Indice
Introduzione 3
1 Il fenomeno delle recensioni on-line 5
1.1 La rilevanza delle recensioni on-line 5
1.2 Search e experience goods 6
1.3 L’influenza delle recensioni sulle vendite 7 1. 4 Una questione critica: Le recensioni fake 8
1.5 Content analysis 11
2 L’azienda 14
2.1 Decathlon 14
2.3 Decathlon Italia 16
2.3 Le recensioni in Decathlon Italia 17
3 Metodo 19
3.1 I dataset 19
3.1.1 Recensioni prodotto 19
3.1.2 Recensioni negozio 21
3.2 Metodo di analisi 26
3.2.1 L’analisi del contenuto 26
4 Risultati 28
4.1 Recensioni prodotto 28
4.1.1 Content analysis 32
4.2 Recensioni negozio 33
4.2.1 Analisi delle singole variabili 34
4.2.2 Content analysis 44
Conclusioni 47
Appendici 49
Bibliografia 74
Introduzione
Le recensioni on-line sono parte integrante del comportamento del consumatore. Prima di effettuare acquisti, sia on-line che off-line, i consumatori consultano le opinioni degli altri utenti, in modo da poter ridurre al minimo il rischio di un acquisto errato. In questo modo i clienti sono di supporto a coloro che devono affrontare un acquisto, ma allo stesso tempo forniscono preziose informazioni sul loro gradimento alle aziende, che possono sfruttarle in chiave di marketing.
Tenere monitorate le recensioni sui propri prodotti o servizi è una grande opportunità, opportunità che a breve diventerà necessità per le aziende che vogliono essere competitive sul mercato.
Le recensioni sono, infatti, in grado di condizionare i dati di vendita, ed in futuro il passaparola on-line sarà sempre più determinante per le decisioni di acquisto dei clienti. Non solo a causa dell’espansione dell’e-commerce, ma anche a causa del fenomeno denominato webrooming (o reverse showrooming) ossia la consultazione on-line prima di un acquisto fisico in un punto vendita.
Lo scopo di questo lavoro, oltre a quello di descrivere il comportamento dei recensori, è quello di analizzare come le recensioni possano essere sfruttate dal management aziendale.
Per perseguire tale scopo è stato effettuato un case study. Sono state analizzate le recensioni rilasciate on-line dai clienti di Decathlon Italia. Due sono i dataset presi in considerazione, derivanti dai database aziendali. Il primo contiene tutte le recensioni sui prodotti pubblicate dal 1 aprile 2016 al 31 marzo 2017. Nel secondo si trovano tutte le recensioni sui negozi rilasciate nello stesso arco temporale.
È stata presa la decisione di analizzare questi 2 dataset, poiché essendo uno relativo a prodotti e l’altro riguardante servizi, forniscono una panoramica piuttosto completa del fenomeno recensioni.
Nel primo capitolo si trova una revisione della letteratura esistente sull’argomento. Dopo una breve introduzione sulla rilevanza in termini numerici del fenomeno è stata evidenziata la differenza che si rileva tra search goods ed experience goods. Il capitolo prosegue sottolineando la relazione che c’è tra recensioni e dati di vendita, ed evidenziando una grande criticità, ossia le recensioni fake. Infine viene introdotto lo strumento, utilizzato nel corso dello studio, della content analysis.
Il secondo capitolo è dedicato all’azienda. Dopo dei brevi accenni alla storia di Decathlon viene presentata Decathlon Italia e che ruolo hanno le recensioni in questo contesto aziendale.
Il terzo capitolo si apre con i due dataset descritti dettagliatamente. Nella seconda parte si trova il metodo utilizzato per l’analisi.
Nel quarto capitolo sono presentati i risultati, suddivisi per “recensioni prodotto” e “recensioni negozio”.
1 Il fenomeno delle recensioni on-line
1.1 La rilevanza delle recensioni on-line
Trainate dall’enorme espansione dell’e-commerce le recensioni on-line sono ormai un fenomeno tutt’altro che trascurabile. Le recensioni crescono costantemente in numero, si pensi che solo su TripAdvisor vengono postate circa 139 recensioni al minuto (Simonetta 2015), e rilevanza (uno studio condotto da ChannelAdvisor nel 2010 testimonia che il 92% di coloro che acquistano on-line utilizzano le recensioni prima di prendere decisioni di acquisto).
