Le dimensioni della brand experience sono state utilizzate per connotare i segmenti dei consumatori: a tal fine è stata implementata sui soggetti una cluster analysis, gerarchica e non gerarchica (k means); è stato valutato poi il contributo dei fattori alla segmentazione, attraverso test T per campioni indipendenti. Le dimensioni invece sono state sottoposte ad elaborazioni solo di tipo gerarchico.
6.4.1 Analisi dei dati
La cluster analysis è una tecnica di analisi multivariata che permette di suddividere in gruppi i casi che compongono un dato campione. Pertanto è stata eseguita una cluster analysis gerarchica di tipo agglomerativo, per cui si inizia con tanti cluster quanti sono i casi, per arrivare, attraverso n-1 stadi, ad un unico gruppo che li comprende tutti; ad ogni stadio, si uniscono quelli più vicini fra loro sulle variabili considerate; non è necessario conoscere in quanti cluster si divideranno: dall'analisi del dendogramma si deciderà in merito. Per il procedimento gerarchico è stato utilizzato il legame di Warde come metodo di raggruppamento, e la distanza euclidea quadratica per misurare le distanze. Questa stessa metodologia è stata applicata anche sulle variabili.
Successivamente è stata effettuata una clusterizzazione di tipo non gerarchico in cui, invece, è necessario definire a priori in che modo si desidera ripartire il campione (stabiliti in base ai risultati della gerarchica): l’obiettivo della procedura è quello di assegnare i casi a quel cluster il cui centroide è più vicino.
Tuttavia, questa tecnica di analisi non è in grado di mostrare quali siano le variabili che abbiano effettivamente inciso nella ripartizione. Per questo motivo sono stati eseguiti test T per campioni indipendenti, di U di Mann e Whitney nel caso di mancata normalità delle distribuzioni, per capire se e quali abbiano contribuito significativamente ai risultati. Per verificare la presenza o meno di omogeneità delle varianze è stato utilizzato il test di Levene.
160
6.4.2 Risultati
Dal dendogramma è stato possibile visualizzare tutte le fusioni dei cluster, da sinistra, quando ogni caso era un cluster, a destra, dove tutti i casi confluiscono in uno solo. Da sinistra verso destra, avvengono prima le fusioni fra quelli più simili, al fine di minimizzare la loro varianza interna e massimizzare la quella esterna; poi verso destra abbiamo le fusioni tra quelli meno simili. Il taglio del dendogramma andrebbe fatto in corrispondenza del maggior salto in distanza fra una soluzione a k gruppi e la successiva, a k-1 gruppi. Sulla base di tali considerazioni è stata scelta una soluzione a 2 gruppi.
A partire da questi risultati è stata impostata la classificazione per la procedura non gerarchica. Da questa elaborazione si è ottenuta la tabella dei centri finali dei cluster, dalla quale si rileva che:
il primo segmento di consumatori si caratterizza per avere tutti valori al di sopra della media. Il livello di Awareness si attesta a .36 ed aumenta nella fase di Discovery con .45; l’Engagement con cognitive e affection arriva a .53 e .57, e raggiunge il massimo con activation a .91; la fase Purchase ha valori molto alti (.89) ma è Loyalty quella che raggiunge 1; i livelli di Advocacy si staccano di poco dalla media, con quella di prodotto (.09) superiore a di quella di locale (.02).
Il cluster è caratterizzato da punteggi di gran lunga sopra la media per Engagement activation, Purchase e Loyalty, con valori favorevoli più per il prodotto che per il locale in fase di Advocacy;
il secondo segmento di consumatori è caratterizzato da valori al di sotto della media. Già le fasi di Awareness e Discovery si attestano su -.23 e -.29; in fase di Engagement la distanza aumenta con cognitive e affective (-.34 e -.37), raggiungendo -.59 con activation; la fase Purchase ha un punteggio di -.57 e quella di Loyalty di -.65, il più alto in assoluto. L’ Advocacy ha livelli di poco inferiori a quelli medi, meno per il locale (-.01) e più per il prodotto (-.06).
Il cluster è caratterizzato da punteggi al di sotto della media soprattutto per Engagement activation, Purchase e Loyalty, con valori più favorevoli per il locale che per il prodotto in fase di Advocacy.
