Dispensa Donato - Ricerca di Marketing PDF

RESEARCH METHODOLOGY MARKETING RESEARCH PROCESS Marketing research process Types of Marketing Research Conclusive research Ø Descriptive research (Survey) Ø Causal research (Experiments) Andiamo innanzitutto ad analizzare le varie tipologie di ricerche di marketing ch...

RESEARCH METHODOLOGY MARKETING RESEARCH PROCESS Marketing research process Types of Marketing Research Conclusive research Ø Descriptive research (Survey) Ø Causal research (Experiments) Andiamo innanzitutto ad analizzare le varie tipologie di ricerche di marketing che possono essere condotte, con particolare focus sulle RICERCHE CONCLUSIVE (ricerche che forniscono delle conclusioni precise, cioè dei dati dai quali è possibile trarre delle conclusioni). Nell’ambito delle ricerche conclusive andremo a studiare 2 tipologie di ricerca: F Ricerca di natura descrittiva, la ricerca che ha come obiettivo quello di descrivere un determinato fenomeno. Esempi di ricerca di questo tipo sono le survey. F Ricerca di natura causale che ha l’obiettivo di identificare possibili effetti di causa, cioè conoscere se la variazione di una variabile (indipendente) influenza la variazione di un'altra variabile (detta dipendente). Esempi pratici di ricerca di questo tipo sono gli esperimenti. STEP COINVOLTI PER LA CONDUZIONE DI UNA RICERCA DI MARKETING: 1) Si parte dalladefinizione del problema , le ricerche di marketing cercano infatti di capire un determinato fenomeno o problema. Classici problemi che si possono riscontrare nel management possono essere: lanciare un nuovo prodotto sul mercato, cambiare la campagna pubblicitaria di un prodotto, incrementare il prezzo di un determinato brand, ecc. Con riferimento al problema del lancio di un nuovo prodotto, esso implica conoscere le preferenze dei consumatori e le loro intenzioni di acquisto; in questo caso sarebbe dunque opportuno intervistare tramite questionari, quindi effettuando una ricerca quantitativa, i consumatori e capire la loro disponibilità a comprare (wellness to buy) il nuovo prodotto, verificare quindi il valore medio e successivamente attraverso un’analisi statistica vedere se questo valore medio è generalizzabile alla popolazione o riferibile solo a quel particolare sample (campione). Un altro problema potrebbe riguardare il lancio di una nuova campagna pubblicitaria, prima di effettuare un’azione strategica di questo tipo, è conoscere l’atteggiamento dei consumatori rispetto alla precedente campagna pubblicitaria di quel brand, chiaramente se l’ atteggiamento da parte dei consumatori verso il brand è positivo non è necessario cambiare campagna, se negativo è necessario rimodularla. Nel caso, infine, in cui l’azienda decida di incrementare il prezzo di un determinato brand è necessario conoscere l’elasticità del prezzo, bisogna quindi conoscere l’elasticità della domanda e il suo impatto in termini di vendita e di profitti rispetto a vari livelli di prezzo associabili al brand. Ricapitolando quando si cerca di identificare una problematica di marketing è necessario per prima cosa definire le variabili di interesse. 2) Una volta definite il problema e le variabili di interesse, si passa a definire un approccio di ricerca. Per quanto riguarda gli approcci ci sono 2 tipologie, uno di tipo qualitativo e uno quantitativo, in questo corso useremo maggiormente l’approccio quantitativo (quindi numeri). Esistono tuttavia situazioni in cui è possibile utilizzare un approccio misto, sia quantitativo che qualitativo. Ovviamente a seconda dell’approccio utilizzato ci sarà un input e un output differente; in caso di ricerca qualitativa gli output saranno delle argomentazioni e gli input delle interviste in profondità, mentre nel caso di ricerche quantitative gli output saranno dei numeri e dei dati e gli output dei sondaggi e delle survey. A seconda degli output ovviamente si potranno capire i problemi e ad esempio andare a rafforzare i punti di debolezza del brand di un’azienda (si potrebbe migliorare i tempi di delivery, la qualità del prodotto, ecc.). A seguito di una ricerca chiaramente è necessario valutare anche il campione che è stato preso in riferimento, se esso è un numero esiguo non è possibile prendere delle decisioni e attuare delle azioni di risposta ai dati acquisiti questo perché non c’è rappresentatività. È necessario dunque capire se il problema riscontrato dalle poche persone del campione sia estendibile alla popolazione di riferimento. Ricordiamo che ricerche di natura qualitativa sono molte soggettive ed è difficile attuare una generalizzazione, nella ricerca qualitativa i risultati non sono testati per capire se sono statisticamente significativi o dovuti ad occorrenze casuali, ciò implica che essi non possono essere estesi a popolazioni ampie con lo stesso grado di certezza dei risultati ottenuti con metodi di ricerca quantitativa. Quando invece si effettua una ricerca di natura quantitativa per verificare che gli insight ottenuti siano generalizzabili è necessario fare riferimento a tecniche statistiche per fare inferenza dal campione alla popolazione (ad esempio attraverso il valore atteso). Questo procedimento di generalizzazione dunque è possibile solo grazie ad una ricerca di natura quantitativa. È per questo che le ricerche di natura quantitativa rientrano nell’ambito delle ricerche conclusive, perché forniscono risposte puntuali riferite a una popolazione rispetto una determinata problematica di marketing. Le ricerche di natura qualitativa solitamente possono fornire degli spunti utili nel momento in cui si vuole esplorare il problema e non si hanno a disposizione nessun tipo di informazioni precedenti rispetto al problema. Di solito, dunque, si lancia prima una ricerca di natura qualitativa e successivamente attraverso una ricerca quantitativa si cerca di confermare o confutare le tesi derivanti dagli insight qualitativi con l’obiettivo di generalizzare i risultati. (Quando si fa una ricerca si deve prendere come riferimento un campione rappresentativo cioè che rappresenta al meglio la popolazione di riferimento). 3) definizione del design della ricerca cioè uno schema che step by step che delineerà tutti gli elementi della ricerca. TIPOLOGIE DI RICERCHE DI MARKETING Qualitative vs. quantitative Le indagini condotte attraverso panel di ricerca sono rivolte a determinare le tipologie e le metodologie di Ad-hoc vs. continuous vs. panel acquisto, isolando le leve strategiche di consumo e il progressivo modificarsi del comportamento di B-to-B vs. consumer acquisto nel corso del tempo. Applied vs. scientific - Le ricerche qualitative e quantitative le vedremo dopo. - Le ricerche ad hoc sono svolte per rispondere ad un particolare problema o ricerche continuative per monitorare una variabile nel tempo dove quindi è necessario un processo di ricerca nel corso del tempo. - Ancora distinguiamo tra ricerche B2B dove il partecipante non è più il singolo consumatore ma un’altra azienda o B2C nella quale l’azienda cerca di capire il comportamento dei consumatori. - Infine, distinguiamo tra ricerca di natura applicata (cioè ricerche che sono applicate a un particolare problema di marketing, tutte quelle di cui abbiamo parlato fino ad ora) e ricerche di natura scientifica dove si parte da un problema di natura scientifica e non dal problema relativo ad un azienda. L’obiettivo nel caso di ricerca scientifica oltre a dare implicazioni manageriali rispetto a ciò che si ricerca ma anche implicazioni teoriche in termini di conoscenza del marketing,  ad esempio con una ricerca scientifica è possibile riuscire a capire se il colore verde suscita una maggiore soddisfazione rispetto al colore grigio; dunque grazie a questa ricerca posso fornire informazioni ai manager per quanto riguarda ad esempio il colore del packaging da utilizzare e anche indicazioni di natura teorica per quanto riguarda la letteratura di packaging). RICERCHE DI MARKETING SULLA BASE DEGLI OBIETTIVI Un’altra distinzione delle ricerche di marketing può avvenire sulla base degli obiettivi che si vogliono conseguire, distinguiamo tra: F Ricerca esplorativa F Ricerca descrittiva F Ricerca causale Vediamo nel dettaglio i vari design di ricerca: RICERCHE QUALITATIVE RICERCHE QUANTITAIVE SURVEY: NO MANIPOLAZIONE IV e.g. panel e.g. sample survey research design UNA PRIMA DISTINZIONE FA RIFERIMENTO A: Ø design di natura esplorativa (dove l’obiettivo è esplorare il problema, quindi non c’è nessuna conoscenza pregressa rispetto ad un particolare problema. In questo approccio distinguiamo tra ricerca esplorativa quantitativa e qualitativa. Ø design di natura conclusiva volta a dare delle conclusioni e risposte quantificabili. In particolare, la ricerca conclusiva aiuta il management a prendere decisioni riguardo un particolare problema, implica l’utilizzo di tecniche e metodi statistici così da avere informazioni affidabili e si tratta di tipologie di ricerca molto più strutturate delle ricerche esplorative nel quale non si sa precisamente cosa si sta cercando ma si “sonda” il terreno per capire le eventuali problematiche. Nell’ambito del conclusive design distinguiamo tra ricerche descrittive (che ha come obiettivo quello di descrivere un determinato fenomeno) e causali (che permette di conoscere se la variazione di una variabile influenza la variazione di un’altra variabile). In riferimento alla ricerca descrittiva vi è un’ulteriore distinzione tra: - CROSS-SECTIONAL DESIGN (se la survey viene effettuata una sola volta su un unico campione si parla di single cross sectional design, mentre se la survey è effettuata su diversi campioni di consumatori, su cui poi si faranno dei confronti di dati, ad esempio un gruppo a Roma, uno a Milano e l’altro a Catania si parla di multi cross sectional design e longitudinal design) in questo caso vengono effettuate le misurazioni senza manipolare l’ambiente di studio e la caratteristica distintiva di tale design è che permette di confrontare diversi gruppi di popolazione in un unico momento; - LONGITUDINAL DESIGN, dove i ricercatori conducono diverse osservazioni di diversi soggetti per un periodo di tempo, a volte della durata di molti anni, il vantaggio è quello di rilevare sviluppi o cambiamenti nelle caratteristiche della popolazione target sia a livello di gruppo che individuale. L’elemento chiave è che tali ricerche si estendono oltre un singolo momento nel tempo. la differenza tra il cross sectional design e longitudinal riguarda la composizione del campione, nel multiple cross sectional, infatti, si fa rifermento a diversi campioni; nel longitudinal design invece il campione è sempre lo stesso (penso ad esempio ai dati Auditel che prendono come rifermento un campione fisso detto PANEL) e la ricerca si estende nel tempo. e non è istantanea. La differenza non sta nell’aspetto temporale, infatti, è possibile effettuare una multiple cross-sectional anche in archi temporali differenti, ad esempio, al gruppo del nord si fa un sondaggio a gennaio, al gruppo del centro un sondaggio a marzo e al gruppo del nord un sondaggio a maggio. RICERCA QUALITATIVA (cap. 5 del libro, ma non fa parte del programma) Una ricerca qualitativa è quella ricerca che da come output un dato di natura non quantificabile. Esistono diversi metodi per effettuare queste tipologie di ricerche: interviste in profondità, focus group, osservazione ecc. DIFFERENZA TRA RICERCA QUANTITATIVA E QUALITATIVA Innanzitutto, la prima differenza riguarda il tipo di analisi, nella ricerca qualitativa è necessario interpretare dal punto di vista soggettivo le risposte dei partecipanti mentre nella ricerca