Non solo il canale dell’e-commerce viene condizionato dai contenuti generati dagli utenti on-line. Sempre più forte, infatti, è l’impatto del cosiddetto “webrooming” (o “reverse showrooming”), ossia il fenomeno secondo il quale, prima di effettuare un acquisto in uno store fisico, i consumatori ricercano informazioni, tra cui recensioni degli altri utenti, sul web (Flavian, Gurrea, Orus, 2016). Informazioni che spesso vengono ricercate direttamente nel negozio fisico tramite smartphone, per colmare alcuni gap informativi del cliente, riducendo ulteriormente il rischio percepito dell’acquisto. Secondo una ricerca effettuata da Google l’82% degli utilizzatori di smartphone li consultano nei negozi fisici durante lo shopping (Ramaswamy 2015). Questo fenomeno è un’opportunità che i negozi tradizionali devono sfruttare per arginare la crescente fetta di mercato dell’e-commerce. Alcune aziende lo stanno già facendo, ad esempio sugli scaffali dei negozi Decathlon, insieme al prezzo dei prodotti, si trova un QR code che indirizza sulle recensioni del prodotto rilasciate dagli utenti on-line.
La portata del fenomeno delle recensioni non è limitata, quindi, agli ambienti on-line, ma anche agli acquisti di tipo tradizionale, che ad oggi rimangono i più effettuati dai consumatori. Sono, dunque, di fondamentale importanza sia per chi agisce esclusivamente sul web, sia per chi partendo
da un business model più tradizionale vuole sfruttare le sinergie che l’omnicanalità è in grado di fornire.
1.2 Search e experience goods
Sul web si trovano recensioni su praticamente ogni genere di prodotto o servizio, non solo su siti aziendali o di commercio on-line, ma anche su portali dedicati come ad esempio Yelp.
In letteratura la distinzione principale che viene presa in considerazione è tra experience goods o search goods. I primi sono beni per i quali è molto difficile dare una valutazione tecnica oggettiva e si può dare un giudizio solamente dopo il consumo; fanno parte di questa categoria ad esempio video games, DVDs e buona parte dei servizi. I search goods sono invece beni per i quali si può fare una valutazione già prima dell’utilizzo dovuta alle specifiche tecniche comparabili, come ad esempio computer o fotocamere (Lee, Choeh 2016).
Anche se le recensioni vengono utilizzate per le decisioni di acquisto di entrambe le tipologie di beni, le informazioni di cui i consumatori hanno bisogno quando acquistano un bene definito experience è ben diversa dal caso in cui stiano acquistando un search good. Vista la natura esperenziale dei primi, infatti, i consumatori preferiscono recensioni più personalizzate, che diano spazio a commenti personali. Per i search goods, invece, vengono preferite recensioni che mettano in risalto le caratteristiche oggettive dei prodotti, le esperienze personali descritte nelle recensioni, in questo caso, non vengono considerate particolarmente rilevanti.
Anche la lunghezza delle recensioni ritenute utili dagli utenti varia a seconda della tipologia di bene. Per gli experience goods si tende a preferire recensioni brevi, mentre per i search goods vengono considerate migliori recensioni più lunghe, poiché riescono ad essere più dettagliate (Mudabi, Schuff 2010).
Non sono solo queste le differenti chiavi di lettura che gli utenti danno alle due tipologie di prodotto. Una particolarmente rilevante riguarda i punteggi delle recensioni. Secondo uno studio condotto da Lee e Choeh (2016), su un campione di 28699 recensioni di Amazon postate tra il 1998 e il 2013, le recensioni con punteggi più estremi sono ritenute più utili dai consumatori quando riguardano i search goods, rispetto agli experience goods. Risultati che confermerebbero quanto emerso nella ricerca di Mudabi e Schuff (2010). Questo probabilmente è dovuto alla forte personalizzazione delle recensioni nel secondo caso, che talvolta possono essere ritenute meno affidabili.
La componente oggettiva che caratterizza le recensioni dei search goods, invece rende anche le posizioni più estreme maggiormente attendibili.
1.3 L’influenza delle recensioni sulle vendite
Come appena evidenziato, la natura del bene fa variare la percezione delle recensioni estreme, sia in positivo che in negativo. Questo risulta interessante, anche da un punto di vista manageriale, dal momento in cui le recensioni vadano ad influire sui dati di vendita.
I risultati degli studi fatti in questo ambito confermano che le recensioni dei consumatori hanno il potere di influenzare le vendite (Chevalier, Mayzlin 2006; Clemons, Gao, Hitt 2006; Dellarocas, Moe, Trusov 2011; Zhang, Awad 2007), poiché vengono considerati più affidabili i contenuti creati dagli altri consumatori, rispetto alle informazioni generate in maniera univoca dalle aziende (Dellarocas 2003).
