Nell’acquisto tramite canali tradizionali e non, il cliente è esposto a numerosi rischi connessi ai parametri variabili che si trova a dover valutare e governare. Come emerso nella trattazione dei mezzi non convenzionali, ci sono situazioni in cui la percezione di un maggiore rischio può portare a scegliere il commerciante al dettaglio piuttosto che il telefono o il web.
In generale si può affermare che i consumatori siano apprensivi quando non hanno la certezza che gli acquisti permettano loro di raggiungere gli obiettivi prefissati. Il rischio percepito può essere quindi concepito come funzione dell’incertezza riguardo la potenziale conseguenza di un comportamento e la possibile insoddisfazione per il risultato ottenuto; in altre parole è l’insicurezza circa la perdita o il guadagno in una particolare transazione.
Le tipologie di rischio significative nel contesto d’analisi possono essere così riassunte [Forsythe e Shi, 2003]:
• rischio finanziario;
• rischio di performance del prodotto; • rischio psicologico;
• rischio di perdita di tempo e convenienza.
Il rischio finanziario è definito come la perdita di denaro subita dal consumatore. In genere è associato alla possibilità che l’azienda o il venditore abusi dei dati della carta di credito, aspetto che limita fortemente gli acquisti in internet. Oppure, associata a questo rischio, vi è la mancata consegna della merce con pagamento già effettuato.
Il rischio di performance del prodotto è definito come la perdita che interviene quando il prodotto acquistato non risponde alle aspettative. Negli acquisti via in- ternet, telefono e corrispondenza, l’impossibilità di entrare in contatto e di provare il prodotto può precludere una efficace valutazione della sua qualità.
Il rischio psicologico può essere riferito al disappunto e alla frustrazione speri- mentate dal consumatore quando le informazioni personali vengono violate. Questo rischio è legato alla fiducia riservata a venditori porta a porta che non sempre si rivelano onesti ma soprattutto alla navigazione in internet, dove spesso rimane trac- cia dei percorsi dell’utente e la privacy non viene rispettata, con una conseguente perdita di sicurezza.
Il rischio di perdita di tempo e convenienza si riferisce alle difficoltà che possono incorrere nel gestire autonomamente le operazioni d’acquisto; ad esempio la com- plessità riscontrata nel compilare la cartolina di un catalogo necessaria per inoltrare l’ordine, le indicazioni telefoniche non chiare ricevute da un operatore, la difficoltà di navigazione e di svolgere in rete le principali azioni necessarie a sottoscrivere l’or- dine, il ritardo nella consegna.
Con questo excursus sono state definitivamente legate tra loro le modalità di acquisto non convenzionali, riconoscendone le peculiarità e tracciandone i principali rischi.
Infine è doveroso ricordare che questo lavoro di tesi affronta il tema degli acquisti via telefono, corrispondenza, internet e visita di rappresentanti a domicilio in un contesto europeo. Il tema dell’Unione Europea come unico mercato è stato ampia- mente discusso e si ritiene importante citare le emanazioni della politica comunitaria rivolte proprio ai consumatori, spesso costretti ad affrontare situazioni spiacevoli e difficili da gestire.
Consumatori2. Quest’organo fa parte della rete denominata ‘European Consumer Centres Network’ istituita dalla Commissione europea nei 27 stati membri, in colla- borazione con i governi nazionali. Uno dei principali obiettivi del Centro è proprio quello di mettere il consumatore nella condizione di acquistare, nell’ambito del mer- cato interno all’UE, con serenità, fiducia e piena consapevolezza dei propri diritti e doveri. Il Centro diffonde informazioni sulla legislazione inerente al consumo e offre assistenza gratuita per problemi incorsi in acquisti transfrontalieri, come la presen- tazione di reclami e l’accesso a risoluzione extragiudiziaria in caso di controversia, alternativa all’ordinaria forma giudiziaria, spesso onerosa.
In seguito si ritornerà sul Centro Europeo Consumatori e sull’efficacia del suo man- dato (Capitolo 4).