quantitativa, i dati sono di natura oggettiva e tali dati possono essere sintetizzati tramite tecniche statistiche univariate e multivariate. Anche il ruolo degli amministratori è fondamentale, nelle ricerche qualitative l’amministratore (colui che intervista) deve stimolare il dibattito e interpretare il linguaggio non verbale come gli sguardi, mentre per il ruolo di chi somministra lo studio non è importante, il soggetto che lo somministra può anche essere delegato, l’importante è la preparazione della survey. Infine, anche la numerosità del campione è differente, chiaramente in una ricerca qualitativa, poiché è necessaria un’intervista one to one, il numero di soggetti da analizzare in profondità sarà limitato rispetto invece al numero di unità del campione utilizzato nella ricerca quantitativa; questo perché nelle ricerche quantitative si cerca di generalizzare. Il costo unitario di una ricerca qualitativa è sicuramente più elevato rispetto ad una quantitativa, l’intervista one to one ha bisogno di almeno 1 ora di tempo per essere somministrata mentre la survey è più veloce. Un’altra differenza riguarda la capacità di replicare i risultati ottenuti, nella ricerca qualitativa questa possibilità è molto bassa perché si fa riferimento ad impressioni soggettive dei soggetti mentre nelle ricerche quantitative i risultati possono essere replicabili. Il tipo di ricerca è di carattere psicologico, sociologico e rivolto al comportamento dl consumatore nell’analisi qualitativa mentre di carattere statistico e schematico nell’analisi quantitativa. Infine, i tools utilizzati sono diversi, nelle ricerche qualitative si utilizzano video, immagini, proiettori, registratori ecc., mentre nelle ricerche quantitative gli strumenti maggiormente utilizzati sono computer e questionari. DUNQUE, LA RICERCA QUALITATIVA HA UN DESIGN DI RICERCA ESPLORATIVO MENTRE LA RICERCA QUANTITATIVA HA UN DESIGN DI RICERCA DESCRITTIVO O CAUSALE. DIFFERENZA TRA RICERCA DESCRITTIVA E RICERCA CAUSALE F RICERCA DESCRITTIVA, nella ricerca descrittiva l’obiettivo è descrivere una determinata variabile che dipende dal problema di ricerca, è possibile infatti essere interessati a descrivere caratteristiche, percezioni, atteggiamenti, attività ecc., molto spesso la ricerca di natura descrittiva esamina le 6 w del marketing (who, when, why, where, what, how). La ricerca descrittiva permette inoltre di ottenere informazioni sul grado di associazione esistente tra 2 o più variabili, ad esempio, tra l’atteggiamento verso il prodotto e intenzioni di acquisto verso il prodotto. Tramite un questionario è dunque possibile vedere in che misura le variabili sono associate tra di loro ma non è possibile determinare una relazione causa- effetto. Le caratteristiche comuni di uno studio di natura descrittiva sono che si basano su informazioni precedenti, mostrano relazioni (di associazioni) tra variabili, hanno bisogno di un campione rappresentativo che possa appunto rappresentare la popolazione di riferimento, richiedono piani di ricerca strutturati e notevoli risorse e infine la ricerca per essere tale deve portare a risultati conclusivi. SURVEY COME METODOLOGIA DI RICERCA (NELL’APPROCCIO DESCRITTIVO) Lo strumento di eccellenza per lanciare una ricerca di natura descrittiva è la survey, è il metodo più utilizzato per la raccolta di dati primari.  C’è sia una survey online (questa tipologia ha preso piede recentemente) ma si può effettuare anche via telefono (tipologia che sta diventando molto popolare), via mail o personale. Sostanzialmente la survey è l’uso di un questionario per raccogliere informazioni, opinioni e atteggiamenti.(Pro e contro di ciascuna metodologia sul libro). STRUTTURA DELLA SURVEY 1) Domanda di apertura (opening sentence), in questa sezione si introduce lo studio al soggetto e gli si dice che dovrà rispondere a delle domande che deve compilare il questionario, si saluta il partecipante e lo si rassicura sull’utilizzo dei suoi dati. 2) Introduzione, si spiega al partecipante i compiti che dovrà svolgere e si introducono i topic della ricerca provando ad attirare la sua attenzione 3) Sezione tecnica, è la parte più importante del sondaggio, perciò, deve essere compilato dal partecipante con molta attenzione. In questa sezione ci sono dunque domande specifiche volte ad ottenere informazioni per rispondere al problema ricercato. Quindi domande del tipo: quanto sei soddisfatto? quanto ti piace il prodotto? come valuti la performance di questo prodotto rispetto ad altri? Ecc. 4) Sezione demografica, dopo che lo studio si conclude comincia la sezione di domande personali riguardanti le caratteristiche sociodemografiche del partecipante, fondamentale per conoscere le caratteristiche del campione di ricerca. Questa parte di domande viene effettuata alla fine per evitare di aggredire il partecipante. F RICERCA CAUSALE: in questo caso lo strumento di eccellenza per effettuare questo tipo di ricerca è l’esperimento (esso serve per testare una relazione causa effetto) tale ricerca fornisce informazioni sull’evidenza che la relazione tra causa effetto di un fenomeno esiste o meno e verifica se qualcosa influenza direttamente il comportamento di qualcos’altro. Una delle relazioni causa-effetto più ricercate solitamente è quella tra domanda e prezzo, il prezzo è la variabile Indipendente mentre la domanda è la variabile dipendente, cioè bisogna ricercare se a variazioni del prezzo corrispondono variazioni della domanda. Se dunque il prezzo aumenta, la quantità venduta diminuisce, mentre se il prezzo diminuisce la quantità venduta aumenta, eccezione fanno i prodotti di Giffen (lusso) dove all’aumentare del prezzo la quantità venduta rimane stabile. Al fine di poter affermare che una variabile X causa variazioni della variabile Y e cioè affinché si possa parlare di relazione causa-effetto (causazione) si devono verificare 3 condizioni: 1. La causa deve avvenire prima dell’effetto, ad esempio se varia il prezzo, varia anche la quantità; non è detto il contrario (TIME ORDER) 2. La variazione deve essere concomitante ovvero cambiamenti nella variabile indipendente devono essere accompagnati da cambiamenti nella variabile dipendente. 3. La relazione tra le variabili non deve essere spuria ovvero bisogna stabilire che la variabile indipendente ed esclusivamente essa è la causa che ha determinato cambiamenti nella variabile dipendente e spiegazioni alternative devono essere escluse. Ad esempio, se considero un prodotto devo dimostrare che la variazione della sua quantità sia causato esclusivamente dalla variazione del prezzo e non anche ad esempio dal cambio di campagna pubblicitaria effettuato per quel prodotto dall’azienda. Ovviamente non possiamo essere sicuri al 100% che ci sia una relazione di casualità tra due variabili possiamo però avere un idea della probabilità con cui effettivamente ci sia una relazione causa effetto sulle variabili. Ad esempio, si vede che al 95% dei casi si verifica una relazione causa-effetto. N.B la sola associazione (correlazione) non implica causazione (lo vedremo più avanti quando parleremo di correlazione e regressione), prendiamo in riferimento questo grafico: La relazione è fra il numero di persone che sono annegate in piscina e il numero in cui Nicolas Cage appare nei film. La correlazione è pari al 67% quindi le 2 variabili sono correlate in maniera positiva. Tuttavia, la correlazione non implica la causazione nel senso che non è vero che il numero di film in cui Nicolas Cage appare, è associato in qualche maniera all’aumento del numero di annegamenti in piscina, ma non c’è effetto di causazione cioè anche se le due variabili sono correlate, non c’è un implicazione di natura causa-effetto. L’indice di correlazione si indica con r (indice di Pearson, il più utilizzato) ed esprime la presenza di relazione lineare tra le 2 variabili, varia tra -1 e 1 dove 0 indica assenza di correlazione, -1 correlazione negativa e 1 correlazione negativa (lo vedremo più avanti quando parleremo di correlazione. IN DEFINITIVA POSSIAMO DIRE CHE LA CAUSAZIONE IMPLICA CORRELAZIONE MA LA CORRELAZIONE NON IMPLICA CAUSAZIONE. COME SI CONDUCE UN ESPERIMENTO? (NELL’APPROCCIO CAUSALE) l’esperimento serve fondamentalmente per capire se esiste una relazione causa effetto tra 2 o più variabili. Supponiamo ad esempio che si voglia testare che la forma del packaging di un determinato prodotto influenzi le percezioni del gusto dei consumatori. Lanciamo allora un esperimento che consiste nel considerare 2 campioni rappresentativi della popolazione e sottoporgli rispettivamente il prodotto con il packaging X e all’altro campione il prodotto con il packaging Y. Si chiede ai partecipanti di rispondere su una scala da 1 a 7 la percezione di dolcezza del prodotto, si otterrà dunque una media per la preferenza del prodotto con la forma X e una media per il prodotto con la forma Y. Vado a vedere a quale forma del packaging la media dei partecipanti associa una media di percezione della dolcezza più elevato e si verificano le differenze (attraverso il two sample t-test che poi vedremo). Cambiando solo la forma e lasciando gusto e marca invariata sono certo che la variazione della percezione della dolcezza del prodotto è causata esclusivamente dalla forma del packaging (e dunque la relazione non sarà spuria). Quindi, la variabile indipendente è la forma, che può essere rettangolare e rotonda, e tale variabile è manipolata, mentre la percezione del gusto/dolcezza è la variabile dipendente e tale variabile è misurata). La conclusione dell’esperimento consiste nella sua generalizzazione e vedere cioè se sia estendibile o meno alla poplazione, se ciò non è così significa che la variabile indipendente (la forma del packaging) non influenza la percezione del gusto de consumatri e quell’esperimento e solo riferibile al campione in esame (dopo vedremo le tecniche per fare inferenza e cioè i test di ipotesi). Il gruppo che viene sottoposto alla condizione dello status quo (ipotizziamo forma rotonda) viene detto gruppo di controllo mentre il gruppo a cui viene mostrata la variazione (forma quadrata) è detto gruppo sperimentale. Cioè si vuole vedere se attraverso una variazione della forma del packaging, aumenterà la percezione del gusto dei componenti del gruppo sperimentale. La test unit sono ovviamente i consumatori. VARIABILE DIPENDENTE E VARIABILE INDIPENDENTE La variabile indipendente è la variabile che viene manipolata dal ricercatore, pensiamo dunque alla variabile indipendente del prezzo, nel caso dell’esempio prezzo/quantità; la variabile indipendente, quindi, viene fatta variare per testare una relazione causa-effetto. La variabile dipendente invece non viene manipolata ma misurata in quanto varia in relazione alle variazioni della variabile indipendente. La misura in cui varia la variabile dipendente dipende dall’unità di analisi, in base cioè a quale sarà la quantità acquistata dal consumatore. Nel caso dell’esempio dei gelati invece la variabile dipendente era l’atteggiamento dei consumatori e l’unità di misura sarà in questo caso il livello di soddisfazione, quindi riassumendo: LA VARIABILE INDIPENDENTE VIENE MANIPOLATA, QUELLA DIPENDENTE VIENE MISURATA. Per comprendere meglio questi concetti facciamo l’esempio della pianta: In questo caso si vuole conoscere se l’altezza della pianta (variabile dipendente) è influenzato dal liquido immesso nella pianta per farla crescere (variabile indipendente). La variabile indipendente, quindi, avrà 3 livelli: Coca-Cola, acqua e succo di frutta. È necessario, tuttavia, l’utilizzo di tre piante, non posso usare sempre la stessa pianta