Interessante lo studio condotto da Chevalier e Mayzlin (2006) pubblicato sul Journal of Marketing Research, condotto su un campione di 2387 libri presenti sui due siti Amazon.com e Barnesandnoble.com, 1087 dei quali recensiti su entrambi i siti nel periodo preso in esame. La ricerca, oltre a confermare l’influenza del punteggio delle recensioni sui dati di vendita, mette in evidenza altri due risultati degni di nota. Emerge, infatti, che le
recensioni negative condizionano di più il comportamento d’acquisto dei consumatori rispetto alle recensioni positive. Inoltre non solo il rating riesce ad influenzare i dati di vendita, ma anche il numero delle recensioni, ossia quando esso aumenta per un libro crescono anche le vendite.
L’attenzione della letteratura spesso si è concentrata sulle recensioni estreme, trascurando l’impatto che hanno le recensioni che possiamo definire neutrali. Uno dei motivi è probabilmente dovuto alla distribuzione dei punteggi delle recensioni, che tendenzialmente vede una netta predominanza delle recensioni positive. Ciononostante è limitante non considerare le recensioni che hanno un punteggio medio.
Per farlo, però, dobbiamo innanzitutto sottolineare la differenza tra due tipologie di recensioni neutrali, ossia il caso in cui la neutralità sia data dall’indifferenza e il caso in cui essa sia data da attributi contrastanti, sia positivi che negativi, che ne fanno scaturire un risultato medio. È importante sottolineare questa differenza perché gli utenti percepiscono questi due tipi di contenuti in maniera differente (Tang, Fang, Wang 2014; Thornton 2011).
Nel caso in cui la neutralità sia data da una recensione mista, ossia che contenga sia commenti positivi che negativi, essa amplificherà gli effetti delle recensioni più estreme. Le recensioni indifferenti, al contrario avranno l’effetto di attenuare gli effetti positivi, o negativi, degli altri commenti. Le recensioni con punteggi medi non si possono ritenere, quindi, neutrali rispetto alle vendite (Tang, Fang, Wang 2014).
1.4 Una questione critica: Le recensioni fake
Le recensioni, come appena evidenziato, possono influire sulle vendite di prodotti e servizi. Questo ha fatto nascere un fenomeno assolutamente non banale che può danneggiare aziende e consumatori: le recensioni fake. Le recensioni fake sono, infatti, contenuti falsi postati dagli utenti al fine di migliorare, o peggiorare, il rating di prodotti, servizi, aziende. Esse
danneggiano i consumatori, che ritengono i contenuti generati dagli altri utenti molto affidabili (Dellarocas 2003), ma anche le aziende, che rischiano di ritrovarsi recensioni negative totalmente infondate.
Un’inchiesta condotta dal Sunday Times nel 2015 ha fatto molto scalpore portando alla luce il fenomeno, e soprattutto la facilità tramite il quale si possano ingannare gli utenti. Il giornale britannico ha messo in vendita su Amazon un libro dal titolo “Everything Bonsai” volutamente ricco di errori. Successivamente ha acquistato on-line recensioni positive e il libro ha velocemente scalato la classifica del colosso dell’e-commerce. È stato, perciò, relativamente semplice per il Sunday Times ingannare Amazon e i suoi utenti.
Esistono, infatti, veri e propri portali dove poter acquistare recensioni, nell’articolo in questione si parla di 3 £ per una recensione da 5 stelle. Acquistare su questi siti recensioni a pagamento non è l’unico modo per ingannare i clienti con recensioni false, anche se probabilmente è il più rapido e il più utilizzato. Su TripAdvisor, ad esempio, basta un indirizzo e-mail per creare un account. Chiunque può, quindi, iscriversi e postare recensioni positive per la propria attività o negative per i competitor. Interessanti in questo senso i risultati di uno studio condotto da Mayzlin, Dover, Chevalier (2014) pubblicato su American Economic Review, dal quale emerge che, sul campione preso in considerazione delle recensioni di TripAdvisor, i profili con all’attivo una sola recensione sono più inclini alle valutazioni estreme. Il 47,6% di coloro che hanno postato una sola recensione hanno recensito con il punteggio massimo di 5, contro il 38,1% dell’intero campione, ed il 24,1% dei recensori occasionali ha assegnato 1, ossia il minimo, contro il 16,4% del campione generale. È possibile che parte di questa differenza sia data da coloro che solitamente non scrivono recensioni e che si siano decisi a farlo solamente dopo un’esperienza particolarmente positiva o negativa, ma indubbiamente le recensioni fake
giocano un ruolo importante in questi risultati.
Come appena sottolineato su portali come TripAdvisor è molto semplice iscriversi con un profilo falso e postare recensioni fake. Per questo alcune aziende si sono mosse per tutelare sé stesse e i consumatori. Su siti di prenotazione quali Booking.com o Expedia.it è possibile lasciare una recensione solo dopo un’effettiva prenotazione. Anche Amazon, fortemente attaccato per la credibilità delle proprie recensioni, si è mosso, non escludendo totalmente le recensioni senza acquisto, ma segnalando con la dicitura “acquisto verificato” quelle postate dopo aver effettivamente acquistato il prodotto. In questo modo ai consumatori non è dato sapere quanto sia veritiera una recensione “non verificata”, però quando ne leggono una post acquisto possono supporre che lo sia.
