1. 21-1 Schema della lezione 1) Condurre una Conjoint Analysis i.Formulare il problema ii.Costruire gli stimoli iii.Decidere la forma dei dati di input iv.Selezionare la procedura di Conjoint Analysis v.Interpretare i risultati vi.Stabilire l’affidabilità e la validità 2) Assunzioni e limiti della Conjoint Analysis 3) Hybrid Conjoint Analysis

2. 21-2 Conjoint Analysis La Conjoint Analysis cerca di determinare l’importanza relative che i consumatori attribuiscono agli attributi salienti e le utilità che attribuiscono ai livelli degli attributi. Gli stimoli, che consistono di combinazioni di livelli degli attribute, sono presentati ai rispondenti a cui si chiede di valutare questi stimoli in termini della loro desiderabilità. Le procedure di CA cercano di assegnare valori ai livelli di ogni attributo, in modo tale che le utilità stimate per gli stimuli siano le più vicine possibile a quelle fornite dai rispondenti.

3. 21-3 Lessico della Conjoint Analysis Part-worth functions. Le funzioni parth-worth descrivono l’utilità che ciascun consumatore attribuisce ai livelli di ciascun attributo. Relative importance weights. L’importanza relativa degli attributi é ottenuta con una stima ed indica l’importanza nell’orientare le scelte del consumatore. Attribute levels. Denotano le modalità assunte dagli attribute. Full profiles. Full profiles, sono costruiti in ragione di tutti gli attribute, usando i livelli specificati nel disegno. Pairwise tables. I rispondenti valutano gli attributi a coppie.

4. 21-4 Fractional factorial designs. I disegni fattoriali frazionari sono disegni impiegati per ridurre il numero di stimuli da valutare nell’approccio full profile. Orthogonal arrays. Gli orthogonal arrays sono una classe speciale di disegni frazionari che permettono la stima efficiente degli effetti principali. Internal validity. Implica la correlazione tra le valutazioni predette dal modello degli holdout. Lessico della Conjoint Analysis

5. 21-5 Condurre una Conjoint Analysis Formulare il Problema Costuire gli Stimoli Scegliere una Procedura di Conjoint Analysis Decidere la Forma dei Dati di Input Stabilire Affidabilità e ValiditàInterpretare i Risultati Fig. 21.8

6. 21-6 Condurre una Conjoint Analysis Formulare il problema Identificare gli attributi e I livelli degli attributi da usare per construire gli stimoli. Gli attributi selezionati dovrebbero essere salienti nell’ influenzare le preferenze e le scelte del consumatore e dovrebbero essere suscettibili di intervento. Un tipico studio di conjoint analysis coinvolge sei o sette attributi. Dovrebbereo essere usati almeno tre livelli, a meno che l’attributo non si presenti naturalmente in forma binaria. Il ricercatore dovrebbe considerare i livelli degli attributi prevalenti nel mercato.

7. 21-7 Nell’approccio pairwise approach i rispondenti valutano due attribute alla volta fino a che tutte le possibili coppie di attrubuti sono state valutate. Nell’approccio full-profile vengono costruiti profile completi con tutti gli attribute. Solitamente, ogni profile è descritto su una scheda separata. Nell’approccio pairwise, è possibile ridurre il numero dei confronti a coppie usando i disegni ciclici. Allo stesso modo nell’approccio full profile il numero di stimoli può essere ridotto utilizzando i disegni fattoriali frazionari. Condurre una Conjoint Analysis Construire lo Stimolo

8. 21-8 Sneaker Attributes and Levels Livello Attributo Numero Descrizione Suola 3 Rubber 2 Polyurethane 1 Plastic Tomaia 3 Leather 2 Canvas 1 Nylon Prezzo 3 $30.00 2 $60.00 1 $90.00 Table 21.2

9. 21-9 Full-Profile Approach to Collecting Conjoint Data Esempio di un profile per il prodotto sneaker SuolaMade of rubber TomaiaMade of nylon Prezzo$30.00 Table 21.3

10. 21-10 Una classe speciale di disegni frazionari, detti orthogonal arrays, permette la stima eddiciente degli effetti principali. Gli orthogonal arrays permettono la stima di tutti gli effetti principali di una base incorrelata. Questi disegni assumono che tutte le interazioni siano trascurabili. In generale, si utilizzano due insiemi di dati. Il primo l’estimation set, è usato per calcolare le part-woths per i di tutti gli attribute. Il secondo, l’holdout set, è usato per convalidare l’affidabilità e la validità dei risultati. Condurre una Conjoint Analysis La costruzione degli stimoli

11. 21-11 Condurre una Conjoint Analysis Decidere la forma dei dati di input Per i dati non metrici, si richiede ai rispondenti di fornire graduatorie degli stimoli. Nella forma metrica, I rispondenti forniscono punteggi. In questo caso i giudizi sono espresso in modo indipendente. Negli anni recenti si è fatto più commune l’uso di dati di rating. Di solito la variabile dipendente è la preferenza o l’intenzione di acquisto. Tuttavia la CA è flessibile e può utilizzare altri tipi di variabili dipendenti.