altrimenti l’esperimento non potrebbe essere convalidato e non si potrà capire quale variabile indipendente abbia portato a variazioni di quella dipendente. Inoltre, è fondamentale isolare il più possibile la variazione della variabile indipendente e quindi escludere altri fattori esterni che potrebbero influenzare la variabile dipendente e fare in modo da testare che sia solo e unicamente la variabile indipendente presa in esame (coca-cola o succo o acqua) ad influire sulla variabile dipendente. Fattori esterni potrebbero ad esempio essere temperatura, grandezza del vaso, esposizione alla luce, quantità di liquido ecc. Le test unit in questo caso sono le piante. Ritorniamo nell’ambito del marketing e consideriamo un classico esperimento: vogliamo verificare l’atteggiamento verso il brand quando si lanciano degli sconti relativi a quel brand, gli sconti sono di 2 tipologie: o si paga alla cassa 50 centesimi in meno o che il brand costa 50 centesimi in meno e questi soldi verranno devoluti in beneficienza. Quindi si prendono 2 campioni e si effettua queste 2 tipologie di sconto e si chiederà quale sarà l’atteggiamento del consumatore verso il brand. I fattori terzi che potrebbero influenzare la variabile dipendente potrebbero essere il genere del consumatore, il reddito, il grado di education ecc. RIASSUMMENDO I PUNTI CARDINI DI UN ESPERIMENTO SONO: VARIABILE INDIPENDENTE MANIPOLATA VARIABILE DIPENDENTE MISURATA VARIABILI ESTERNE DA ESCLUDERE ASSEGNAZIONE DEI SOGGETTI ALLE CONDIZIONI SPERIMENTALI, quindi ciascun campione dell’esperimento sarà soggetto ad un una sola condizione Nell’esempio di marketing proposto dunque lo sconto era la variabile indipendente e la willingness to buy dei consumatori rappresenta la variabile dipendente. VEDIAMO UN ALTRO ESEMPIO: Ipotizziamo ora che si voglia introdurre nel mercato un nuovo detergente e si è indecisi sulla scelta di un advertisement che enfatizzi la convenienza ad utilizzare il prodotto, una che enfatizza la sua qualità o un’altra che si focalizza sul prezzo basso del prodotto, le procedure per capire quale scelta effettuare dovrebbe consistere nel presentare rispettivamente a tre campioni di soggetti: una pubblicità che enfatizza la qualità, una pubblicità che enfatizza la convenienza e un'altra che si focalizza sul prezzo basso (la variabile indipendente si dice che ha 3 livelli). I soggetti dei campioni ricordiamo sono presi in maniera randomica, si va dunque a verificare quale delle tre condizioni influisce maggiormente sull’atteggiamento dei consumatori all’acquisto del prodotto. In questo caso, dunque, non esistono gruppi di controllo, ma sono tutte e tre condizioni sperimentali. La cosa da tenere a mente è che ci possono essere anche più di 3 livelli nella variabile indipendente e ci possono essere anche più varabili indipendenti. Prima abbiamo accennato alla randomizzazione e cioè l’assegnazione casuale (e non soggettiva del consumatore) dei soggetti alle 2 o più condizioni sperimentali. Senza randomizzazione la validità dell’esperimento si perderebbe, infatti attraverso la randomizzazione si escludono fattori esterni; vedremo più avanti che c’è sia una randomizzazione delle assegnazione delle persone che dell’assegnazioni delle condizioni. La randomizzazione, dunque, è l'assegnazione di soggetti e trattamenti ai gruppi basata sul caso e consente l'ipotesi che i gruppi siano identici rispetto a tutte le variabili tranne il trattamento sperimentale che appunto cambia. SURVEY VS EXPERIMENT La survey che ricordiamo veniva utilizzata per le ricerche descrittive, è formata da diverse sezioni e il soggetto ha una prospettiva ampia delle domande che gli vengono poste. Mentre nell’esperimento (utilizzato maggiormente nelle ricerche causali) ad ogni soggetto verrà mostrata una sola condizione. Per quanto riguarda le domande SOCIO DMEOGRAFICHE saranno poste a tutte e due i soggetti. CHE TIPI DI DESIGN SPERIMENTALI POSSIAMO AVERE? Con riferimento agli esperimenti è possibile distinguere tra: F Esperimenti between subject, classico esperimento che faremo in questo corso, in questo caso l’obiettivo è scoprire relazioni causa- effetto; ogni gruppo viene assegnato ad un’unica condizione. (potremmo associarlo ad un indipendent t-test) F Esperimenti within subject dove il soggetto vedrà tutte le condizioni sperimentali perché in questo caso l’obiettivo è vedere variazioni nel campione; ogni gruppo viene assegnato a tutte le condizioni. (potremmo associarlo ad un paired sample t-test). In generale quando si parla di factorial design implica che esiste più di una variabile indipendente, consideriamo ad esempio l’esperimento degli yogurt, per essere un analisi fattoriale deve essere considerata almeno un'altra variabile indipendente come, ad esempio, il colore del packaging (verde e rosso). In questo caso ci sono 2 livelli per ciascuna delle due variabili indipendenti. MAIN EFFECT ED INTERACTION EFFECT Il singolo impatto della variabile indipendente, ad esempio la forma, che ha sulla variabile dipendente è detto main effect (effetto principale) mentre quando si prendono in analisi simultaneamente l’effetto di 2 variabili indipendenti (quindi forma e colore) sulla variabile dipendente si parla di interaction effect (effetto congiunto). Facciamo un esempio pratico di factorial design per capire il main effect e interaction effect. Linguaggio astratto e linguaggio concreto (2 livelli della variabile indipendente che è la tipologia di linguaggio) e prominence del logo utilizzata (piccola o grande). La variabile dipendente è la willingness to buy. In questo caso, dunque, ci saranno 2 main effect perché le variabili indipendenti sono 2 e abbiamo bisogno di 4 gruppi, ad ognuno infatti verrà mostrato una delle condizioni sperimentali. FACCIAMO UN ESEMPIO: Un gruppo, dunque, avrà logo prominence piccolo e linguaggio astratto, un altro gruppo grande prominence e linguaggio astratto, un altro gruppo ancora vedrà l’esperimento nel caso di basso prominence e linguaggio concreto e un altro linguaggio nel caso concreto e grande logo prominence. Ovviamente un gruppo che vede una di queste condizioni non vedrà le altre. N.B. in questo caso si parla di factorial design 2x2. Factorial Design: Example LOGO PROMINECE Low High ADVERTISING LANGUAGE Abstract Group A Group B Concrete Group c Group D  PROBLEMA DELLA VALIDITA’ DELL’ESPERIMENTO Nell’esperimento è importante che ci sia validità, distinguiamo tra F Validità interna, cioè che la variabile indipendente presa in esame influenzi la variazione della variabile dipendente. La validità interna è la forma che si predilige di più negli esperimenti. Bisogna controllare tutti i fattori di disturbo possibili. F Validità esterna, si riferisce alla capacità con cui l’esperimento può essere riferito ad una condizione reale di mercato, cioè capire se quella condizione di laboratorio ha riscontri reali nella realtà. Spesso, infatti, gli esperimenti “soffrono” (non hanno) di validità esterna. 4) creare il questionario e poi a Si procede a raccogliere i dati, possono essere raccolti nuovi dati oppure essere utilizzati dati già disponibili (dati secondari). Distinguiamo tra dati primari e secondari, i primi derivano da osservazioni, survey o esperimenti che sono raccolti dal ricercatore per rispondere allo specifico problema. I dati secondari sono invece quei dati “di seconda mano” cioè raccolti in precedenza per uno scopo diverso e riutilizzati per conoscere meglio e definire il problema di marketing cercato. (vedo differenza su appunti marketing), esempi di dati secondari possono essere dati presenti su internet o presenti all’interno di data-set aziendali o ancora all’interno di specifiche aziende che si occupano di raccolta dati. PER COSA POSSONO ESSERE UTILIZZATI I DATI SECONDARI? F Per stimare il potenziale di mercato di un determinato settore o di una determinata categoria merceologica F Analizzare i competitors nel mercato, spesso questi dati non sono sempre disponibili ma occorre acquistarli da altre aziende F Previsioni di vendita, attraverso i dati storici delle vendite passate F Per analizzare la presenza di eventuali trend, ad esempio, i dati su cosa dicono i consumatori riguardo i prodotti ecologici F Per fornire informazioni preliminari che possono guidare chi svolge una ricerca di marketing ad ottenere una raccolta di dati primari VANTAGGI E SVANTAGGI DEI DATI SECONDARI I vantaggi sono che Il costo di raccolta dei dati secondari è limitato o a volte nullo in quanto già raccolti da altri soggetti, implica un minor sforzo nella raccolta dei dati e in alcune situazioni esistono alcuni dati che possono derivare solo da fonti di dati secondari come, ad esempio, dati relativi al settore, al mercato di riferimento o relativi ai competitors stessi. Tuttavia, l’utilizzo di dati secondari ha degli svantaggi, le limitazioni riguardano ad esempio la possibilità di mancanza di dati secondari, pensiamo ad esempio al caso in cui Cameo voglia lanciare un nuovo prodotto dolciario e voglia capire la percezione del gusto di questo prodotto; in questo caso non esistono dati secondari, ma è necessario raccogliere dati primari. Altre limitazioni dei dati secondari sono che possono non essere rilevanti quando ad esempio la quantità dei dati non è rappresentativa o se questi dati secondari sono datati, o ancora  questi dati secondari potrebbero essere relazionati a un campione diverso da quello previsto. Un’ultima limitazione dei dati secondari è che possono essere inaccurati, se ad esempio la fonte di provenienza dei dati non è attendibile o se i dati sono fake. In generale per effettuare una ricerca di marketing è sempre bene partire dai dati secondari che forniscono ulteriori spunti per la ricerca primaria vera e propria. SAMPLING DESIGNS AND PROCEDURES (rientra nella categoria di raccolta dati) COME FACCIO A SELEZIONARE CHI PARTECIPERA’ ALLO STUDIO??? l’ideale sarebbe utilizzare una mailing list all’interno del quale sono inseriti tutti i soggetti/consumatori che ci interessano e somministrare loro il nostro studio, pensiamo ad esempio al brand Zara, se ciò che si vuole conoscere attraverso lo studio è la brand attitude dei consumatori nei confronti del brand Zara utilizzerò un questionario (per conoscere la brand attitude) che sarà distribuito a tutti i consumatori Zara. La difficoltà sta però nel raggiungere tutti i consumatori del brand Zara, il numero sarebbe troppo elevato (non ci sarebbero le risorse per analizzare tutti questi dati) e non è detto nemmeno che tutti i consumatori risponderanno al questionario o che tutti i consumatori Zara sono inseriti nella mailing list. D’altro canto, se fosse sempre possibile raggiungere tutta la popolazione non ci sarebbe bisogno della statistica, basterebbe infatti analizzare i dati e prenderli per come sono senza fare nemmeno inferenza. Bisogna quindi considerare un campione rappresentativo cioè un campione (parte) che rappresenti l’intera popolazione. Poi si andrà a vedere se ciò che vale per il campione può essere generalizzato e quindi valere anche per l’intera popolazione. Ci concentreremo ora sul processo di campionamento e sulle tecniche per selezionare un campione, ma prima di procedere vediamo qualche TERMINOLOGIA riferita al sampling: F popolazione o universo: insieme di tutti gli elementi che detengono l’informazione di nostro interesse F elemento della popolazione, il singolo individuo della popolazione F censimento, quando si riescono a raggiungere tutti gli elementi della popolazione si ha un censimento, cioè quando tutti gli elementi della popolazione sono utilizzati per ottenere informazioni. Pensiamo ad