Verificare l’acquisto non è l’unico modo per capire, o quantomeno supporre, se una recensione è falsa. Chi mente, infatti, tende ad utilizzare termini diversi rispetto a chi dice la verità. Newman et al. (2016) hanno dimostrato che chi mente utilizza meno frequentemente la prima persona singolare, poiché tende a “distaccarsi” da ciò che sostiene. Utilizza in modo minore anche termini “esclusivi” come “ma, eccetto, senza” questo perché li porterebbe a compiere degli sforzi cognitivi superflui, che quando mentiamo cerchiamo di evitare. Vengono utilizzati più spesso, invece, termini che testimoniano emozioni negative. Questo probabilmente è dovuto alla tensione che mentire provoca, portando ad esprimere più facilmente termini negativi. Infine, nello studio condotto da Newman et al. (2016), emerge anche la tendenza ad utilizzare meno spesso la terza persona singolare. Questo risultato non emerge però nella letteratura precedente e potrebbe esser emerso a causa della peculiarità dello studio. I risultati di ricerche di questo genere sono importanti per chi si occupa di recensioni in chiave di marketing poiché utilizzando software di content
analysis, si possono individuare le recensioni fake ed escluderle dalle analisi.
Questo ha fatto si che la questione delle recensioni false non abbia interessato solo la letteratura di marketing, ma anche quella di computer science, poiché si cercano algoritmi in grado di identificarle.
1.5 Content Analysis
L’analisi del contenuto può essere utilizzata come strumento per limitare il fenomeno delle recensioni fake. Non è, però, l’unico ambito di utilizzo nel campo delle recensioni.
L’attenzione, sia di manager che di ricercatori, non è più limitata ai soli punteggi e alle analisi statistiche che vi si possono effettuare. Viene, infatti, trascurato sempre meno il testo delle recensioni, che contiene informazioni che potrebbero andar perse limitandosi ad analizzare i ratings.
La Content Analysis affonda le proprie radici nei primi del ‘900 con la nascita della psicologia. Freud (1901) sosteneva infatti che dai lapsus delle persone si potesse arrivare a comprenderne i veri pensieri. Gottschalk et al. utilizzando gli studi di Freud svilupparono un vero e proprio metodo ci analisi del contenuto applicato alla psicoanalisi (Gottschalk, Gleser, 1969; Gottschalk et al. 1958). Venivano registrati per cinque minuti i pazienti e trascritti termini utilizzati. Poi dei giudici assegnavano i vocaboli in categorie (ad es. ansia, ostilità verso sé o altri ecc.). Questo modello è stato poi utilizzato per diagnosi psichiatriche.
L’utilizzo di processi automatizzati tramite computer per l’analisi del contenuto nasce nel 1966 con un software sviluppato da Stone, Dunphy, Smith e Ogilvie. Il programma chiamato General Iquirer utilizzava una serie di algoritmi sviluppati dagli ideatori e veniva applicato ancora nel campo della psicologia.
La Content Analysis è stata introdotta nella letteratura di marketing nel 1977 con Kassarjian. Vari sono gli ambiti di ricerca in cui è stato sfruttato questo strumento: analisi dei trend nella pubblicità su riviste, direct mail, articoli di giornale, passaparola tanto per citare alcuni esempi (Humphreys, 2014).
Il passaparola on-line è indubbiamente uno dei campi che più ha destato interesse da parte della ricerca di marketing e di consumer behaviour negli ultimi anni. Le recensioni non fanno eccezione, vari sono infatti gli studi in letteratura che sono stati effettuati negli ultimi anni analizzandone il contenuto (Büschken, Allenby, 2016):
• Prevedere l’impatto delle recensioni sulle vendite (Berger et al 2010) • Determinare l’importanza delle recensioni rispetto all’esperienza personale nel processo di apprendimento del prodotto da parte dei consumatori (Zhao et al 2013)
• Analizzare i cambiamenti nei tassi di conversione come risultato di cambiamenti nei contenuti affettivi e negli stili linguistici delle recensioni (Ludwing et al. 2013)
• Prevedere le vendite di un prodotto basandosi su contenuti e sentiment delle recensioni (Godes e Mayzlin 2004, Dellarocas, Zhang, Awad 2007, Ghose, Ipeirotis, Li 2012)
• Capire gli attributi dei prodotti e comprendere quali siano preferiti dai consumatori (Lee, Bradlow 2011, Archak, Ghose, Ipeirotis 2011) • Ricavare la struttura di mercato (Netzer et al. 2012, Lee, Bradlow
2011)
Solitamente il conteggio e la frequenza delle parole viene utilizzato per capire quali termini siano influenti per il comportamento dei consumatori (Büschken, Allenby, 2016).