12. 21-12 Livelli degli attributi Profile No. Suola Tomaia Prezzo Punteggio 11119 21227 31335 42126 52235 62316 73135 83217 93326 Sneaker Profili & punteggi Table 21.4

13. 21-13 Il modello di base della conjoint analysis può essere rappresentato dalla formula seguente: dove U(X)= è l’utilità complessiva di un’alternativa = é il part-worth associato al j-mo livello (j, j = 1, 2,... k i ) dell’i-mo attributo (i, i = 1, 2,... m) x ij = 1 se il j-mo livello dell’i-mo attributo é presente = 0 otherwise k i = numero dei livelli dell’attributo i m= numero degli attributi Conducting Conjoint Analysis

14. 21-14 L’importanza di un attributo, I i,, é definita nel range delle part-worth riferite a quell’attributo=  imax -  imin L’importanza di un attributo è normalizzata In modo tale che La procedura di stima più semplice and one which is gaining in popularity, is dummy variable regression. Se un attributo ha k i livelli, è espresso nei termini di k i - 1 variabili dummy. Altre procedure che sono appropriate for dati non-metrici includono LINMAP, MONANOVA, e il modello LOGIT. Condurre una Conjoint Analysis

15. 21-15 Il modello stimato può essere rappresentato nel seguente modo: U = b 0 + b 1 X 1 + b 2 X 2 + b 3 X 3 + b 4 X 4 + b 5 X 5 + b 6 X 6 dove X 1, X 2 = sono le variabili dummy che rappresentano Suola X 3, X 4 = sono le variabili dummy che rappresentano Tomaia X 5, X 6 = sono le variabili dummy che representano Prezzo For Suola i livelli degli attributi sono stati codificati come segue : X1X2 Livello 110 Livello 201 Livello 300 Condurre una Conjoint Analysis

16. 21-16 Sneaker Codifica dei dati per la regressione con variabili dummy Punteggi di Attributi preferenza Suola Tomaia Prezzo Y X1 X2 X3 X4X5X6 9101010 7100101 5100000 6011001 5010100 6010010 5001000 7000110 6000001

17. 21-17 I livelli degli altri attributi sono stati codificati in modo simile. I valori delle stime sono i seguenti: b 0 = 4.222 b 1 = 1.000 b 2 = -0.333 b 3 = 1.000 b 4 = 0.667 b 5 = 2.333 b 6 = 1.333 Data la codifica delle variabili dummy, in cui il livello 3 é il livello di base, la relazione tra coefficient e part-worths è la seguente: Condurre una Conjoint Analysis

18. 21-18 Per risolvere l’equazione dobbiamo aggiungere un vincolo. Le equazioni per il primo attributo, Suola, sono: Risolvendo abbiamo = 0.778 = -0.556 = -0.222  11 -  13 = 1.000  12 -  13 = -0.333 Condurre una Conjoint Analysis

19. 21-19 Le part-worths per gli altri attributi reported in Table 21.6 possono essere stimate in modo analogo. Per Tomaia abbiamo: Per Price: Condurre una Conjoint Analysis

20. 21-20 I pesi che esprimono l’importanza relative sono calcolati a partire dai range delle part-worths, come segue: Sum dei range = (0.778 - (-0.556)) + (0.445-(-0.556)) delle part-worth + (1.111-(-1.222)) = 4.668 Importanza relative di Suola= 1.334/4.668 = 0.286 Importanza relativa di Tomaia= 1.001/4.668 = 0.214 Importanza relativa di Prezzo= 2.333/4.668 = 0.500 Condurre una Conjoint Analysis

21. 21-21 Resultati della Conjoint Analysis Livello AttributoN.Descrizione Utilità Importanza Suola3Rubber 0.778 2Polyurethane-0.556 1Plastic-0.2220.286 Tomaia3Leather 0.445 2Canvas0.111 1Nylon -0.5560.214 Prezzo3$30.00 1.111 2$60.00 0.111 1$90.00 -1.2220.500

22. 21-22 Per interpretare i resultati, è utile fare il grafico delle part-worth. I valori delle utilità sono espresso su una scala ad intervalli, e la loro origine è arbitraria. L’importanza relativa degli attributi dovrebbe essere considerata. Condurre una Conjoint Analysis Interpretare i risultati

23. 21-23 Valutazione della bontà d’adattamento del modello stimato. Se si usa il modello full profile con la regressione multipla, si utilizzaR 2. L’affidabilità può essere valutata replicandola raccolta dei giudizi su alcuni rispondenti. La validità interna viene stabilita confrontando i valori stimati dal modello per gli holdout con quelli osservati. Se è stata effettuata un’analisi aggregate, la stima può essere ripetuta su sub-campioni al fine di investigare la stabilità dei risultati. Condurre una Conjoint Analysis Stabilire validità e affidabilità

24. 21-24 Grafici delle Part-Worth 0.0 -0.5 -1.5 -2.0 RubberPolyureth. Plastic 0.0 -0.4 -0.8 -1.2 LeatherCanvasNylon 0.0 -0.5 -1.5 -2.0 $30$60$90 Tomaia Utility -2.5 -3.0 Prezzo

25. 21-25 Assunzioni e limiti della Conjoint Analysis La Conjoint analysis assume che gli attributi importanti di un prodotto possano essere identificati. Essa assume che i consumatori valutino la scelta tra le alternative nei termini di questi attributi e compiano i tradeoffs. Il modello tradeoff potrebbe non essere una buona rappresentazione del processo di scelta. Raccolta dei dati complessa, in particolare se il numero di attributi è ampio e il modello deve essere stimato a livello individuale.