esempio al  censimento demografico. Tuttavia, fare un censimento è molto dispendioso in termini di risorse e spesso non è conveniente, a volte non è nemmeno possibile idealmente fare un censimento a causa della mancanza di dati. F Campione, un sottogruppo di elementi di una popolazione selezionato per ottenere informazioni riguardo la popolazione. I vantaggi di utilizzare il campione (rispetto al censimento) è il recupero di risorse in termini di tempo e costi. Ricordiamo tuttavia che quando analizziamo un campione stiamo focalizzando le nostre misure sul campione rappresentativo non sull’intera popolazione; sarà ovvio dunque commettere piccoli errori di stima. Quando otteniamo ad esempio la media del campione non possiamo sapere al 100% che tale media sarà uguale a quella della popolazione. Poiché non siamo sicuri al 100’% dobbiamo trovare la probabilità con cui quel dato statistico è vero, ad esempio diremo che siamo sicuri al 95% di probabilità che la media e quella. Si sta quindi accettando un margine di errore del 5% Cerchiamo di capire attraverso un esempio pratico che cosa si intende per campione rappresentativo: Prendiamo una popolazione di 19 soggetti e vediamo la distribuzione della popolazione, soggetti di 20, 40 e 25 anni. Supponiamo che non possiamo osservare questa popolazione (anche se la sappiamo in anticipo, ma facciamo finta che non lo sappiamo); entrambi i campioni saranno formati da 6 soggetti, ciò che cambia però è la distribuzione dell’età degli individui, nel primo caso avremo 2 soggetti di 40, 2 di 20 e 2 di 25, nel secondo 5 soggetti di 20 anni e solo uno di 40. Quindi il secondo campione avrà una probabilità più elevata di estrarre soggetti di 20 anni. Sicuramente il primo campione approssima meglio la distribuzione della popolazione e quindi è più rappresentativo rispetto al secondo campione.  Più un campione è rappresentativo minore sarà l’errore che si commetterà nelle misurazioni. Sapendo infatti che la media della popolazione (di 19 persone) è 28,16 e calcolando successivamente le medie di ciascun campione vediamo che la media del primo campione è pari a 28.33 mentre del secondo la media è 23.33; notiamo quindi un enorme differenza, il motivo è la rappresentatività del campione. Parameter vs. Statistic=>Mean What is the average age of social media user in population? Red dot: age 20 Yellow dot: age 40 Blue dot: age 25 Parameter: Population mean = 20+20+…+20+40+….+40+25+…..+25=535/19 = 28.16 Statistic: Sample mean Sample 1 mean=20+20+40+40+25+25=170/6=28.33 Sample 2 mean=20+20+20+20+20+40=140/6=23.33 (Sample mean from a representative sample is closer to the one from a less representative sample) PROCESSO DI CAMPIONAMENTO Si parte innanzitutto da un universo teorico (tutti i consumatori di Zara) di osservazioni, restringiamo il nostro campo di osservazione alla popolazione target (ad esempio i consumatori di Zara in Italia), selezioniamo un campione escludendo i soggetti che non rispondono o che non sono in grado di rispondere (pensiamo alla formulazione del questionario) al questionario e infine otteniamo i dati e le osservazioni del nostro campione e poi si andrà a vedere se questi dati possono essere generalizzati. Come vediamo il processo è a imbuto, da una grande universo teorico si arriva ad un sottogruppo di popolazione specifico. Vediamo un esempio pratico: Per procedere al campionamento si deve decidere quali informazioni si vogliono generalizzare, supponiamo in questo caso di voler generalizzare le informazioni dei consumatori italiani; la popolazione teorica, quindi, è rappresentata da tutti gli individui che vivono in Italia. Poi si passa a vedere a quale sottogruppo di popolazione si può accedere, ipotizziamo che questo studio sia svolto a Roma, la popolazione della provincia di Roma, dunque, rappresenterà la nostra popolazione di studio. A questo punto dobbiamo entrare in contatto con i soggetti della popolazione di studio, per farlo si potrebbero ricercare tutti i residenti della provincia di Roma tramite l’elenco telefonico e ottenere in questo modo un sampling frame e infine è possibile estrarre da questo elenco (sampling frame= mailing lists, database marketers) il campione oggetto di studio. In questo specifico esempio quale tecnica potrebbe essere utilizzata per selezionare il campione? Si potrebbe utilizzare il metodo di campionamento casuale o dei criteri. RICORDA CHE QUANDO SI SELEZIONA UN CAMPIONE: 1) Si definisce la popolazione target (popolazione di Roma). È importante selezionare la popolazione target, se infatti io azienda volessi fare uno studio e prendere come riferimento tutti i consumatori dei miei prodotti, il risultato potrebbe essere scontato, la popolazione di interesse deve comprendere ad esempio anche quei soggetti che hanno lasciato la mia azienda, in questo modo potrò avere una visone globale. 2) Identificare il sampling frame cioè la lista da cui il ricercatore può attingere per selezionare il campione 3) definire il piano di campionamento (ovvero il metodo o la procedura per specificare come un campione sarà estratto dalla popolazione) 4) definire la numerosità campionaria cioè il numero di soggetti del campione Example: Sampling Plan A local Houston bank is interested in learning about households with annual income above $500k, with at least one child, and who own a house in West University street (Texas). The bank wants to learn their preferences for internet banking from sample of 1000 people. According to the bank’s management, they would want to find out why such households do not use internet banking Population Element: household residing in West University, with an annual income above $500k and at least one child and who own a house. the sample unit: “head of household who makes banking decisions. Extent: West University, Texas (Geographic coverage) Time: February 2018 – March 2018 (The period during which the data was gathered) Sampling method: Simple random sampling Sample size=1000 Sampling frame= Mailing addresses obtained from post office Con riferimento al terzo punti andiamo a vedere quali sono le possibili tipologie di campionamento. TIPOLOGIE DI PROCEDURE DI CAMPIONAMENTO TYPES OF SAMPLING PROCEDURES Dobbiamo innanzitutto distinguere tra: 1) CAMPIONI DI NATURA NON PROBABILISTICA: ciascun soggetto della popolazione ha una probabilità di essere estratto sconosciuta cioè alcuni soggetti hanno una probabilità più o meno alta di essere estratti rispetto ad altri soggetti della popolazione, altri ancora non hanno nessuna probabilità di essere estratti. Se consideriamo ad esempio l’azienda Zara che fa il campionamento, invece di utilizzare la mailing list di tutti i partecipanti, utilizza un criterio geografico e cioè considera soli consumatori di Zara che vivono a Roma. In questo caso i soggetti che ad esempio abitano ad Ancona avranno una probabilità pari a 0 di esser estratti e di far parte del campione. Il campionamento non probabilistico è meno costoso rispetto a quello di natura probabilistica e permette di risparmiare tempo ma spesso questi campioni non sono molto rappresentativi della popolazione. Vediamo adesso le principali tecniche di campionamento non probabilistico: I. Convenience, il campione viene selezionato in base ad elementi della popolazione di facile accesso per il ricercatore, ad esempio, chiedo ai soggetti che vengono in aula lunedì di partecipare ad una survey su quanto sono soddisfatti del brand Zara. Quindi seleziono questi soggetti di facile accesso. Chiaramente ci saranno alcuni soggetti che non saranno presi in considerazione II. Judgemental, i soggetti che dovranno far parte del campione vengono selezionati sulla base del giudizio personale, supponiamo di voler conoscere la valutazione del brand Zara, ad esempio, e il ricercatore somministra il questionario solo a quei soggetti che secondo lui sono vestiti in modo fashion. ci saranno alcuni soggetti che non saranno presi in considerazione. III. Quota, in questo caso la popolazione viene suddivisa in sottogruppi, ad esempio all’interno degli studenti della Luiss seleziono dei sottogruppi, ad esempio del primo anno, del secondo anno, della magistrale ecc. Successivamente sulla base del giudizio del ricercatore viene selezionato il campione che si vuole studiare. Quindi prima c’è una divisione in sottogruppi della popolazione (sempre soggettiva) e poi secondo la soggettività del ricercatore viene scelto un campione tra i sottogruppi. Ci saranno alcuni soggetti che non saranno presi in considerazione. IV. Snowball/grappolo, permette di filtrare la popolazione attraverso l’utilizzo di un questionario, sulla base del quale è possibile verificare i soggetti che si adattano al profilo del campione che il ricercatore vuole prendere in esame. Si chiama palla di neve perché i soggetti da inserire nei campioni si individuano a partire da soggetti già intervistati i quali indicano quali altri soggetti poter intervistare. Il campionamento a palle di neve è particolarmente utile nello studio delle popolazioni clandestine. Alcuni bias è che spesso vengono reclutati in questo campione a palla di neve coloro che hanno più amici. Comparing the Nonprobability Techniques Technique Strengths Weaknesses Convenience Sampling Least expensive Selection bias Least time needed Not representative Most convenient Judgmental Sampling Low expense Subjective Little time needed Does not allow Convenient generalizations Quota Sampling Can control sample Selection bias characteristics Most likely not representative Snowball Sampling Can estimate rare Time consuming characteristics Most likely not representative 2) CAMPIONI DI NATURA PROBABILISTICA: ciascun membro della popolazione ha una particolare probabilità fissa non uguale a zero di essere selezionato. Ad esempio, nel caso in cui abbiamo una popolazione di 19 soggetti e la probabilità che ciascun soggetto potesse far parte del campione è 1/19, quindi una probabilità fissa e diversa da 0. Vediamo adesso le principali tecniche di campionamento probabilistico: I. simple random, la probabilità di essere selezionata è fissa, conosciuta e uguale per tutti i soggetti. cioè la probabilità di selezione di questo campione è misurata dal rapporto tra la numerosità del campione (ad esempio campione di 100 soggetti) e la numerosità della popolazione (ad esempio una popolazione di 1000 soggetti). Questo campionamento è attuabile solo quando si conosce la numerosità di tutta la popolazione. Un esempio potrebbe essere considerare in modo casuale dei numeri ed estrarre dalla lista dei nomi quello a cui il numero è associato. II. Stratified, questo metodo consta di 2 step, nel primo si prende in considerazione la popolazione di riferimento (supponiamo la lista dei clienti di Zara) e si suddivide questa popolazione in sottogruppi sulla base di una determinata variabile (ad esempio sulla base della razza caucasica o ispanica), nel secondo per ciascun sottogruppo si selezionano in maniera randomica i soggetti del sottogruppo. vediamo l‘esempio per chiarirci: dalla scelta di quanti soggetti estrarre dai sottogruppi si avrà un campionamento stratificato proporzionato o non proporzionato.  