Ciò viene fatto tramite software specifici di content analysis come Linguistic Inquiry and Word Count (LIWC; Pennebaker, Francis, Booth, 2007),
WordStat (Peladeau, 2003) o Diction (North, Iagerstrom, Mitchell, 1999) i quali permettono di conteggiare, classificare e analizzare le parole all’interno di file di testo anche di grandi dimensioni (Humphreys, 2014). Tramite l’utilizzo di questi software si può effettuare un’analisi del contenuto molto utile a chi si occupa di marketing ossia l’analisi del sentiment, grazie alla quale è possibile, partendo da un testo, capirne in modo automatico “l’umore” (Pang, Lee 2008). Questo viene fatto solitamente classificando i termini come positivi, negativi o neutri.
Negli ultimi anni questo genere di analisi sta diventando sempre più accurata, non limitando le indagini alla semplice classificazione appena citata, ma misurando anche la “forza” del sentiment (ad es. pessimo non ha lo stesso valore di spiacevole), o specificando le singole emozioni (ad es. paura, rabbia ecc.) (Villaroel et al. 2017).
Questo genere di analisi non deve far accantonare gli studi statistici più classici che solitamente vengono fatti sui punteggi delle recensioni, ma l’unione di queste due tipologie di analisi può fornire un quadro più approfondito del fenomeno e del comportamento dei consumatori.
2. L’azienda
2.1 Decathlon
Decathlon nasce nel 1976 in Francia grazie a un’idea del suo fondatore Michel Leclercq: riunire sotto lo stesso tetto la maggior parte degli sport e proporre ai clienti attrezzature sportive con il miglior rapporto qualità prezzo.
Leclerq per dar vita al suo progetto recluta sei collaboratori che con lui condividono la passione per lo sport: Poizat, Decramer, Valentine, Dubrulle, Ernoult e Delesalle. L’azienda inizia, dunque, la propria attività grazie a sette persone, oggi sono oltre 70.000 i dipendenti Decathlon nel mondo.
Il primo negozio Decathlon apre il 27 luglio 1976 ad Englos, una cittadina situata vicino Lille nel nord della Francia. Oggi Decathlon è presente in 29 paesi con 1118 negozi, dei quali 109 in Italia, quarto paese per numero di negozi dopo Francia (304), Cina (176) e Spagna (148).
In quasi 41 anni di attività non è cambiata la mission aziendale: rendere accessibile lo sport al maggior numero di persone. Questa missione sta alla base del successo dell’impresa, che si caratterizza per l’imbattibile rapporto qualità/prezzo e l’ampia gamma di prodotti in grado di soddisfare ogni tipo di sportivo dall’amatore al professionista.
La mission aziendale trova la sua massima espressione nelle cosiddette “Marche Passione”, ossia le private label di Decathlon, lanciate nel 1996 con i due brand “Quechua” e “Tribord”. In realtà l’idea di commercializzare prodotti a marchio proprio risale al 1976, l’anno di fondazione, quando Stéphane Delesalle responsabile del reparto ciclismo chiese ad un fornitore di poter mettere il marchio Decathlon sopra le loro biciclette. Nacque così il primo prodotto a marchio Decathlon, biciclette di tutte le
taglie, ma di un solo colore: il grigio, che era ben riconoscibile in città. Un’iniziativa che Poizat, un altro dei fondatori, ha definito “Marketing inconsapevole”.
Se già dal primo anno si trovavano in negozio prodotti a marchio Decathlon, la vera e propria svolta avviene nel 1986, quando l’azienda inizia non solo a vendere, ma anche a produrre articoli a marchio proprio. Anche in questo caso è il ciclismo lo sport pioniere con la bicicletta “Challenger”. Questa lunga tradizione a marchio Decathlon nel ciclismo è il motivo per cui questo reparto è stato l’ultimo a convertirsi alle marche passione abbandonando il brand Decathlon per l’attuale B’Twin (che in precedenza era il nome di un modello).
