimità del banco freezer contenente le pizze surgelate.

Tuttavia un suggerimento migliore può essere quello di sistemare vicino all’espositore della pizza un solo scaffale contenente birra, ad es. con il marchio del punto vendita (un articolo a profittabilità molto elevata!) lasciando tutte le altre nella loro localizzazione originaria.

In questo modo si porta implicitamente il cliente ad acquistare un particolare tipo di articolo a scapito di quelli meno profittevoli. Al contrario, sapendo che gli acquirenti di un certo prodotto acquisteranno con buona probabilità un altro item ad esso associato, è possibile disporli lontani nel punto vendita (“obbligare” il cliente a percorrere varie corsie può costituire uno stimolo all’acquisto)


BASKET ANALYSIS

Programmare promozioni o campagne pubblicitarie: offrire contemporaneamente sconti o promozioni su beni che presentano un’associazione probabilmente non è una buona idea.

Invece porre in promozione un prodotto che ha l’effetto di trascinare le vendite di un altro prodotto, meno venduto o innovativo, può provocare un incremento delle vendite anche di quest’ultimo.

Si rendono così gli acquirenti di un determinato prodotto il possibile obiettivo nella vendita di un altro prodotto, senza grosse spese promozionali aggiuntive Inoltre, sfruttando le informazioni sugli items venduti in associazione, l’impresa può contattare i clienti principali con pubblicità, promozioni o informazioni su nuovi prodotti che si associano a quelli già acquistati Ad esempio, programmare i registratori di cassa affinché stampino sul retro dello scontrino emesso un buono sconto sul prodotto in questione ogni volta che un cliente acquista un altro prodotto ad esso associato (in tal caso la transazione commerciale rimane anonima e non è richiesta la gestione di alcun rapporto con il cliente).

Si può, inoltre, avere una riduzione delle spese legate all’invio (postale o telefonico) di offerte indistintamente rivolte ad un gruppo di clienti: contattando solo quelli che si sa poter essere propensi all’acquisto di determinati beni, si riducono gli sprechi di tempo e denaro, incrementando l’indice di risposta dell’offerta e i relativi guadagni.


BASKET ANALYSIS

Gestione degli approvvigionamenti e del magazzino, basata sull’andamento delle

vendite di prodotti abbinati. Esaurire un articolo può andare a colpire le vendite degli articoli

associati e quindi il punto di riordino di un prodotto dovrebbe essere basato sui livelli di

scorta di più prodotti collegati, piuttosto che su uno soltanto.

Ad esempio, sapendo che, a causa di una promozione, ci sarà un incremento nelle vendite delle pizze

surgelate, è opportuno pianificare anche un eventuale relativo incremento nelle scorte di birra

necessarie


BASKET ANALYSIS: metodologie utilizzate

Regole associative e sequenze: tecniche esplorative per evidenziare gruppi di items

legati da analoghe abitudini di acquisto. Analizzando le combinazioni di acquisto e il

numero di volte che queste sono ripetute, si ottiene una regola associativa del tipo “IF

condition THEN result” che esprime la probabilità di acquisto simultaneo di prodotti

differenti. Se la regola è poi ordinata dal punto di vista temporale, si ha una sequenza.

Associazioni di dati: dato un database, dove una transazione è un insieme di voci, si

possono scoprire tutte le associazioni dove la presenza di una specifica voce comporta la

presenza di una o più altre voci


BASKET ANALYSIS: Metodologie utilizzate

Comportamenti sequenziali: dato un insieme di sequenze di transazione, è possibile

trovare le sottosequenze ricorrenti contenute in una specifica parte di queste sequenze Un

vantaggio legato alle regole associative e di sequenza è quello di semplicità di applicazione

ed elevata capacità esplicativa e comunicativa

Svantaggi: gli alti tempi e costi di elaborazione e la necessità di ridurre il numero di tali

regole, restringendole a quelle rilevanti, con opportuni criteri di significatività


BASKET ANALYSIS: Regole di associazione

Obiettivo: identificare delle regole ricorrenti all’interno delle transazioni di vendita

nell’ambito della grande distribuzione organizzata. Si possono individuare due tipi di regole,

entrambe molto efficaci nel perseguire l’obiettivo delineato:

Regole di Associazione

“Se un cliente compra pesce, allora comprerà anche vino bianco nel 90% dei casi.”

“Se un cliente compra una macchina fotografica, allora comprerà anche una pila nel 80%

dei casi.”

Tali regole sono quelle propriamente applicate alla market basket analysis: la presenza di

una o più voci specifiche nell’itemset comporta la presenza contemporanea di uno o più

items. In questo caso le transazioni sono rappresentate dagli scontrini, ognuno dei quali

contiene l’elenco degli oggetti che sono stati acquistati insieme.



Regole di Sequenza

“Le persone che hanno acquistato un lettore di CD sono tre volte più propense ad acquistare CD nel periodo di

tempo che va da due a quattro mesi dopo l’acquisto del lettore”

“Se un cliente acquista piatti e bicchieri in un’occasione, seguite dall’acquisto di posate la volta successiva, allora c’è

una probabilità del 70% che egli acquisti accessori per la tavola durante una terza visita.”