Se attuo una strategia a strati proporzionati, bisogna prendere la stessa proporzione di soggetti dagli strati, supponiamo ad empio che un sottogruppo è formato da 3000 soggetti e 10000 soggetti in un altro strato (la popolazione totale ovviamente è di 13 mila soggetti). Poiché stiamo attuando un campionamento stratificato proporzionato devo prendere la stessa proporzione in maniera random dagli strati, supponiamo di prendere l’1% di soggetti di ogni sottogruppo, significa che prenderò 30 soggetti in maniera random dal primo sottogruppo, e 100 soggetti dal secondo. La logica, quindi, fa riferimento alla proporzione e non alla numerosità. Nel caso invece di campionamento stratificato non proporzionato non deve essere rispettato nessun criterio proporzionale nella scelta di soggetti da estrarre in ogni sottogruppo; ad esempio, si potrebbe prendere il 2% di individui nel primo campione (60 soggetti) e l’1% di soggetti del secondo sottogruppo (100 soggetti). Indipendentemente che si utilizzi il metodo proporzionato o non proporzionato il campione finale comprenderà la somma dei soggetti estratti nei sottogruppi; nei casi in esame, nel campionamento proporzionato, la numerosità del campione sarà 130, nel secondo caso (campionamento non proporzionato) di 160. III. Cluster, è simile al campionamento stratificato in quanto avviene una stratificazione della popolazione in sottogruppi o cluster. In questo caso la variabile di raggruppamento non è più riferita all’interesse di ricerca ma è riferita ad una variabile non collegata all’interesse di ricerca. È possibile procedere mediante uno step o 2 step. Nel caso di un singolo step, è fare tutto in modo randomico nel senso che partendo dalla popolazione di studio la suddivido in gruppi, seleziono in maniera random un gruppo (basandomi su una variabile non collegata all’interesse di ricerca) e all’interno di questo gruppo seleziono il campione (sempre in maniera randomica). Se invece si volesse procedere mediante 2 step, bisognerebbe come prima suddividere la popolazione in più sottogruppi (cluster) magari 2 o 3 gruppi e in ciascun gruppo si va a selezionare il campione in modo randomico e poi sommare i soggetti facenti parte del campione di ogni gruppo. Quindi con uno step seleziono solo un sottogruppo (o cluster), con 2 step seleziono più sottogruppi (cluster) dalla popolazione di studio. Supponiamo ad esempio di voler conoscere la probabilità dei soggetti ad avere debiti sulla base dei loro redditi, in questo caso però non si è in grado di suddividere i componenti della popolazione che hanno un alto reddito e basso reddito. A questo punto invece di utilizzare la variabile reddito che non si può conoscere ne utilizzo un’altra, ad esempio, sulla base del codice di avviamento postale quindi sulla base della zona in cui vivono (che è una  variabile di raggruppamento che non è riferita all’interesse di ricerca ed è casuale). Quindi in questo caso o si seleziona una zona e quindi un CAP in modo casuale e si selezionano nell’ambito di quel CAP un gruppo di soggetti in maniera random e vado a chiedere informazioni circa il loro reddito; oppure si possono studiare più zone e quindi più CAP e selezionare più campioni sempre in modo casuale e per ogni zona ottenere un campione che poi sarà sommato per ottenere un unico campione. Ad esempio, seleziono la sezione 1 e la sezione 5 del grafico sotto e nell’ambito di queste sezioni si prende un campione in modo casuale e cioè le case rosse cerchiate. Cluster Sampling Section 1 Section 2 Section 3 Section 5 Section 4 IV. Systematic, per utilizzare questa tecnica di campionamento è necessario avere una lista numerata della popolazione di riferimento. Si seleziona quindi un numero casuale e si va a vedere a quale nome della lista corrisponde il numero selezionato. Ad esempio, supponiamo che si ha una popolazione di 2000 soggetti e si vuole ottenere un campione di 100 soggetti. Dopo che ottengo il primo numero e quindi il nome del soggetto presente nella lista in modo random, bisogna definire un intervallo che determinerà l’estrazione del soggetto successivo. L’intervallo è definito: Come rapporto tra la numerosità della popolazione e la numerosità del campione che si vuole ottenere. Nel nostro esempio dunque questo intervallo è pari a 2000/100= 20. Poiché il primo soggetto estratto supponiamo (sempre in maniera casuale) corrisponda al numero 8, il secondo soggetto si troverà alla posizione 28, il terzo alla posizione 48 e così via fino a raggiungere 100 soggetti che nel nostro caso risponderà all’osservazione numero 1992. Systematic sampling  Choosing Between Nonprobability & Probability Sampling Factor Nonprobability Probability Nature of Research Exploratory Conclusive Relative Magnitude of Sampling & Nonsampling errors larger Sampling errors larger Nonsampling Errors Population Variability Homogeneous Heterogeneous (low variability) (high variability) Statistical Considerations Unfavorable Favorable Operational Considerations Favorable Unfavorable VEDIAMO ADESSO DEGLI ESEMPI PER CAPIRE A QUALI METODI DI CAMPIONAMENTO CORRISPONDE OGNI CASO: 1. A faculty member wishes to take a sample from the 1600 students in the school. Each student has an ID number. A list of ID numbers is available. The faculty member selects an ID number randomly from the first 16 ID numbers in the list, and then every sixteenth number on the list from then on. Systematic sampling 2. A faculty member wishes to take a sample from the 1600 students in the school. The faculty member decides to interview the first 100 students entering her class next Monday morning. Convenience sampling 3. A shipment of 1000 30ml. bottles of cologne has arrived to a merchant. These bottles were shipped together in 50 boxes with 20 bottles in each box. Of the 50 boxes, 5 boxes were randomly selected. The average content for these 100 bottles was obtained. Cluster sampling 4. A faculty member wishes to take a sample from the 1600 students in the school. The faculty member decides to interview the first 100 students entering her class next Monday morning with equal number of males and females. Quota sampling 5. A faculty member wishes to take a sample from the 1600 students in the school. The faculty member selects randomly 50 males and 50 females from the list of ID numbers. Stratified sampling QUALE È LA NUMEROSITA’ DEL CAMPIONE DA CONSIDERARE? Convenzionalmente la numerosità campionaria è di circa 100, tuttavia negli esperimenti al fine di fare confronti tra sottogruppi è necessario prendere un minimo di 30 partecipanti per condizione o per sottogruppi. Ad esempio, se si vuole studiare cosa succede tra uomini e donne con riferimento ad un particolare esperimento, bisognerà avere almeno 30 soggetti maschi e 30 donne. Oggi il numero è aumentato a 40/50 soggetti. Per quanto riguarda il vincolo di budget da rispettare, avere un costo di 300 dollari a campione. In media per ogni individuo il costo del questionario (se restituito) è di 2 dollari. QUESTIONAIRE DESIGN Ricordiamo che la struttura della survey è simile a quella dell’esperimento ovviamente con delle differenze, ma la logica di strutturazione (wording, scale da utilizzare, struttura generale) è simile. Vediamo adesso le fasi per definire un questionario. 1) Il primo step è specificare le informazioni di cui si ha bisogno, questo passo coincide con il primo step di quando si conduce una ricerca di marketing. 2) Specificare il tipo di metodo di intervista, ad esempio, se la survey sarà online, telefonica, personale, via mail ecc. il tipo di metodo dipende dall’interesse di ricerca. Alcuni questionari, ad esempio, richiedono la presenza di un soggetto per stimolarlo a rispondere, in altri casi potrebbero essere sufficiente le survey online. 3) Dopo aver definito il metodo di survey online dobbiamo definire il contenuto della survey, quindi inserire nella survey domande per ottenere informazioni necessarie. Tuttavia, è necessario fare attenzione alla formulazione delle domande per raccogliere queste informazioni, molte volte i rispondenti, infatti, o non sono in grado di rispondere alla domanda o non possono perché non hanno disponibilità di tempo ad esempio. È difficile chiedere ad esempio al consumatore di descrivere quale brand t- shirt ha utilizzato una settimana fa. Quando si fanno delle domande bisogna chiedersi se la domanda che l’intervistatore porrà all’intervistato è davvero necessaria e se essa è o meno ambigua. 4) Allo stesso modo le domande non possono essere troppo sensibili, ad esempio, qual è il saldo della tua carta di credito? Il consumatore vedrà ciò come una cosa negativa e non sarà disposto a fornire informazioni. Le domande devono essere poste considerando tutti questi elementi e devono fare in modo che il rispondente possa rispondervi con facilità. L’investigatore deve chiedersi quanto l’intervistato è informato, se riesce a ricordare un avvenimento e quindi articolare la sua risposta, chiedersi se ciò che sta chiedendo all’intervistato è troppo sensibile, se la richiesta che pone al rispondente è legittima e in generale deve ridurre al minimo lo sforzo del rispondente quando fa il questionario. 5) Definire la struttura delle domande sulla base degli obiettivi di ricerca, possiamo avere domande a risposta multipla, aperte, indicatori ecc. Una risposta aperta nel caso in cui si vuole conoscere una risposta soggettiva che deve essere poi codificata dall’intervistatore. Le risposte multiple invece possono riguardare l’ordine di preferenza di un brand e in questo caso avremo una variabile ordinale. La scelta della struttura, dunque, dipende dal tipo di informazioni che si vogliono ottenere e le conclusioni a cui si vuole arrivare. Per quanto riguarda la tipologia delle domande dunque distinguiamo tra: - strutturate (set di risposte alternativa), che a sua volta si distinguono in risposta multipla, risposte dicotomiche e scale (ad esempio di Likert). Per quanto riguarda la struttura delle domande bisogna usare domande strutturate dove possibile e bisogna includere nelle risposte tutte le possibili alternative, e queste risposte devono escludersi a vicenda. - non strutturate (domande aperte). 6) Scegliere le singole parole da mettere nelle domande di formulazione in questo caso il ricercatore con le domande non deve influenzare l’intervistato (esempio di Matrix). Questa tipologia di domande, da non usare, è chiamata leading questions, cioè spinge un rispondente a fornire una risposta già determinata. Questo tipo di domanda è suggestivo in quanto è inquadrato in modo tale da implicare o indicare le sue risposte. Inoltre, l’intervistatore non deve includere stesse categorie in una domanda (barrelled question), ad esempio, se si chiede le modalità attraverso le quali ci si informa sulle notizie, e una delle risposte è internet e televisione, bisogna distinguere le categorie perché l’intervistato potrebbe non vedere la televisione o non usare internet. Le domande che vengono chieste devono riguardare un elemento alla volta, ad esempio, la domanda non può dire di  descrivere il brand x in termini di economicità ed eleganza, si fa prima la domanda riguardo l’economicità e poi riguardo l’eleganza, quando si hanno 2 variabili all’interno di una stessa domanda si parla di double barrelled questions e non devono essere utilizzate. Altri errori da non commettere sono fare biasing questions ovvero domande con una scala di risposta sbilanciata: Agree - Neutral - Disagree- Strongly disagree “. Infine, l’investigatore non deve commettere l’errore di assumere che il soggetto sappia tutto, quindi l’investigatore deve evitare di generalizzare, ad esempio nella domanda “Do you like to buy imported brands?” l’investigatore sta assumendo che il rispondente conosca gli imported brand, ma non è sempre così, è meglio specificare individualmente i nomi dei brand. Quindi è necessario utilizzare un linguaggio semplice, informare il rispondente in cui si utilizza un termine tecnico dandone una definizione, utilizzare domande brevi ed essere specifici. 