Oggi le marche passione sono la parte principale dell’offerta Decathlon e sono 21:
• Domyos (sport da effettuare in palestra, danza, yoga) • B’Twin (ciclismo)
• Kipsta (sport di squadra)
• Tribord (sport acquatici e di vela) • Quechua (escursionismo)
• Wed’ze (sci, snowboard) • Simond (arrampicata) • Nabaiji (nuoto)
• Newfeel (walking)
• Artengo (sport di racchetta) • Inesis (golf)
• Kalenji (running) • Caperlan (pesca) • Solognac (caccia) • Fouganza (equitazione)
• Geologic (sport di precisione)
• Aptonia (nutrizione e cura dello sportivo) • Geonaute (elettronica)
• Orao (ottica)
• Oxelo (roller, skate, pattinaggio) • Outshock (sport da combattimento)
I marchi Decathlon non si limitano, però, solo ai prodotti, ci sono infatti, anche sei marche dei componenti:
• Equarea (materiali traspiranti) • Essensole (solette per le scarpe) • Novadry (tecnologie impermeabili)
• Stratermic (materiali per garantire calore e leggerezza) • Strenfit (materiali per garantire leggerezza e robustezza) • Supportiv (tecnologie per la compressione e il sostegno)
2.2 Decathlon Italia
Decathlon apre in Italia il suo primo punto vendita nel 1993 a Baranzate di Bollate (MI). Nel giro di due anni ci saranno altre due aperture sempre nella stessa zona Corsico (MI) e Lissone (MB) (attuale sede centrale).
Il 1993 non è però il vero inizio di Decathlon in Italia, nel 1991, infatti, l’azienda aveva iniziato la sua produzione per il reparto ciclismo.
L’Italia rimane ancora oggi uno dei paesi più importanti, non solo dal punto di vista commerciale, con i suoi 109 punti vendita, ma anche produttivo. In Italia avviene, infatti, la produzione di articoli per il ciclismo, calzature, materiale ottico (maschere da sub, occhiali da sole, occhialini per piscina), materiali in plastica (sia prodotti che componenti), e materiale tessile per vari reparti. L’Italia è inoltre un importante polo logistico, nel 1998 apre,
infatti, il primo Centro di Approvvigionamento Regionale a Basiano (MB). Oggi i CAR in Italia sono tre atti a rifornire i 109 negozi del paese più qualche punto vendita dell’Est Europa.
Oggi Decathlon Italia conta, oltre ai 109 punti vendita, più di 7000 dipendenti. Il bilancio 2015 è stato chiuso con un fatturato di € 1.141.218.790, un EBITDA di € 71.886.423 e un utile netto pari a € 37.344.729 (Fonte: Banca dati AIDA).
2.3 Le recensioni in Decathlon Italia
Decathlon per monitorare la soddisfazione dei clienti per i propri prodotti lancia nel 2013 le recensioni. Esse hanno, infatti, una duplice funzione:
• Supportare i consumatori nelle proprie scelte di acquisto on-line sul sito aziendale
• Monitorare la soddisfazione dei clienti ed intervenire sui prodotti meno graditi
Negli ultimi anni Decathlon sta attuando una strategia multicanale con l’obiettivo di creare sinergie tra le esperienze di acquisto on-line e off-line (acquisto on-line e ritiro del prodotto sul punto vendita, acquisto on-line da postazioni dedicate all’interno dei negozi per taglie o prodotti non presenti al momento), che non potrebbe essere perseguita senza il supporto delle recensioni.
Inoltre, essendo Decathlon non solo rivenditore, ma anche produttore di buona parte della propria offerta, le recensioni sono ottimi feedback per capire cosa migliorare nei propri articoli. Ogni prodotto con un punteggio medio inferiore a 3 viene revisionato dalla funzione produttiva e migliorato o tolto dall’offerta.
Dopo l’introduzione delle recensioni sui prodotti, nel 2015 sono state lanciate le recensioni sull’esperienza di acquisto in store. Grazie a queste recensioni l’azienda riesce a monitorare se la clientela è soddisfatta della propria esperienza nel punto vendita e quali sono gli aspetti da migliorare.
Nel 2016, infine, sono state introdotti altri due tipi di recensioni, ossia le recensioni sull’esperienza di acquisto on-line e le recensioni sul servizio laboratorio. Recensioni che però non sono state prese in considerazione in questo lavoro.
Nel 2016 sono state postate sul sito www.decathlon.it 98.247 recensioni sui prodotti e 66.621 recensioni sui negozi. Questi numeri testimoniano quanto i consumatori siano coinvolti, la loro voglia di lasciare i propri feedback e, soprattutto, che mole di dati l’azienda detiene da poter sfruttare in chiave di marketing.
I dati utilizzati per la stesura di questa tesi provengono dai due database “Recensioni prodotto” e “Recensioni negozio”. Dal database sono stati estratti due dataset con tutte le recensioni pubblicate dal 1 aprile 2016 al 31 marzo 2017.