26. 21-26 Hybrid Conjoint Analysis I modelli ibridi sono stati sviluppati con due finalità: 1. Semplificare la raccolta dei dati riducendo l’onere per il rispondente; 2. Permettere la stima di alcune interazioni (a livello di sottogruppo) congiuntamente alla stima degli effetti principali a livello individuale. Nell’approccio ibrido i rispondenti valutano un numero limitato, generalmente non più di nove, stimuli congiunti, come quelli dell’approccio full profile.

27. 21-27 Questi profili sono estratti da un grande disegno master, e differenti respondenti valuatano differenti insiemi di profili, in modo tale che a livello di gruppo di rispondenti, tutti i profili di interesse sono valutati. Inoltre, i rispondenti valutano direttamente l’importanza relativa di ciascun attributo e la desirabilità dei livelli di ogni attributo. Combinando le valutazioni dirette con quelle derivate dagli stimuli congiunti, è possibile stimare un modello a livello aggregato ed ottenere alcune specificazioni individuali. Hybrid Conjoint Analysis

28. 21-28 SPSS Windows The multidimensional scaling program allows individual differences as well as aggregate analysis using ALSCAL. The level of measurement can be ordinal, interval or ratio. Both the direct and the derived approaches can be accommodated. To select multidimensional scaling procedures using SPSS for Windows click: Analyze>Scale>Multidimensional Scaling … The conjoint analysis approach can be implemented using regression if the dependent variable is metric (interval or ratio). This procedure can be run by clicking: Analyze>Regression>Linear …

29. 21-29 Critiche alla Conjoint Analysis Come Lord Kaldor scrisse a proposito della pubblicità (1950) (“la pubblicità é informativa nella sua forma ma è persuasiva nella sua intenzione”), possiamo affermare la stessa cosa sulla Conjoint Analysis. Infatti la Conjoint Analysis è prima facie descrittiva nel suo approccio ma in realtà assume precise regole sul modo in cui i consumatori effettuano le scelte (e più in generale sulle scelte degli agenti economici).

30. 21-30 Critiche alla Conjoint Analysis Quale di scelte (e di conseguenza quale tipo di comportamento) è assunto? In breve la consueta ipotesi che gli agenti sia strumentalmente rational (Heargraves Heap and Varoufakis, 2010). In tal modo le persone agiscono in modo razionale come scrisse Hume. Egli sostiene che le “passioni” motivano una persona ad agire, e che la ragione è al loro servizio.

31. 21-31 Critiche alla Conjoint Analysis Non è rilevante se le “passioni” siano buone o cattive, la ragione non cerca di modificarle. Questa visione ha avuto una grande influenza nelle scienze sociali, specialmente nell’economia neoclassica economics (in cui le preferenze si sostituiscono alle passioni e l’homo economicus al genere umano reale).

32. 21-32 Critiche allaConjoint Analysis Queste critiche molto severe alla Conjoint Analysis sono attenuate da alcune circostanze: la Conjoint Analysis punta solo a prevedere la probabilità di acquisto delle marche; in molti contesti di marketing l’assunzione di rationalità é plausibile.

33. 21-33 Critiche alla Conjoint Analysis Da un un punto di vista tecnico le incongruenze del principio di razionalità strumentale divengono evidenti e sono molto forti quando eseguiamo una Conjoint Analysis full profile, e, più in generale, in ogni metodo che assume i punteggi di preferenza come variabile dipendente.

34. 21-34 Critiche alla Conjoint Analysis Infatti, in queste situazioni non solo assumiamo che l’utilità sia cardinale, ma anche che sia comparabile tra gli individui in modo metrico (specificamente adottiamo una norma euclidea quando usiamo gli OLS).

35. 21-35 Critiche alla Conjoint Analysis Inoltre, quando usiamo il metodo full profile diamo una curvatura causale- normativa alla nostra analisi. Il caso dei ranking è meno grave, poichè le assunzioni per l’utilità ordinale sono meno stringenti e dobbiamo assumere un minor numero di assiomi.

36. 21-36 Critiche alla Conjoint Analysis E’ utile paragonare i rispettivi insiemi di assiomi. Per l’utilità ordinale: riflesività completezza transitività Per l’utilità cardinale: 1)-3) gli assiomi precedenti 4) continuità

37. 21-37 Critiche alla Conjoint Analysis 5) preferenza crescente con la probabilità; 6) indipendenza. Penso che l’uso dei ranking preferences in Conjoint Analysis sia meno esigente in termini di asunzioni sul comportamento del consumatore.