7) Definire l’ordine delle domande, si comincia solitamente con un introduzione in cui si definiscono i compiti che i soggetti dovranno svolgere, poi c’è una sezione tecnica e alla fine del questionario una sezione dedicata a informazioni personali e domande biografiche del soggetto. Se inoltre facciamo delle domande riguardo un brand x non possiamo introdurre un brand y, ma finiamo prima le domande sul brand x (ad esempio Nike) e poi passiamo ad y (ad esempio Adidas), altrimenti il rischio è che il rispondente si senta confuso e fornisca domande poco attendibili. Per quanto riguarda questo step è bene utilizzare il funnel approach quindi prima di tutto si identifica il problema generale e vengono poste domande generali, piano piano si restringe l’imbuto e si arriva a domande di natura tecnica. Ovviamente l’ordine delle domande come abbiamo detto deve essere logico. 8) identificare la forma e il layout del questionario, ad esempio si deve scegliere la qualità di stampa, il font da utilizzare, i colori utilizzati. Le risposte del consumatore, infatti, saranno influenzate dalla forma e layout del questionario Alcuni accorgimenti utili sono: dividere il questionario in parti multiple (blocchi) numerare ogni domanda pretestare le domande evitare la tentazione di riempire gli spazi vuoti (lasciare quindi un po’ di spazio sul questionario) raggruppare le domande che fanno parte dello stesso blocco  il questionario deve avere un aspetto professionale le indicazioni devono essere posizionate il più possibile vicino alle domande 9) produrre il questionario 10) eliminare eventuali problemi mediante test piloti, spesso infatti bisogna pretestare lo studio, ad esempio l’investigatore ha messo dei termini tecnici che il soggetto potrebbe non comprendere, attraverso dei test piloti il ricercatore, dunque, migliora il suo questionario e apporta correzioni. O ancora i test piloti servono al ricercatore per capire quanto tempo impiegherà il soggetto a rispondere e quindi nel vero questionario potrà informare correttamente il rispondente della durata della survey. Se infatti diciamo al rispondente che impiegherà 5 minuti, ma i minuti che il soggetto impiega per finire il questionario sono 15, quest’ultimo potrà sentirsi preso in giro e andarsene. Per testare lo studio ovviamente si deve utilizzare un campione omogeneo a quello utilizzato per lo studio effettivo. N.B. la parte del pre-test è fondamentale soprattutto negli esperimenti, i pre- testing sono fondamentali in quanto nel caso in cui si commettano errori dopo aver lanciato lo studio si perderà tutto il lavoro fatto in precedenza, se invece quel piccolo errore viene individuato tramite un pre-test prima di lanciare lo studio, si può essere sicuri che lo studio avrà un buon esito Il pre-test è fondamentale nelle manipolazioni, infatti, dobbiamo stare attenti che cambi solo la variabile indipendente e l’investigatore deve assicurarsi che la manipolazione che lui ritiene chiara venga percepita anche dai rispondenti. VEDIAMO ESEMPI PRATICI DI UTILIZZO DEL PRETEST: In questo caso la variabile manipolata era la brand prominence, quindi chi vede il primo portafoglio pensa che la prominence sia elevata, nella seconda  sia bassa. Per sicurezza prima di lanciare lo studio su larga scala si è deciso di fare un pre-test. È emerso che questa manipolazione andava bene; tuttavia, può succedere che attraverso altri pre-test si possano comprendere e correggere alcuni errori. A PROPOSITO DI QUESTO CONSIDERIAMO UN ALTRO ESEMPIO: In questo caso la manipolazione riguardava il testo pubblicitario astratto/concreto, quello che infatti è astratto per un individuo può non esserlo per un altro. L’obiettivo era quello di capire se chi vedeva il testo astratto lo percepiva come astratto mentre chi vedeva il testo concreto lo percepiva come concreto. Per avere una buona manipolazione il testo è stato cambiato molte volte, il pre-test da questo punti di vista è stato utile. INFINE, UN ULTIMO ESEMPIO riguardava la manipolazione della variabile successo degli uomini. In questo caso per manipolare il successo si è deciso di selezionare 2 foto identiche di un uomo di successo, ma in una fotografia è stata aggiunta la scritta “l’imprenditore, direttore generale”, nell’altra no. Questa manipolazione tramite pre-test è risultata significativa e ha aiutato nello studio. Se l’investigatore è in grado di sapere la manipolazione funziona su un numero di soggetti ridotti allora funzionerà anche su larga scala o meglio sarà più affidabile. COME CERCARE GLI ITEMS PER IL QUESTIONARIO Per una scala di misurazione sono necessari almeno 3 items, il primo errore da non fare è utilizzare nel survey scale di misurazione differenti, ad esempio, non si può utilizzare in uno stesso sondaggio una scala Likert a 5 punti e una a 7 punti. Un altro errore da non commettere è non fare mix di item di scale differenti, le scale dunque vanno utilizzate nella loro interezza. Riediamo l’esempio di una scala di misurazione prevalidata per la qualità percepita:  1. X is of high quality 2. The likely quality of x is extremely high 3. The likelihood that X would be functional is very high 4. The likelihood that X is reliable is very high 5. X must be of very good quality 6. X appears to be of very poor quality (r) Per cercare le scale prevalidata si va su Google Scholar, si cerca il costrutto che deve essere misurato ad esempio brand awarness, si scarica il pdf del paper e nel paper troviamo la scala di misurazione. Non sempre si trova la scala al primo approccio, quindi si raffina la ricerca fin quando non trovo la scala che mi serve. Esistono inoltre anche dei libri che raccolgono tutte queste scale di misurazione: Question format 1. Have you ever bought vitamins? 1) Yes 2) No 2. Where did you buy these vitamins? 1) Drugstore 2) Supermarket 3) Chemist’s shop 4) Elsewhere, namely …………….. 3. Give your preference for the following supermarkets on a scale from 1 (low) to 7 (high). Please, circle your answer Tuodi: 1 2 3 4 5 6 7 Tigre: 1 2 3 4 5 6 7 4. Can you tell which vitamin-brands you know? -------------------- -------------------- -------------------- -------------------- -------------------- --------------------  1) Se guardiamo questa tabella possiamo dire che la prima domanda caratterizzata da una risposta dicotomica, i risultati che otteniamo sono di natura nominale 2) Nella seconda domanda (a risposta aperta) anche risultati di natura nominale 3) Scala Likert (fornisce variabili di natura continue) 4) Domande aperte (si riferisce a risposte soggettive, più adeguate per ricerche qualitative) Se volessimo fare un esempio di questionario, dovremmo partire con un’introduzione e spiegazione dello studio (briefing), senza influenzare il consumatore, poi si danno istruzioni e si fanno domande generiche e poi si va nello specifico che sono domande più difficili, il soggetto rispondente dopo essere messo a suo agio si fiderà maggiormente di noi e sarà invogliato a rispondere a domande che richiedono più impegno. Le domande demografiche vanno alla fine e bisogna sempre ringraziare il partecipante (debriefing). SCALE E MISURAZIONI NELLE SURVEY La misurazione fa riferimento al processo di assegnazione di numeri o di particolari etichette a degli attributi riferiti a brand o a soggetti (nel caso in cui ad esempio si volessero misurare la personalità dei consumatori) o ad eventi, coerentemente con regole specifiche. N.B. parliamo della scale di misurazioni perché dobbiamo usarle per creare il nostro questionario, quando infatti abbiamo fatto il questionario per il nostro progetto di ricerca, abbiamo individuato il costrutto (multisensory) e abbiamo individuato una scala di misurazione che misurasse questa variabile percettiva. COME COMINCIA IL PROCESSO DI MISURAZIONE (ASSEGNAZIONE DI NUMERI)? Innanzitutto, bisogna partire dal problema di riferimento, si parte cioè da un concetto (espresso in gergo comune) per poi arrivare a un costrutto (astrazione teorica che spesso non può essere osservata ma sarà il punto di partenza da cui misurare la grandezza non oggettivamente osservabile), cerchiamo di capire meglio. Supponiamo che il nostro interesse è quello di conoscere se il consumatore è soddisfatto o meno rispetto all’offerta aziendale, quindi capire se i nostri consumatori saranno propensi ad acquistare Il prodotto o servizio. Quello appena affermato è Il concetto espresso in una terminologia normale. A partire da questo concetto si passa a identificare un costrutto che permette al ricercatore di misurare la soddisfazione del consumatore. Come sappiamo infatti non è possibile misurare oggettivamente la soddisfazione di un consumatore, rispetto a quanto invece possiamo fare per le vendite di un prodotto (in questo caso è possibile determinare una misura oggettiva definendo un arco temporale). La variabile soddisfazione è una variabile percettiva e quindi la visione di soddisfazione del consumatore è soggettiva. Altre variabili percettiva di cui non si può avere una misura oggettiva è la brand loyalty, le emozioni che i consumatori provano verso un prodotto ecc. Bisogna trovare un modo per trovare una misura di un dato soggettivo, ad esempio bisogna trovare un modo per misurare la customer satisfaction o la brand loyalty. N.B. Il costrutto è proprio il metodo astratto attraverso il quale è possibile misurare oggettivamente le variabili percettive. COME SI COSTRUISCE UN COSTRUTTO Per sviluppare il costrutto e quindi sviluppare una misurazione della variabile percettiva si utilizza una scala di misurazione. Chiaramente questa scala di misurazione può essere sviluppata autonomamente e per farlo è necessario attuare test statistici e dimostrare che tale scala sia valida oppure è possibile utilizzare scale di misurazioni già esistenti, in particolare queste si trovano in paper accademici che hanno già provato e testato alcune scale di misurazione. Per creare una scala di misurazione per una variabile come la brand equity innanzitutto si creano degli item che approssimino questa variabile e si dimostra che attraverso la factor analysis che effettivamente questi items misurano la stessa variabile. Si crea una scala di misurazione perché non vi è la certezza assoluta che un singolo items misuri esattamente una variabile percettiva, questo perché in quanto percettiva è una variabile soggettiva e per un soggetto quell’items potrebbe spiegare bene il concetto di soddisfazione mentre per un altro no. Quando si costruisce un costrutto sono necessari almeno 3 items e dimostrare che queste tre variabili misurano la variabile presa in considerazione. (Per cercare le scale di misurazione si utilizza Google Scholar da ricercare nei paper). VEDIAMO UN ESEMPIO PRATICO DI PROCESSO DI MISURAZIONE DI UNA VARIABILE PERCETTIVA: il concetto di riferimento è l’acquisto ripetuto di Nike e il costrutto la brand loyalty. Ciò a cui effettivamente siamo interessati è avere una variabile, essa altro non è che l’operazionalizzazione del concetto, quindi l’acquisto ripetuto del brand Nike deve essere trasformato in una variabile. Una variabile per essere definita tale deve variare e deve possedere almeno 2 valori. In riferimento all’esempio del packaging che abbiamo fatto quando abbiamo parlato delle variabili dipendente e indipendente (fase 3); se ci fossimo trovati in una condizione in cui esisteva solo il packaging rotondo, tale condizione non poteva essere definita variabile, ma una costante. Spesso parliamo soprattutto di variabile dipendente o indipendente quando supponiamo una relazione causa effetto oppure possiamo anche fare riferimento a variabili di controllo ovvero variabili da tenere in considerazione per isolare la relazione