3 Metodo
3.1 I Dataset
Per effettuare lo studio proposto in questo lavoro sono stati analizzati due dataset in formato .xls, ricavati dai database “Recensioni prodotto” e “Recensioni negozio” di Decathlon Italia. Questi sono rispettivamente costituiti da 88.559 e 80.910 righe. Corrispondono a tutte le recensioni rilasciate nel periodo compreso tra il 1 aprile 2016 e il 31 marzo 2017. Entrambi i dataset presentano nelle colonne gli item utilizzati per effettuare questa ricerca e che in azienda vengono sfruttati in chiave di marketing, ad esempio per migliorare i prodotti o la shopping experience.
Le variabili presenti sono di 3 tipi:
• Informazioni create in automatico dai software gestionali dell’azienda
• Risposte chiuse fornite dai clienti • Risposte aperte fornite dai clienti
3.1.1 Recensioni prodotto
Il dataset riguardante le recensioni dei prodotti, contenente 88.559 pubblicazioni, presenta i seguenti item:
1. Data di pubblicazione 2. Marca
3. Tipologia di recensione 4. Codice articolo
5. Nome articolo
6. Punteggio della recensione 7. Raccomandato (si/no) 8. Taglia del prodotto 9. Larghezza del prodotto 10. Titolo della recensione
11. Aspetti negativi 12. Aspetti positivi
13. Testo della recensione 14. Risposta alla recensione
15. Punto vendita di acquisto del prodotto 16. Fonte della recensione
17. Codice della famiglia di prodotto 18. Nome della famiglia di prodotto 19. Paese
20. Metodo tramite il quale la recensione è stata rilasciata 21. Sesso del recensore
22. Età del recensore
23. Periodo di utilizzo del prodotto da parte del recensore
24. Mansione (nel caso di recensione da parte di un dipendente) 25. Numero del negozio (nel caso di recensione da parte di un
dipendente)
Non tutti gli item sono stati presi in considerazione nello studio, alcuni sono stati infatti ritenuti superflui per questo lavoro (ad es. codice articolo, taglia del prodotto, codice famiglia).
Nella tabella seguente sono riportate le frequenze delle recensioni rilasciate per mese.
Si può notare come il mese con più recensioni sia agosto 2016 con 11.609 pubblicazioni, seguito da febbraio 2017 (9.964) e luglio 2016 (9931). Questi tre mesi, sempre in periodi di grande affluenza dovuta ai saldi, costituiscono da soli il 35,6% del dataset. I mesi con meno pubblicazioni corrispondono invece a novembre 2016 con 3323 recensioni rilasciate dagli utenti e marzo 2017 con 3817.
Frequenza Percentuale Aprile 2016 7511 8,5 Maggio 2016 8532 9,6 Giugno 2016 6631 7,5 Luglio 2016 9931 11,2 Agosto 2016 11609 13,1 Settembre 2016 8046 9,1 Ottobre 2016 8572 9,7 Novembre 2016 3323 3,8 Dicembre 2016 5680 6,4 Gennaio 2017 4943 5,6 Febbraio 2017 9964 11,3 Marzo 2017 3817 4,3 Totale 88559 100,0
Tabella 1: Frequenza mensile recensioni prodotto
Per quanto riguarda, invece, la distribuzione di frequenza per giorno della settimana non si notano differenze significative nei giorni feriali. L’unica cosa da segnalare è, infatti, la scarsa propensione a recensire di domenica, probabilmente per la più bassa probabilità di trovarsi di fronte a uno schermo di un computer. Il sabato, invece, nonostante sia un giorno di week-end fa registrare una percentuale (15,4) molto alta.
Frequenza Percentuale Lunedì 13450 15,2 Martedì 12667 14,3 Mercoledì 11979 13,5 Giovedì 13751 15,5 Venerdì 13085 14,8 Sabato 13638 15,4 Domenica 9989 11,3 Totale 88559 100,0
Tabella 2: Frequenza recensioni prodotto per giorno della settimana
I negozi nei quali sono stati acquistati i prodotti sottoposti a recensione sono stati catalogati nelle 4 aree Nielsen (Nord-Ovest, Nord-Est, Centro, Sud), in modo da avere un’idea dell’estrazione geografica delle recensioni, che, ovviamente, è dovuta a presenza dei negozi sul territorio e numerosità della clientela di essi.