Le regole di sequenza si concentrano non tanto sul fatto che due o più prodotti vengano

posti contemporaneamente in un carrello, quanto sulla dimensione temporale degli

acquisti: si individuano comportamenti relativi a più transazioni consecutive effettuate dallo

stesso soggetto, permettono di capire quale sia il secondo acquisto più probabile per le

persone che hanno già effettuato un determinato primo acquisto.

L’identificazione delle regole di sequenza è condizionata alla disponibilità di dati che

permettano di identificare i clienti e di seguire l’evoluzione dei loro acquisti nel tempo (carte

fidelity)



Nella fase di ricerca delle regole di associazione è possibile focalizzare l’attenzione su una

specifica parte della relazione, antecedente o conseguente che sia, oppure su entrambe:

Attenzione posta sul conseguente

(es. Trovare tutte le regole che contengano “noccioline” nel conseguente: le regole trovate possono essere utilizzate

per capire quali prodotti il supermercato deve offrire per favorire la vendita di noccioline)

Attenzione posta sull’antecedente

(es. Trovare tutte le regole che contengano “noccioline” nell’antecedente: l’analisi può prevedere quali prodotti

possono subire una riduzione delle vendite se il supermercato decide di non vendere più noccioline)

Attenzione posta sia sul conseguente sia sull’antecedente

(es. Trovare tutte le regole che contengano “noccioline” nell’antecedente e “birra” nel conseguente: ciò può servire

per capire quali altri prodotti oltre alle noccioline servono per favorire la vendita di birra)



Attenzione posta su uno specifico item, indipendentemente dal fatto che si trovi

nell’antecedente o nel conseguente

(es. Trovare tutte le regole più “interessanti” per le noccioline: può servire per valutare tutte le relazioni

esistenti che riguardano tale item)

Attenzione posta su molti items, indipendentemente dal fatto che si trovino

nell’antecedente o nel conseguente

(es. Trovare tutte le regole che riguardano gli articoli delle corsie 8 e 9: regole di questo tipo possono

essere usate ai fini di una migliore riorganizzazione della disposizione dei prodotti in queste corsie)


BASKET ANALYSIS: Supporto, Confidenza, Incremento

Non tutte le regole individuate con la MBA sono interessanti. Misure di qualità per le regole

di associazione sono misure statistiche che ci permettono di valutare la significatività delle

regole individuate e di filtrare quelle migliori, ovvero quelle che, essendo dotate di un

effettivo potere previsionale, possono essere utilizzate nella pratica per sviluppare azioni di

marketing profittevoli

Il Supporto (o prevalenza)

Misura la frequenza di una regola nelle transazioni, ovvero il numero (in valore assoluto o,

come si trova più di frequente, in percentuale) di transazioni che contengono un certo

insieme di elementi.

In altre parole rappresenta la percentuale di market basket che contengono sia il lato

destro sia il lato sinistro di una determinata regola



Possiamo quindi affermare che una regola ha supporto s se l’ s% delle transazioni nel

database contengono sia la condizione sia il risultato della regola;

ad esempio affermare che “il 40% delle transazioni che includono lattuga includono anche carote” implica che

questa regola abbia un supporto pari al 40%.

Ovviamente un valore di s molto alto indica che la regola coinvolge una grande parte delle

transazioni ed indicativamente essa appare come una buona regola (al contrario un valore

molto basso di s lascia intendere che la regola in questione è poco presente nel database)



Confidenza

Il supporto è una misura incompleta della qualità di una regola di associazione.

Supponiamo di avere una regola secondo cui l’associazione fra un certo aperitivo APE e patatine è del

20%; potrebbe significare che il 20% di tutti i clienti comprano APE e patatine e nessuno compra APE

senza comprare anche patatine: in questo caso abbiamo una buona regola.

Tuttavia potrebbe anche essere vero che il 90% dei clienti acquista APE e solo il 20% di questi

compra anche patatine: in questo caso non abbiamo una buona regola, o meglio, possiamo

sicuramente trovarne di migliori, eppure il supporto è sempre lo stesso (20%)

Dunque definiamo una misura della “fiducia” che si può dare ad una regola, denominata

confidenza,o prevedibilità



La confidenza rappresenta la probabilità che l’item rappresentato nel lato destro sia

presente, dato che l’item rappresentato nel lato sinistro si trova già nel market basket:

misura quanto un certo articolo è dipendente da un altro

conf(x,y)

stima della probabilità di trovare Y condizionata alla presenza di X e corrisponde al

rapporto tra il numero di transazioni che contengono sia X che Y ed il numero di quelle che

contengono X



Esempio:

Scontrino Insiemi

1 latticini;frutta

2 latticini; frutta; verdura

3 latticini

4 latticini ; farinacei

Supp (latticini/frutta) = 2/4 = 50%

conf(latticini/frutta) = 2/4 = 50%

Supp (frutta/latticini) = 2/4 = 50%

conf(frutta/latticini) = 2/2 = 100%

Dunque le due regole, pur avendo lo stesso supporto, presentano una confidenza diversa;

infatti quest’ultima a differenza del supporto, dipende dalla direzione dell’implicazione nella

regola.



