ANALISI E STRUMENTI PER LA VERIFICA DELLE IPOTES

L’esperimento online è stato utilizzato al fine di raccogliere i dati necessari all’analisi. Una volta ottenuti i dati concernenti le diverse fasi in cui si articola la ricerca, si è proceduto alla loro elaborazione al fine di ottenere i risultati che consentito di accettare o rifiutare le ipotesi sottoposte a verifica. E’stato quindi necessario utilizzare uno strumento adeguato per l’elaborazione di tali dati; in particolare, si è scelto di applicare la tecnica di analisi di regressione multipla, al fine di cogliere le influenze da parti di variabili indipendenti multiple su una variabile dipendente.

Nel presente studio è stato utilizzato il pacchetto statistico R, per implementare l’analisi dei dati e verificarne le ipotesi.

Il processo di stima dei parametri è avvenuto mediante un processo di minimizzazione delle distanze tra i dati prodotti del modello e i dati osservati. Le funzioni di stima a disposizione sono diverse, noi abbiamo usato il “LM”, linear

model, al fine di studiare la relazione esistente tra una variabile dipendente (y) e una

serie di variabili indipendenti (x1, x2, …xn) al fine di comprendere l’impatto che tali variabili hanno sull’oggetto di studio. Per quanto riguarda la parte di esperimento “supply side” la nostra variabile y dipendente è la probabilità di riferire l’esperienza che il soggetto ha avuto in seguito all’acquisto di un prodotto/servizio a terzi, sia che essi siano amici provenienti da un ambiente offline, o che tale opinione invece, venga riportata ad una comunità online.

Si è potuto quindi ottenere l’accertamento di un eventuale legame tra le variabili osservate così come la forza della relazione tra le dimensioni, ossia la significatività statistica dello stesso.

Tale studio, ha permesso di cogliere la capacità del modello di rappresentare nel modo più realistico possibile il fenomeno in esame tramite la lettura dei coefficienti delle variabili indipendenti, ossia alla variazione della variabile dipendente legata ai cambiamenti unitari delle variabili indipendenti.

127 Fig.14: Lo schema del modello di regressione per la parte di esperimento relativa

alla Supply side offline e online

Fonte: Ns. elaborazione Il modello sopra riportato (Fig.14), mette in evidenza lo schema logico delle variabili che sono state messe in relazione con la variabile dipendente WOMprob, ovvero la probabilità di riportare a terzi la propria esperienza di acquisto. WOMprob viene posta come funzione di una serie di variabili indipendenti quali, PRODUCT CATEGORY, in altre parole la categoria di prodotti che nel caso in esame sono cinque, le valenze dell’esperienza, POS (positiva), NEG (negativa), MED (neutrale), WOM prob Categoria di prodotto Valenza dell’esperienza Hotel Automobile Computer portatile Libro Ristorante Positiva Negativa Neutrale Età Gender Istruzione Posts online

128 i fattori ON e OFF, a seconda che al soggetto sia stato chiesto di riportare la propria esperienza online piuttosto che offline, la frequenza con cui il soggetto partecipante riporta online i propri commenti (POST) e la motivazione (WHY) di tale attività. Infine i fattori che captano le variabili demografiche e individuali dei partecipanti all’esperimento (GENDER=sesso; EDU=livello di istruzione; AGE= età; person.f= ossia una variabile dummy per ciascun partecipante al fine di catturare le specificità di ciascun soggetto). Da questo schema, sono stai elaborati attraverso il software statistico R 41 modelli di regressione, attraverso la selezione e la combinazione delle variabili appena presentate288_{. Di seguito viene proposti il modello base di partenza}

nel quale vengono riportate tutte le variabili analizzate:

WOMprobij= β0+ β1PRODUCT CATEGORY + β2 POS+ β 3 NEG+ β4MED+ β5GENDER+ β6 POSTi+ β7WHYi+ β8AGEi+ β9EDU+ β10 person.f +

ε

LEGENDA:

WOMprob= probabilità di riportare a terzi l’esperienza di acquisto: i: individui

j:OFF=destinazione del WOM in un ambiente offline/ ON= destinazione del WOM in un ambiente online

PRODUCT CATEGORY= categoria di prodotto (libro, computer portatile, auto, ristorante, hotel) POS= esperienza positiva

NEG= esperienza negativa MED=esperienza neutrale GENDER=sesso

POST= attività di posting online da parte del soggetto partecipante WHY=motivazione dell’attività di posting online

AGE=età EDU=istruzione

Person.f= variabile fixed effect che raccoglie le caratteristiche individuali di ciascun partecipante εt= errore di previsione/residuo

Fig.15: Lo schema del modello di regressione per la parte di esperimento relativa

alla Demand side offline e online

129 Fonte: Ns. elaborazione Come si può notare dal modello, è stata definita come variabile dipendente

Buy_prob, ovvero l’intenzione di acquisto di un determinato prodotto, nel nostro

caso, un libro. Tale variabile è funzione di variabili indipendenti multiple quali,

WOM_off, WOM_on, ovvero un’opinione/review che si riferisce al libro a seconda

che essa provenga rispettivamente dall’ambiente offline o dall’ambiente online e dalle valenze della stessa, ovvero POS (positiva), NEG (negativa), MED (neutrale). Inoltre viene presa in considerazione la frequenza con cui il soggetto partecipante riporta online i propri commenti (POST) e la motivazione (WHY) di tale attività. Infine i fattori che captano le variabili demografiche e individuali dei partecipanti all’esperimento (GENDER=sesso; EDU=livello di istruzione; AGE= età). Dalla figura è possibile arrivare a delineare il modello di regressione base, dal quale poi

Buy_prob WOM online Positivo Negativo Neutrale WOM offline Positivo Negativo Neutrale Età Sesso Istruzione Posts online

130 sono stati prodotti altri 11 modelli289 per cercare di tracciare le possibili relazioni significative tra le variabili indipendenti sull’intenzione di acquisto.

buy_probi= β0 + β1WOM_off+ β2 WOM_on+ β3POSTi + β4WHYi+ β5GENDER+ β6AGEi+ β7EDU +

ε

LEGENDA:

buy_prob= intenzione di acquisto

WOM_off= opinione offline, che può assumere valenza negativa (0), mediocre “of_med”(1) o positiva “of_pos” (2)

WOM_on= commento online, che può assumere valenza negativa (0), mediocre “on_med” (1) o positiva “on_pos” (2)

no.rev= nessuna informazione sul prodotto

POST= attività di posting online da parte del soggetto partecipante WHY: motivazione dell’attività di posting online

GENDER=sesso AGE=età EDU=istruzione

εt= errore di previsione/residuo