brand mapping prof della beffa, Esercizi di Analisi Dei Dati

Scarica brand mapping prof della beffa e più Esercizi in PDF di Analisi Dei Dati solo su Docsity! BRAND MAPPING NUOVO ORGOMENTO . A che domande vogliamo rispondere : 1) Qual è il mio posizionamento rispetto ai concorrenti ( posizionamento geometrico) . Dal punto di vista dell’impresa , e’ possibile distinguere due fasi relative alla decisione di posizionamento : - I FASE ANALITICA : In cui l’impresa rileva Il posizionamento attuale del proprio prodotto linea di prodotti o marca all'interno del mercato di riferimento - II DECISIONALE: in cui l'impresa decide di consolidare il proprio posizionamento se questo è coerente con gli obiettivi di mercato stabiliti oppure modificarlo in questo caso si parla di ri posizionamento nel caso esso non sia coerente con gli obbiettivi stabiliti LE DIMENSIONI SULLE QUALI VIENE COSTRUITO UN POSIZIONAMENTO SONO : A) Gli attributi del prodotto . B) I benefici ricercati dal cliente. C) Le occasioni e le modalità di utilizzo . D) Il posizionamento dei concorrenti. 2) Qual e la percezione che i consumatori /utenti hanno del mio brand /del mio prodotto relativamente ai concorrenti , questo perché ogni volta che un concorrente agisce nel mercato agisce anche sul sistema di percezioni che i clienti hanno in quel determinato mercato, ridefinendo la posizione di tutti i prodotti che vi competono . 3) Quali sono i miei punti di forza e debolezza. Il mapping e una rappresentazione grafica in uno spazio a due dimensioni , che mette in evidenza possibili similearità fra brand in modo intuitivo e semplificato , tutta via se io riesco a identificare due dimensioni che devono essere chiare utili e interpretabili , riuscirò di conseguenza ad avere una buona rappresentazione grafica. ESEMPIO : QUESTI SONO 4 ESEMPI DIVERSI , DI BRAND IN AMBITI DIFFERENTI. Nel 1 quadrante c’è una collocazione dei social network che va da less - intimate ( pubblico ) a more intimate ( privato ) sull’asse orizzontale , e poi da hedonic (edonistico immagini ) utilitaristico ( testi ) sull’asse verticale. Quindi colloca linkedin in un area piu’ pubblica e utilitaristica , mentre facebook , in un area piu’ privata e edonistica. Nel secondo quadrante l’esempio di brand mapping del cioccolato , dove possiamo notare da low price ( prezzo basso ) a high price , prezzo alto , asse orizzontale, poi hight quality a low quality asse verticale hight quality . low quality, prendiamo ad esempio Lindl ha una qualità alta ma anche un prezzo alto . Mentre invece, kit kat avrà un prezzo masso ma una qualità bassa. Per questi che sono modelli di occhiali della ray ban gli assi sono modello moderno o classico , verticale , orizzontale poco costoso , costoso . ( 3 quadrante) . TUTTI ESEMPI MOLTO DIVERSI !! DIMENSIONE MAPPA : Come si fa ad identificare le dimensioni della mappa, perché la chiave e identificare gli assi in prima istanza. Parto da due variabili note relative agli oggetti( possibilmente poco correlate) . Se vediamo la mappa del cioccolato essa e la peggiore , perché i due assi presentano variabili correlate , perché prezzo e qualità sono correlate , questo perché di fatto questi brand si dispongono tutti sulla diagonale principale perché al crescere della qualità cresce anche il prezzo, sto rappresentando un fenomeno unidimensionale. SE NOI CI IMMAGINIAMO DI FARE UNA REGRESSIONE PER VEDERE I PARAMETRI CHE SPIEGANO PREZZO E QUALITA’, IL PREZZO INFLUENZA LA QUALITA’ . Mentre le mappe migliori sono quelle di sotto perché incrociano due variabili indipendenti l’una dall’altra. infatti i modelli di occhiali sono distribuiti non solo sulla diagonale principale ma su tutte le parti della mappa. In particolare L’incrocio fra le due dimensioni importanza e soddisfazione e di grandissimo interesse perché e quello che serve a costruire le mappe che poi hanno il nome di quadrant analysis ,perché l’incrocio di importanza verso soddisfazione attribuisce ai quadranti elementi interessanti , con elementi anche abbastanza “POVERI” si riescono a fare rappresentazioni molto molto interessanti , la prima cosa da notare e che i punti che io rappresento non sono solo brand ma attributi del brand. GUARDIAMO L’ESEMPIO DELLA MAPPA DELLA LINEA VERDE DI MILANO : Sono le uniche due con distribuzione perfettamente nazionale mentre granarolo non lo è , con questa qui non mi ritrovo probabilmente se non limitavo solo a 3 marche nord centro sud si spalma per tutte le marche se mi limito a tre non ho una buona ripartizione di nord centro sud . Invece consuma Pettinicchio , si , in passato , mai , questa cosa e leggibilissima , si e in passato sono vicine a pettinicchio , mentre non l’ho mai consumato e dalla parte opposta . Mai e piu’ vicino al sud  non e del tutto chiara questa cosa perchè abbiamo filtrato una parte importamente del mercato quindi questa mappa non è del tutto completa , non mi voglio mettere ad approfondire di più cio’ che stiamo