161 Consideriamo che la tecnica della cluster analysis crea sempre e comunque una
suddivisione, anche quando non c’è una evidente diversificazione tra i soggetti di un gruppo e i soggetti di un altro gruppo. Ora, il seguente test ANOVA ha lo scopo di rilevare quali sono state le variabili che hanno contribuito significativamente a crearli, ossia quelle su cui i punteggi medi (centroidi) sono significativamente differenti fra di loro.
Tuttavia, i test F della non gerarchica hanno solo scopo descrittivo in quanto i cluster sono stati scelti per massimizzare le differenze tra i casi inseriti nelle diverse ripartizioni. I livelli di
162 significatività non sono corretti, per cui non interpretabili come test di ipotesi di differenza tra le medie; ricordiamo inoltre che il test F è adatto in presenza di almeno tre gruppi.
Pertanto è stato opportuno supplire attraverso dei test T, U di Mann e Whitney per le variabili non distribuite normalmente. Quest’ultimo è stato utilizzato per Advocacy di locale, i cui valori di asimmetria e curtosi sono maggiori di 1 (as=1.122; curt=1.074).
Dai risultati, esposti nella tabella in basso, vediamo che su tutte le variabili, tranne che per Advocacy di locale, c’è una differenza significativa tra le medie; quindi quasi tutte le dimensioni hanno contribuito in modo determinante alla definizione di due distinti segmenti di consumatori.
163 per awareness il primo gruppo mostra una media più alta (.3569) rispetto al secondo
gruppo (-.2299) statisticamente significativa t(200.539) = 6.872 p < .000;
per discovery il primo gruppo mostra una media (.4525) più alta rispetto al secondo gruppo (-.2914) statisticamente significativa t(289) =8.735 p < .000;
per engagement cognitive il primo gruppo mostra una media (.5315) più alta rispetto al secondo gruppo (-.3423) statisticamente significativa t(289) =13.185 p < .000; per engagement affective il primo gruppo mostra una media (.5691) più alta rispetto
al secondo gruppo (-.3663) statisticamente significativa t(289) = 11.147 p < .000; per engagement activation il primo gruppo mostra una media (.9109) più alta rispetto
al secondo gruppo (-.5869) statisticamente significativa t(289) =22.213 p < .000; per purchase il primo gruppo mostra una media (.8856) più alta rispetto al secondo
gruppo (-.5704) statisticamente significativa t(289) =21.007 p < .000;
per loyalty il primo gruppo mostra una media (1.0556) più alta rispetto al secondo gruppo (-6477) statisticamente significativa t(289) =24 p < .000;
164 per advocacy di prodotto il primo gruppo mostra una media (.00866) più alta rispetto
al secondo gruppo (-.0571) statisticamente significativa t(289) =4.156 p < .000;
per quanto riguarda invece l’advocacy del locale non vi sono differenze statisticamente significative tra i due gruppi.
Quanto descritto può essere evinto anche graficamente nella figura in basso, dove sono mostrate le medie e le deviazioni standard in comparazione.
Infine vengono mostrati i risultati della cluster gerarchica sulle variabili. Dall’analisi emerge chiaramente una suddivisione a 2 gruppi:
il primo gruppo è composto da Awareness, Discovery, Engagement cognitive, Engagement activation, Advocacy di locale e di prodotto;
165 Dal grafico si può osservare che: per il primo i rami del dendogramma sono molto lunghi e si uniscono a distanza, mentre per il secondo i rami si vedono da subito aggregati.
166
6.4.3 Conclusioni
Attraverso la cluster analysis sono stati individuati due segmenti di consumatori: uno è caratterizzato da valori al di sopra della media e l’altro da valori al di sotto la media.
Le dimensioni sulle quali maggiormente differiscono sono Engagement activation, Purchase e Loyalty; in entrambi i gruppi creano un trend, ascendente nel primo e discendente nel secondo: la componente activation si stacca rispetto al resto dell’Engagement, il valore aumenta nella la fase Purchase e arriva al livello massimo con la fase Loyalty. Inoltre: nel primo segmento il passaparola è più favorevole per il prodotto e meno per il locale, mentre nel secondo è più favorevole per il locale e meno per il prodotto.
L’effettiva differenza tra i due gruppi è stata avvalorata dalla significatività del test T e U: tutte le variabli, tranne Advocacy di locale, hanno significativamente contribuito alla loro formazione.
I risultati di queste analisi sono stati avallati da quelli concernenti le variabili: si è infatti osservato che quelle su cui maggiormente differiscono i segmenti vengono ricondotte ad uno stesso cluster, per giunta molto coeso, testimoniando così un’affinità discriminatoria che le accomuna.