È opportuno concludere quest’ampia panoramica sull’esperienza di consumo af- fermando che il consumatore è protagonista indiscusso del processo d’acquisto e in quanto tale è negli interessi delle aziende studiarne i comportamenti e le attitudini.
2In ogni Paese dell’UE c’è un sito internet che rende disponibili tutte le informazioni riguardo
I modelli a classi latenti
Nel capitolo precedente è stato contestualizzato il complesso argomento della seg- mentazione del mercato.
In questo capitolo si presentano i modelli che saranno implementati, a partire dalla Cluster Analysis, utilizzata per un’analisi preliminare dei dati, passando per l’analisi a Classi Latenti fino alla più recente analisi multilivello a Classi Latenti.
Si è scelto di implementare metodi di segmentazione model-based perchè rigorosi, oggettivi e probabilistici. Nello specifico, l’approccio a Classi Latenti ha dimostrato di fornire al target marketing un nuovo e potente strumento per l’identificazione di segmenti di mercato rilevanti. Inoltre la formulazione multilivello permette di con- siderare l’appartenenza di ciascun individuo al proprio Paese e di valutarne gli effetti.
3.1 Cluster Analysis e analisi a Classi Latenti
La Cluster Analysis
La Cluster Analysis è ad oggi una delle tecniche di analisi multivariata più utilizzate; in questo lavoro di tesi rappresenta un passaggio preliminare, utile per comparare i risultati di metodi di segmentazione molto diversi.
La Cluster Analysis permette di raggruppare le unità statistiche in modo da mini- mizzare la distanza interna a ciascun gruppo e di massimizzare quella tra i gruppi. La lontananza è quantificata per mezzo di misure di similarità definite tra le unità statistiche. La scelta degli indici di similarità è legata al tipo di dati che si hanno a disposizione.
ve e verranno pertanto utilizzate misure di associazione e metodi di raggruppamento sia gerarchici che non gerarchici (K-medie) [Brasini et al., 2002].
Non è argomento di questa tesi l’approfondimento degli algoritmi di classificazione, essendo la Cluster Analysis nota e comunemente implementata. Ci si soffermerà nel- la prossima sezione sulle differenze tra questo metodo statistico e l’analisi a Classi Latenti.
Confronto tra i due metodi di segmentazione
Nel confrontare Cluster Analysis e analisi a Classi Latenti è immediato sottolineare alcune similarità. In entrambi i casi l’obiettivo è arrivare ad una segmentazione del campione di dati. Inoltre, in ambedue le situazioni, l’individuazione dei clusters implica una massimizzazione: di un qualche criterio per la Cluster Analysis e della funzione di log-verosimiglianza per l’analisi a Classi Latenti.
Nonostante siano individuabili delle caratteristiche comuni ai due metodi, i vantaggi nell’implementare un modello probabilistico, quale l’analisi a Classi Latenti, anziché un approccio euristico, ossia la Cluster Analysis, sono numerosi e possono essere così sintetizzati:
1. minore arbitrarietà nella scelta del criterio di raggruppamento;
2. possibilità di lavorare facilmente con variabili misurate su diverse scale; 3. flessibilità nello scegliere diverse distribuzioni di probabilità;
4. restrizioni che possono essere imposte e verificate rigorosamente;
5. criteri formali per decidere riguardo al numero delle classi (Information Cri- teria);
6. possibilità di inserire variabili esogene (covariate), utili nella classificazione delle osservazioni e nella descrizione dei clusters.
Chiarita la sostanziale diversità tra i due approcci e i motivi per cui è stata scelta questa strada1, nella prossima sezione verrà formalizzato l’approccio a Classi Latenti.
1Vermunt e Magidson [2002] comparano l’approccio a Classi Latenti e il metodo delle K-medie
con l’ausilio di dati simulati in una situazione in cui i clusters di appartenenza sono noti. I risultati segnalano che l’analisi a Classi Latenti conduce ad errori di classificazione sistematicamente inferiori rispetto al metodo delle K-medie.