vedendo , quello che mi importava era farvi vedere che quello con cui siamo partiti e il mapping iniziale , e da qui che viene voglia di fare delle mappe con una quantità di punti leggibili . . Allora cominciamo a parlare di scaling multidimensionale: Lo scalling multidimensionale  ( anni 80 del secolo scorso), e’ un tipo di tecnica che parte da una matrice delle distanze fra le unità . Le distanze / prossimità possono essere delle misure :  OGGETTIVE: ad esempio gusto aspetto e valori nutrizionali ecc  SOGGETTIVE : Quanto simili sono la marca a e la marca B ? CALCOLATE :A partire dalla matrice dei dati . Ma come fa lo scalling a posizionare i punti sulla mappa quando a solo le distanze fra i punti ? Quello che deve cercare di fare è rispettare l’ordinamento delle distanze ( se nella realtà due item sono vicini , devono essere vicini anche sulla mappa , rispettando l’ordine di grandezza originale) Il metodo e proprio quello di prendere i punti che si trovano all’interno della matrice e selezionarli 1 alla volta , in modo che le distanze siano rispettate. Se però la matrice delle distanze e stata costruita a partire da uno spazio multidimensionale , potrebbe non essere facile rappresentare i punti e per tale motivo c’è il rischio che bisognerà spostarli ulteriormente in modo da rispettare il criterio dell’ordinamento delle distanze. Mentre in uno spazio bidimensionale non avremo problemi . L'analisi delle corrispondenze una tecnica per l'analisi della relazione tra due o più variabili categoriche si basa sulla tabella a doppia entrata delle variabili; i punti della mappa sono le righe e le colonne della tabella quello che fa l'analisi e appunto assegnare dei punteggi numerici alle righe e le colonne della tabella . Se faccio l'esempio della mozzarella visto in classe posso verificare che sulle righe troviamo le Marche sulle colonne le aree geografiche per ciascun area vogliamo sapere se l'utente ha consumato oppure no la marca all'interno della tabella ci sarà il conteggio delle risposte degli utenti . Esempio : GLI AZZURRI LE RIGHE I ROSSI LE COLONNE : Allora quello che fa l’analisi delle corrispondenze e generare una mappa nella quale gli assi al posto di quello visto dal multidimensional scalling , dove gli assi sono determinati dalla posizione dei punti , quindi questa tecnica come l’analisi fattoriale prima definisce gli assi e poi va a posizionare i punti e a quel punto ha il vantaggio che proietta senza dover fare gli esercizi un po più scomodi che abbiamo dovuto fare noi con l’analisi fattoriale per proiettare le aeree proietta allo stesso modo tutte le variabili coinvolte a questo punto per altro vedete che in questa mappa marche per aeree ci si riconosce alla perfezione , in questa che ha il dettaglio di tutte le marche e per ciascuna marca come si distribuisce area per aerea , qui ci ritroviamo perfettamente rispetto a quello che abbiamo già visto e che molti di voi state vedendo per il report i prodotti locali sono una cosa del sud boiano e francia sono roma del centro , mentre Granarolo fortemente spostata verso in nord. Ci troviamo perché sappiamo che Pettinicchio e Vallevata sono distribuite uniformemente e quindi con differenze locali ,SI Trovano al centro del triangolo mentre gli altri ai vertici o addirittura fuori . Questa cosa qui e particolarmente comoda permette di fare cose estremamente creative ad esempio chiedere alle persone per ogni marca qual è la parola che meglio le descrive per esempio è tradizionale piuttosto che ne so costosa però in modo esclusivo , per ciascuna marca si sceglie l’attributo tra un set di possibili di attributi ne sceglie 1 , è interessante perché questo esempio in che tabella si riassume in una tabella dove le righe sono le marche e le colonne gli attributi , ciascun intervistato le da come vuole. A questo punto quello che si riesce a fare qui e una mappa dove ci sono tutti i punti dove poi si distribuiscono tutti gli attributi , probabilmente in questa area si concentreranno tutti gli attributi di gusto bufala quelle robe li , e invece da qualche altra parte , ottima distribuzione ecce cc , e sono mappe che danno idee che servono per conoscere in un modo diverso gli utenti . RIASSUMIAMO I METODI DI MAPPING CHE ABBIAMO VISTO : ANALISI FATTORIALE  PARTE DAL DATA SET ORGININALE E FA SUBITO LA MATRICE DI CORRELAZIONE , QUINDI LE VARIABILI CHE SONO QUELLE CHE IO PROIETTO , PENSATE ALLA MAPPA DOVE PROIETTO GLI ATTRIBUTI I FATTORI ,SONO GLI OGGETTI DELLA MATRICE DI CORRELAZIONE . MENTRE L’MDS  PARTE DA 1 MATRICE DI DISTANZE , QUINDI NON IL DATA SET ORIGINALE QUINDI non da una matrice di correlazione ma bensì da una matrice di distanze . LABBIAMO GIA’ VISTO CHE SE DISPONGONO del data set iniziale la matrice di distanze la posso calcolore , sicuramente il multidimensional scalling parte da qui distanze oggettive soggettive già l’abbiamo visto. Mentre l’analisi delle corrispondenze , parte da 1 matrice tutta diversa