causa-effetto. Dopo che è stata individuata la variabile è necessario trovare una scala di misurazione che la misuri e che riesca a fornirci una percezione numerica di quella variabile; tale scala è detta multi-item: MULTI ITEMS SCALE (rientra tra le tecniche di misurazione non comparative) Quando siamo di fronte ad un costrutto difficilmente osservabile o molto astratto è necessario misurare il costrutto affidandosi a più items che devono combinarsi fra di loro in maniera da assicurarci che si stia misurando il costrutto a cui si è interessati. Ovviamente questi items devono essere validi e per dimostrare la loro validità si utilizzano tecniche statistiche che vedremo successivamente (analisi di affidabilità). Se invece ci affidiamo a scale già costruite che si trovano in paper, possiamo essere sicuri della loro validità; vediamo un esempio di scala che misura il costrutto della qualità percepita. All’interno della qualità percepita vi rientrano più argomenti. La scala in particolare utilizza 6 items: L’ultima domanda serve per capire se effettivamente il consumatore sta rispondendo con logica, si tratta di una domanda inversa rispetto alla precedente, chiaramente se alla 5 domanda si risponde 5 alla 6 cioè la domanda inversa si dovrà rispondere 1. In questo caso quindi si deve dare istruzioni al software, in questo senso il software effettuerà un processo di riversamento nel senso che se alla domanda prima il soggetto ha risposto 5 per rendere omogenea la scala di misurazione se alla domanda 6 il soggetto ha risposto 1 questo punteggio sarà riversato in 5 (cioè corrisponderà al punteggio 5 negli item precedenti), 2 riversato in 4 e così via. Quindi si converte l’item di natura riversata sulla stessa unità di misura degli item precedenti. Dopo aver ottenuto tutti questi punteggi si calcola il punteggio medio e si ottiene la qualità media percepita rispetto al brand Nike e si può anche generalizzare questa media non solo al singolo soggetto ma a tutto il campione, effettuando la media di tutti i partecipanti. Il processo di sviluppo di questa scala segue le seguenti fasi: TIPOLOGIE DI SCALA Non- metric Metric scale F SCALA DI NATURA NON METRICA, in questo ambito distinguiamo tra: 1. Scale di natura nominale, in questo caso utilizziamo numeri per distinguere i diversi corridori ad esempio corridore n. 7, 10 o 11 ma ciò non significa che il corridore numero 11 è inferiore al corridore numero 7. In questo caso, dunque, l’assegnazione del numero ha valore di mero riconoscimento. Con questa tipologia di variabile non è possibile effettuare delle operazioni matematiche come medie, tuttavia è possibile un’identificazione dei soggetti, ad esempio distinguere tra soggetti di genere maschile o femminile. Esempi di questa variabile possono essere distinzione tra maschio e femmina, acquirente non acquirente, area geografica ecc. I numeri vengono assegnati alle categorie per etichettarli; ciò significa che per quanto riguarda la scala nominale l’unica proprietà (che vedremo successivamente) che rispetta è quella dell’identità. Le analisi che si possono effettuare attraverso queste variabili sono quindi identificare il genere uomo o donna e derivarne la percentuale. 2. Scale di natura ordinale, in questo caso si dà un ordine alle varie modalità di una variabile, quindi si ordinano i corridori dal primo all’ultimo in base  al taglio del traguardo. Anche in questo caso non è possibile calcolare una media di queste variabili ma possiamo semplicemente conoscere le categorie; quindi, in questo senso le operazioni che si possono effettuare con queste scale sono simili a quelle che si possono effettuare con le scale nominali. Un esempio di variabile nominale potrebbe essere questo: in questo caso è rispettata la proprietà dell’identità in quanto ogni numero ha un significato, ed è rispettata anche la proprietà dell’ordine per cui il numero 2 avrà una valutazione più alta in termini di gusto del punteggio 1. Anche nelle scale di natura ordinale si può fare la distribuzione di frequenza e la mediana e dal punto di vista inferenziale è possibile applicare rank order correlation e Friedman ANOVA. La terza proprietà non è rispettata infatti cambiando i numeri cambiano i significati e quindi anche le preferenze, se cambi infatti l’ordine dei numeri nelle valutazioni delle bevande cambia tutto. F SCALA DI NATURA METRICA, in queste scale è possibile effettuare delle operazioni matematiche a differenza delle scale non metriche, bisogna distinguere tra: 1. Scala a intervallo, in questo caso la misurazione (supponiamo la performance dei corridori) avviene su un intervallo (ad esempio da 0 a 10 secondi). In questo caso poiché è stato definito un intervallo fisso non è possibile avere dei soggetti che hanno impiegato un tempo maggiore di 10 secondi, questo perché l’intervallo è fisso ed è stato determinato. Inoltre, è possibile calcolare ad esempio la performance media dei 3 corridori quindi in queste scale si possono effettuare operazioni matematiche come la media. in questa tipologia di scala sono rispettate 3 proprietà cioè la proprietà di identità, di magnitudine (ordine) e di equidistanza. Supponiamo l’esempio dello yogurt su una scala del gusto da 1 a 5 supponendo che la scala sia valida. In questo caso la distanza che esiste tra 1 e 2 è uguale alla distanza che esiste tra 4 e 5. Non è rispettata la 4 proprietà in quanto non può esistere mancanza di variabile poiché il minimo da attribuire al gusto è pari a 1. Vediamo un esempio pratico:  Sono rispettate le 3 proprietà tranne l’ultima, quella dell’origine, lo zero assoluto non esiste, anzi 0 gradi equivalgono a 32 gradi celsius e non assenza di temperatura. 2. Scala ratio, in questo caso non esiste nessun intervallo di riferimento e teoricamente è possibile avere nelle misurazioni anche infinito, se qualcuno non finisce la gara o se uno arriva al traguardo dopo 3 ore ecc. Non ci sono limiti di riferimento. In questa scala sono rispettate tutte e 4 le proprietà: identità, magnitudine, equal distance e lo zero assoluto, classiche variabili di queste scale ratio fanno riferimento all’età, al peso, costi, alle vendite ecc. Nel caso dell’età, ad esempio, lo zero assoluto significa che il soggetto manca della variabile età. COME SI DISTINGUONO FRA DI LORO LE SCALE DI MISURAZIONE? Esse si distinguono sulla base di 4 proprietà: 1) Proprietà dell’identità, secondo questa proprietà ciascun numero ha un particolare significato quindi ogni numero associato ad una particolare modalità della variabile ha un certo significato 2) Proprietà dell’ordine o della magnitudine fa riferimento numeri organizzati secondo un determinato ordine 3) Proprietà della distanza, fa riferimento a intervalli uguali cioè la differenza esistente tra i numeri è costante in qualunque parte della scala. Ad esempio, tra 1 e 2 è uguale alla differenza tra 6 e 7. 4) Proprietà dell’origine, secondo questa proprietà lo zero rappresenta assenza della proprietà che si sta misurando ad esempio se prendiamo in riferimento il caso del taste dello yogurt non è possibile rispondere 0, questo perché il limite  inferiore è 1; 1 tuttavia non implica che il consumatore percepisce assenza di gusto, semplicemente è la valutazione più bassa in termini di gusto. Se invece consideriamo il reddito, lo 0 significa che si manca del reddito e quindi della variabile reddito. VEDIAMO DEGLI ESEMPI DI SCALE PER CAPIRE MEGLIO: 1= SCALA A INTERVALLO (perché la misurazione avviene su un intervallo da 1 a 5, per arrivare a capire che si tratta di una scala ad intervallo bisogna andare a vedere le proprietà che essa rispetta, la prima e la seconda sono rispettate inoltra anche la terza e cioè l’equidistanza). 2= SCALA ORDINALE 3= SCALA RATIO (CI PUO’ ESSERE O UN REDDITO INFINITO MA ANCHE LO 0) 4= SCALA ORDINALE (se infatti poniamo ad ogni categoria di minuti di studio un numero, chi avrà ad esempio 3, 31 a 60 minuti, studierà di più della categoria 15 30 minuti a cui è assegnato il numero 2). Non può essere la scala a intervallo perché non viene rispettata la proprietà di equal distance. 5= SCALA NOMINALE TECNICHE DI MISRUAZIONE DELLE VARIABILI Le tecniche permettono di procedere alla misurazioni delle variabili, vediamo uno schema grafico per avere un’idea generale di tutte le ricerche disponibili: F SCALE COMPARATIVE, questa scala implica una comparazione, quindi vengono comparati 21 o più oggetti simultaneamente. All’interno dell’ambito delle scale comparative esistono: 1. Paired comparison scale, il rispondente in questo caso è esposto a 2 oggetti/caratteristiche (ad esempio brand Nike e Adidas) nello stesso momento e successivamente gli viene chiesto di scegliere un oggetto sulla base di un criterio ad esempio più preferito. I dati che possiamo ottenere da questo tipo di scale sono di natura ordinale, quindi ad esempio potrò ordinare le caratteristiche/brand sulla base del criterio di preferenza dei soggetti. Questo tipo di scala è facile da utilizzare, ma il numero di scelte da porre all’intervistato deve essere limitato, se infatti il numero è troppo elevato il rispondente potrà perdere l’attenzione e rispondere in modo da invalidare la misurazione. Vediamo un esempio di paired compared scales:  “For each pair of the two-seat sports car listed, place a check beside the one you would most prefer if you had to choose between the two.” __ BMW Z3 __ Chevrolet Corvette __ Porsche Boxter __ Porsche Boxter __ Chevrolet Corvette __ Porsche Boxter __ BMW Z3 __ Mustang __ Chevrolet Corvette __ Mustang __ Mustang __ BMW Z3 2. Rank order scaling, i rispondenti vengono esposti simultaneamente a più oggetti (nel paired comparison scale solo 2 oggetti), almeno 3 oggetti, e ordinati sulla base di un particolare criterio. Anche in questo caso avremo dei dati di natura ordinale, spesso quindi questa scala di misurazione viene utilizzata per misurare le preferenze tra brand o per particolari attributi dei brand, (ad esempio qualità batteria e prezzo di Apple). Vediamo un esempio: “Rank the radar detection features in order of your preference. Place the number 1 next to the most preferred, 2 by the second choice, and so forth.” __ User programming 3. Scala a somma costante, agli intervistati viene chiesto di allocare una somma costante di unità tra un insieme di oggetti di stimolo rispetto a qualche criterio, le unità assegnate rappresentano l'importanza attribuita agli oggetti. Quindi a differenza di chiedere una preferenza tra i brand o le caratteristiche del brand (come si faceva nella scala precedente), si fornisce all’intervistato una somma ad esempio 100 e sulla base di questa somma il soggetto dovrà allocarla tra vari brand, di solito questa tipologia di scala viene utilizzata per valutare le caratteristiche di un brand.  