Né un alto supporto, né un'alta confidenza da soli indicano che una regola sia

necessariamente buona.

Infatti, la confidenza non tiene conto della concentrazione dell’item “conseguente”

nell’insieme delle transazioni

Ciò rende necessaria una terza misura della precisione ed accuratezza delle regole

prodotte: si tratta dell'incremento, detto anche lift.



Data la regola X implica Y, l’incremento pone a confronto:

la probabilità di trovare il prodotto (Y) in un basket, data la presenza del prodotto X con la

probabilità di trovare Y in un qualsiasi market basket scelto a caso

In particolare il lift misura la differenza fra la confidenza di una regola e la sua confidenza

attesa, cioè la probabilità di acquistare l’articolo “conseguente” indipendentemente dalle

eventuali relazioni con altri articoli

l'incremento è il rapporto fra la confidenza della combinazione di articoli ed il

supporto dei singoli risultati



Perché una regola sia utile, la sua confidenza deve essere maggiore della probabilità di

osservare il singolo risultato

un lift non solo maggiore di 1, ma anche molto alto indica un'alta probabilità d'acquisto dei

due prodotti abbinati - la regola è dunque significativa ed “aggiunge conoscenza”

una regola con un lift molto basso (addirittura <1) non indica una reale opportunità di

vendita incrociata: non importa quanto possa essere alto il supporto o la confidenza,

perché essa in realtà offre una minore capacità di prevedere un acquisto associato rispetto

a quanto accade in un caso generale



Esempio:

Acquista Birra NON Acquista Birra Tot

Acquista Pizza 20% 8% 28%

NON Acquista Pizza 70% 2% 72%

90% 10% 100%

Supp (Pizza /Birra) = 20%

Conf (Pizza /Birra) = 20% / 28% = 71,4% ..valori elevati che possono trarre in inganno:

1) 90% acquista Birra, ma di questo 90 il 70% non acquista Pizza (supp basso)

2) tra coloro che acquistano Pizza, il 71,4% acquista anche Birra (conf elevato)

3) Lift (Pizza/Birra) =71,4% / 90% =0,79 ...valore basso...

La prob di acquistare congiuntamente birra e pizza è INFERIORE alla medesima prob valutata nell’ipotesi di

indipendenza tra gli eventi “acquisto pizza” e “acquisto birra”



In sintesi, utilizzare singolarmente uno qualsiasi di questi valori - supporto, confidenza, lift -

può risultare ingannevole

L’alta confidenza ad esempio è ingannevole quando c’è un articolo popolare sul lato

destro dell’associazione: le regole “il burro implica il latte”, “il pane implica il latte”, ecc…

presentano un’alta confidenza, perché è difficile trovare un market basket che non

contenga latte, ma è difficile pensare di poter sfruttare queste regole, che pure presentano

un’alta confidenza ed un alto supporto.

Dei tre elementi il lift è quello che presenta maggiori probabilità di essere utile in modo

autonomo perché indica di quanto la regola migliora la nostra capacità di prevedere il lato

destro dell’associazione; tuttavia anch’esso può dare indicazioni fuorvianti, nel caso in cui il

supporto sia basso.


BASKET ANALYSIS: Come utilizzare le misure

In generale sappiamo che quanto più i valori del supporto e della confidenza sono alti,

tanto più è possibile che queste regole siano valide e quindi utili.

Ma cosa si intende per “alto”?

Per saperlo è necessario fissare dei valori limite, ovvero delle soglie che ci permettano di

classificare le regole come “interessanti” o “non interessanti” in modo oggettivo

Bisogna definire quindi un valore minimo

- per il supporto (Minsupp)

-per la confidenza (Minconf)


BASKET ANALYSIS: Come utilizzare le misure

•Porre un Minsup alto (vincolo stringente) comporta l’individuazione di pochi itemset

frequenti e quindi di poche regole valide, che però ricorrono molto spesso, perché

riguardano items veramente molto frequenti (in quanto hanno un supporto elevato)

•Ponendo un Minsup basso si individuano molte regole valide che però, per lo stesso

motivo, ricorrono di rado, e perciò hanno una scarsa incidenza sui risultati delle azioni di

marketing implementate

•Con un livello di Minconf alto si individuano poche regole, ma quasi tutte “logicamente

vere”, ovvero con facile motivazione, quindi rientranti nella tipologia delle regole “banali”

•Infine con un Minconf basso si individuano molte regole, molte delle quali sono però

“inspiegabili” oppure incerte nell’applicazione, perché hanno bassa confidenza.

I valori solitamente scelti sono:

Minsup= 2/10% e Minconf= 70/90%

0 2007-2008 metodi quantitativi per il marketing – anno accademico 2007-2008 liuc indice...

Documents