perché è una variabile a doppia entrata si vede per inciso che mentre le variabili erano le stesse sulle righe e le colonne . Analisi delle corrispondenze : c’è una variabile sulle righe e 1 sulle colonne oppure nei casi più complicati come quello che abbiamo visto con il nord il centro e il sud e le marche ci sono di più tabelle di questo genere , in quel caso si parla di analisi delle corrispondenze multiple , quello che mi importa che sappiate e che il mapping e comodo e bello , perché si riesce a visualizzare un risultato in modo che supera tutti gli ostacoli tecnici ci sono diverse tecniche quella che conoscete bene voi e che sapete fare voi e l’analisi fattoriale , che richiede di partire dal data set originale . Nella analisi delle corrispondenze si fanno diventare categoriche le numeriche , comunque si descritizzano queste e si fanno diventare categoriche , se si parte da matrici di distanze o variabili che sono categoriche intrinsecamente allora le uniche strade da seguire per le distanze questa perché le corrispondenze l’ultima . Naturalmente se ho la massima informazione possibile riesco a farle tutte altrimenti non posso farle , su queste cose qui ci sono sparpagliate nel libro delle note che vengono esplorate a fondo io vi ho indicato i riferimenti dove trovate queste pagine . 1) Basta che sapete quello che sapete nelle slide se volete andare a cercare qualcosa perché vi socciate di sentire , quando diventa tecnica la cosa e peggio . 2) Cosi come la logistica perché uso quella e non la lineare cosi qui . Per altro in queste note da qualche parte in queste pagine parla di analisi descriminante che non va fatta è obsoleta , non mi interessa per niente . 3 esempi di mappe fatte con tecniche diverse per posizionare le reti generaliste della televisione : Qui sono generate la mappe a partire dalle valutazioni di certi attributi . Fa programmi utili , divertenti , fa molta musica che è un’altra, una serie di robe questa batteria di aitem e stata trasformata in modo vari per generare delle mappe, quindi tutti gli aitem sono stata raggruppati , tutte le emittenti sono punti di uno spazio non ha 3 a La 3 osservazione : e che non ci deve venire in mente di eliminare le variabili esplicative i predittori non significativi , siccome sono ortogonali sappiamo che il vif e uguale a 1 , però quelli non significativi ci sono , allora per cucinare al di là del fatto che stiamo guardando il risultato completo quando fra poco andremo a vedere quello per pettinicchio , per cucinare potrebbe non essere significativo per Pettinicchio sono care ma lo diventa per una marca specifica , quindi nel monto in cui voglio fare un confronto e giusto che io ci lasci tutto mentre su quelli non significativi finiscono automaticamente tutti vicino all’origine sono piccolissimi . Adesso andiamo avanti e facciamo queste cose marca per marca , iniziando da PETTINICCHIO : Però questi fattori erano fattori prima e anche adesso , ma perché non è 1 e basta ma 1,080 ecc tutti cosi ? il fatto che questo non sia esattamente 1 vuol dire che tali predittori hanno minima correlazione l’uno con l’altro . Tuttocio’ detto sull’ortogonalità continua a valere, perché ? Perché non stiamo guardando tutto il campione , questi fattori sono incorrelati sul campione globale , ma se ne taglio un pezzetto dentro li non e detto , lo stesso con le altre marche .  riportando su excel quanto detto otteniamo il medesimo grafico . Qui iniziamo a fare le prime considerazioni: “cucinare e nutrizione “ sono vicino l’origine quindi non dicono niente , e hanno anche delle valutazioni assolutamente medie , il gusto eccessivo vicino alla media ma non importa molto . Mentre il gusto e importante e il fatto che Pettinicchio abbiamo un gusto “ alto “ è un fattore molto importante perché vuol dire che sono buone , invece cos’è che va meno bene , per definizione e la reperibilità che è considerata piuttosto importante , per dirla in termini tecnici e un coefficiente sicuramente significativo , però e bassa , sono buone ma non le trovo non è il massimo e in più sono anche care , ma anche se la cosa non è determinante perché e vicino alla media l’importanza sono care e sulla media inoltre per una mozzarella buona e logico che spendo di più . Questi sull’asse verticale sono vicini alla media sicuro . Questa è la 1 quadrant Analysis relativa a pettinicchio proviamo a metterci un suo competitors per vedere cosa effettivamente esce fuori : Mettiamoci vallelata e vediamo che succede : quello che ci manca e l’importanza la stima dei coefficenti che adesso rintracciamo su JMP , che mi permettono di verificare come , La preferenza vallelata ( variabile risposta ) sia effettivamente spiegata dalle variabili esplicative ( gusto , aspetto , ecc) .  certe cose si vedono bene altre assai confuse , secondo me!!! A QUESTO PUNTO SI APRONO DUE STRADE , se a me interessano solo due mappe , questa qui vallelata e pettinicchio insieme funziona .