I dati che si otterranno saranno di natura intervallo e tale scala consentirà una sottile discriminazione tra le alternative. Vediamo un esempio: “Taking all the supplier characteristics we’ve just discussed and now considering cost, what is their relative importance to you (dividing 100 units between):” Being one of the lowest cost suppliers All other aspects of supplier performance Sum 100 La somma dei punteggi dati ad ogni caratteristica in questo caso deve essere 100. La logica è molto simile al rank order, ma il tipo di dati che otteniamo non è più di natura ordinale ma ad intervallo in quanto si fa riferimento non più a una posizione ma a un numero vero e proprio (ad esempio 60 alla prima categoria e 40 alla seconda). Quindi sulla base dei risultati si può calcolare una media. Si chiede all’intervistato di ordinare un punteggio non più il più preferito o il meno preferito. Ricorda otteniamo dati “a intervallo” ma la scala non è di natura a intervallo, ma di natura metrica. F SCALE NON COMPARATIVE, queste scale non implicano una comparazione, cioè i vari oggetti o caratteristiche poste a misurazione devono essere presentati in maniera singola cioè in maniera indipendente da altri elementi. Tra le scale non comparative distinguiamo tra: 1. Continuous rating scales, in questo caso non si ha un intervallo fisso, ma si cerca di approssimare il più possibile un valore di natura continua come se si volesse arrivare ad un valore ratio (da 0 a infinito). La scala continua si utilizzerà ovviamente a seconda dell’obiettivo di ricerca. Nel momento in cui il soggetto si trova davanti domande di cui è difficile dare una valutazione/risposta precisa, è possibile fornire al soggetto una scala continua che va da 0 a 100 punti come nell’esempio  Non si da quindi nessun ancoraggio dal punto di vista numerico ma degli ancoraggi in termini di etichette. Il partecipante, quindi, cerca di inserire la sua risposta nella posizione della scala che maggiormente approssima l’idea non precisa che ha in mente. Quando si utilizzano queste tipologie di scala si deve utilizzare un software (Qualtrics) che è già settato per riconoscere il preciso punto ella scala che il consumatore ha scelto, infatti ad occhio è difficile capire bene qual è la valutazione del consumatore. È possibile utilizzare questa tipologia di scala nel momento in cui i partecipante non ha una chiara idea rispetto ai due ancoraggi e l’obiettivo, quindi, è quello di aumentare la variabilità della risposta e farlo posizionare da una parte o da un'altra. In questo caso, dunque, si otterrà un numero continuo ratio (ad esempio 19). Ad esempio, si può forzare il consumatore in una scala di Likert da 1 a 7, che si posiziona sul 4 (cioè posizione neutra). 2. Itemized rating scaled, sono quelle scale che si trovano maggiormente nei questionari quando ad esempio si effettuano degli esperimenti Nell’ambito di queste scale distinguiamo a sua volta tra: Scale Likert, è la scala più popolare ed è utilizzata maggiormente per misurare gli atteggiamenti dei consumatori. È strutturata tramite un affermazione e si chiede al consumatore in che misura egli è d’accordo o in disaccordo rispetto a quella particolare affermazione.  Le scale di Likert possono utilizzare 5, 7 o 9 punti nella misurazione. La scelta dei punti da utilizzare nella scala dipende dalla variabilità che il ricercatore vuole dare al rispondente, chiaramente la massima variabilità per il rispondente si avrà con 9 punti, la minima con 5. Quando ad esempio si scelgono di utilizzare nella scala di Likert 5 punti, nelle successive domande si deve utilizzare sempre lo stesso metodo e quindi una scala con 5 punti; bisogna essere coerenti. Differenziale semantico, solitamente per questa scala si utilizzano 7 punti, la differenza con la scala di Likert è che le scale a differenziale semantico vengono poste mettendo gli estremi/contrari di 2 aggettivi ad esempio buono-cattivo, lussuoso-non lussuoso, divertente-non divertente ecc. ad esempio in che misura ritieni che Prada sia buono cattivo? È possibile che queste tipologie di scale prevedano l’utilizzo di punteggi negativi ad esempio -1 -2 -3 0 1 2 3. Tuttavia, solitamente si utilizza una tipologia di punteggio da 1 a 7 anche per mettere a suo agio il rispondente. Vediamo un esempio pratico:  L’ancoraggio in questo caso è dato dai due aggettivi polarizzati, più ad esempio ci si avvicina a “weak” più il consumatore ritiene che la banca abbia un’immagine debole. La posizione dell’aggettivo di natura positiva o negativa è indifferente, è scelto in maniera casuale. Stapel, questa scala è poco utilizzata, ha una logica simile a quella del differenziale semantico. Viene utilizzata quando non si riesce a trovare un aggettivo opposto o contrario rispetto a quello a cui siamo interessati. Quindi ci si concentra solo su un aggettivo e si chiede all’intervistato di valutare la caratteristica, attributo o oggetto rispetto a quel particolare aggettivo, ad esempio, se consideriamo il brand Nike e l’aggettivo cheap, si chiederà al rispondente in che misura il brand Nike sarà cheap. È difficile, infatti, trovare un contrario di cheap che faccia comprendere bene il significato e quindi si usa la scala Stapel. La scala Stapel prevede l’utilizzo di numeri negativi, ad esempio possiamo avere:  Graphic rating scales, in cui si rende visibile l’ancoraggio attraverso delle emoticon. Spesso queste tipologie di scale vengono utilizzate nelle toilette pubbliche o negli autogrill e l’obiettivo è quello di ottenere una valutazione immediata di ciò che ci interessa, ad esempio le condizioni di pulizia della toilette. Inoltre, è possibile utilizzare questa tecnica anche nei questionari, nel momento in cui il rispondente si trova in un centro commerciale, ad esempio, e ha fretta, quindi invece di effettuare delle domande si mettono direttamente le faccine. In questo caso la scala è su 3 punti. Sempre con riferimento alle non comparative itemized, è necessario soffermarsi sulle decisioni che devono essere prese per costruire tali scale, Solitamente si sceglie un punteggio tra 5, 7 e 9 punti, sono preferibili inoltre le scale di natura dispari in cui c’è un valore medio e si da al partecipante la possibilità di esprimere una preferenza neutrale. Se invece si vuole forzare il soggetto ad esporsi verso un polo si utilizzano scale di natura pari. Un’altra cosa fondamentale è che quando viene posta la domanda l’intervistatore non deve esprimere opinioni in modo da forzare il soggetto a rispondere, ad esempio se chiediamo al soggetto: “Matrix è il film più bello dell’ultimo decennio, cosa ne pensi? È sbagliato, l’intervistatore deve essere neutro (come abbiamo detto in questo caso si ha una leading question). Inoltre, se consideriamo questo esempio: Notiamo che nella figura a destra non c’è bilanciamento, ini particolare c’è sbilanciamento verso una risposta positiva, cioè con la scala a destra si spinge il rispondente a dare una valutazione positiva alla domanda. La figura a sinistra invece è una scala bilanciata; dunque, la scala deve essere bilanciata. VALIDITA’ E AFFIDABILITA’ DELLE SCALE DI MISURAZIONE Come abbiamo detto bisogna dimostrare la validità del costrutto e quindi la validità delle scale di misurazione. Dimostrare ad esempio che un costrutto x sta misurando la qualità e non la soddisfazione, per fare ciò si utilizza la FACTOR ANALYSIS. Oltre alla validità deve essere dimostrato anche che la scala di misurazione è affidabile nel senso che il costrutto deve essere consistente nel tempo, se ad esempio penso che Nike abbia una qualità elevata, nel momento in cui ripeto questa misura, i risultati dovrebbero essere simili se il soggetto continua a pensare che Nike ha una qualità elevata. L’affidabilità viene misurata dal software tramite il CRONBACH ALPHA. Ovviamente validità e affidabilità sono da misurare nel momento in cui siamo noi che costruiamo la scala di misurazione, se la prendiamo da internet o da libri che raccolgono scale di misurazioni non serve perché in questo caso si tratterebbe di scale pre-validate e dimostrate da studi precedenti (tuttavia è comunque necessario verificare se quella scala è affidabile e valida per il campione). Con il termine validità, dunque, ci riferiamo al fatto che la variabile oggetto di studio stia misurando effettivamente quella variabile e non altre, ad esempio se misuro brand loyalty la scala utilizzata per misurarla deve essere nettamente distinta da un’altra scala di misurazione che misura altre variabili come la brand awarness ad esempio. Se trovo coincidenza tra queste o altre scale significa che c’è un problema e non sto effettivamente misurando la variabile di cui ho bisogno. Per isolare la variabile si utilizza ricordiamo la FACTOR ANALYSIS che verifica LA VALIDITA’ DI UNA SCALA. Con il termine affidabilità invece facciamo riferimento al grado in cui ripetendo le misurazioni con la scala individuata, si ottengono valori o misurazioni stabili nel tempo. In questo caso per misurare l’affidabilità della scala ci affidiamo al Cronbach Alpha che è un indice statistico che a seconda del valore dirà se la scala è affidabile o meno. N.B. Costruire una scala di misurazione in modo autonomo come abbiamo detto è complicato, spesso per costrutti comuni esistono scale già pre-validate. RELAZIONE TRA AFFIDABILITÀ E VALIDITÀ Vediamo questo schema per capire la relazione che intercorre tra affidabilità e validità, supponiamo che la validità è rappresentata dal centro dell’obiettivo, i puntini rappresentano le misurazioni ripetute e l’affidabilità è rappresentata da misurazioni (puntini) vicini fra loro: 1) Vediamo che nel primo caso la scala di misurazione sarà affidabile ma non valida, le misurazioni quindi convergono verso un punto ma che non è di interesse dello studio, ciò significa che la scala sta misurando un altro costrutto e non quello cercato. 2) Nel secondo caso la scala sarà valida ma non affidabile, cioè il concetto è stato definito ma gli items che si stanno utilizzando non sono stati in quanto non ci danno misurazioni stabili  3) Nella terza figura la scala di misurazione sarà affidabile e valida, tutte le singole misurazioni, quindi, ruotano intorno allo stesso punto che si trova al centro del bersaglio e quindi nel punto che spiega il concetto di interesse A questo punto vediamo dal punto di vista pratico quale analisi effettuare per verificare la validità e affidabilità di una scala di misurazione. FACTOR ANALYSIS Quando si fa riferimento a una variabile con costrutto percettivo è necessario avere delle scale multi item ovvero scale con almeno 3 item per ciascuna variabile percettiva e solitamente utilizzare una scala pre-validata. Per assicurarci che la scala sia valida e affidabile anche per il campione preso in riferimento, quindi verificare che le nostre misurazioni attraverso la scala di misurazione siano stabili nel tempo e si stabilizzino sempre nello stesso range, è necessario utilizzare la factor analysis, essa è una tecnica statistica, in cui data una serie di variabili si cerca di verificare se è possibile raggruppare questo numero di variabili in uno o più fattori. Oltre a verificare la validità di una scala, la factor analysis può essere utilizzata anche per scopi manageriali per raggruppare gli aggettivi che si riferiscono ad un singolo fenomeno, pensiamo ad esempio di trovarci in casi in cui si utilizzano degli items per descrivere un determinato brand, facciamo un esempio: sono un manager e voglio conoscere le percezioni che i consumatori hanno su un determinato brand (i-Phone) e si cominciano a intervistare dei soggetti sulla base di diversi aggettivi (design, convenienza, status, ecc.), alla fine della raccolta dei dati si otterranno una serie di punteggi per questi aggettivi relativi all’i-phone. A questo punto è bene dare una sintesi a questi risultati, a maggior ragione la factor analysis assume rilevanza se alla stessa analisi si aggiungessero anche altri brand come Samsung o Lg. Per effettuare la sintesi di tutte queste informazioni i manager, dunque, utilizzano la factor analysis, essa permette infatti di raggruppare gli aggettivi in uno o più fattori, il numero di fattori sarà poi detto dal software, attraverso gli eigenvalue, sulla base delle analisi che si fanno. In questo modo dunque si ottengono informazioni più immediate. Per quanto riguarda invece l’utilizzo della factor analysis per verificare se una scala è valida, si deve poter dimostrare che ciascuno degli item