In tabella sono riportate numero di recensioni e percentuale sul totale per area Nielsen: Frequenza Percentuale Nord-Ovest 33036 37,30 Nord-Est 20760 23,44 Centro 20083 22,68 Sud 14680 16,58
Tabella 3: Frequenza recensioni prodotto per Area Nielsen
L’area Nord-Ovest con 33.036 recensioni è quella che presenta una frequenza più alta. Questo dato sicuramente è dovuto alla presenza dei negozi di Grugliasco (Torino), Lissone, Milano Cairoli e Corsico (Milano), tra i 7 negozi con più pubblicazioni. Lo store che fa registrare il maggior
numero di recensioni sui prodotti è però Porta di Roma che ne conta ben 2.878 nel periodo considerato. Il negozio numericamente meno rilevante del dataset è invece Ancona centro, non o non solo per la scarsa propensione dei propri clienti a recensire o per un basso numero di prodotti venduti, ma semplicemente poiché questo punto vendita ha iniziato l’attività durante il periodo analizzato (3 dicembre 2016).
3.1.2 Recensioni negozio
Il secondo dataset, quello relativo alle recensioni effettuate sui negozi da parte della clientela, costituito da 80.910 recensioni rilasciate nel periodo considerato, presenta i seguenti item:
1. Data di pubblicazione 2. Tipologia di recensione
3. Numero del punto vendita recensito 4. Punto vendita recensito
5. Punteggio della recensione 6. Raccomandato (si/no) 7. Aspetti positivi
8. Aspetti negativi
9. Testo della recensione 10. Risposta alla recensione 11. Fonte della recensione 12. Paese
13. Metodo tramite il quale la recensione è stata rilasciata 14. Area del negozio recensito
15. Laboratorio corrispondente a tale area 16. Competenza/tecnicità del personale 17. Accoglienza/cortesia dei venditori 18. Rapporto qualità prezzo
20. Rapidità nel trovare personale a cui chiedere 21. Fluidità in cassa per il pagamento
Anche per quanto riguarda le recensioni negozio alcuni variabili sono state trascurate poiché ritenute superflue al fine di questo studio.
La frequenza mensile rilevata in questo secondo dataset è simile a quella fatta registrare in quello relativo ai prodotti, anche se con talune differenze. Sono infatti anche per i negozi i periodi di saldi quelli maggiormente recensiti. I mesi con frequenza più alta sono però in questo caso luglio 2016 con 11.855 pubblicazioni, aprile 2016 con 9.484 e gennaio 2017 con 8.209. Anche nel dataset dei negozi i mesi novembre 2016 e marzo 2017 sono tra quelli con una frequenza più bassa, ma seguiti comunque da maggio 2016 (3945 recensioni) e ottobre 2016 che con 1.839 recensioni rappresenta solamente il 2,3% del dataset.
Frequenza Percentuale Aprile 2016 9484 11,7 Maggio 2016 3945 4,9 Giugno 2016 5761 7,1 Luglio 2016 11855 14,7 Agosto 2016 7041 8,7 Settembre 2016 7358 9,1 Ottobre 2016 1839 2,3 Novembre 2016 4756 5,9 Dicembre 2016 7691 9,5 Gennaio 2017 8209 10,1 Febbraio 2017 7657 9,5 Marzo 2017 5314 6,6 Totale 80910 100,0
Anche per le recensioni relative ai negozi non si registrano particolari differenze durante i giorni della settimana, eccezion fatta per la domenica che rimane il giorno nel quale si recensisce meno:
Frequenza Percentuale Lunedì 15253 18,9 Martedì 12484 15,4 Mercoledì 10545 13,0 Giovedì 10859 13,4 Venerdì 13438 16,6 Sabato 10649 13,2 Domenica 7682 9,5 Totale 80910 100,0
Tabella 5: Frequenza recensioni negozio per giorno della settimana
La distribuzione territoriale è molto simile a quella vista per le recensioni sui prodotti come si può notare in tabella:
Frequenza Percentuale
Nord-Ovest 29746 36,76
Nord-Est 18393 22,73
Centro 18264 22,57
Sud 14507 17,93
Tabella 6: Frequenza recensioni negozio per Area Nielsen
Anche in questo caso il negozio maggiormente recensito è Porta di Roma con 2453 pubblicazioni seguito da Grugliasco (Torino) e Fiumicino (Roma) rispettivamente con 2012 e 2003 recensioni. È ancora Ancona centro il
punto vendita meno recensito, ovviamente sempre a causa dell’apertura a dicembre.
3.2 Metodo di analisi
Il lavoro si è svolto in due fasi: prima è stata effettuata un’analisi del contenuto utilizzando il software LIWC, in un secondo momento i risultati scaturiti da questa analisi sono stati inseriti nei due dataset per poter essere studiati insieme alle altre variabili già presenti con l’utilizzo di SPSS.
3.2.1 L’analisi del contenuto
Il primo step di questo studio è stata la content analysis. Nei due dataset erano presenti 3 item che si potevano prestare ad un’analisi di questo genere, poiché costituiti da testo libero scritto dai consumatori:
• Testo della recensione • Aspetti positivi
• Aspetti negativi
È stato deciso di analizzare con il software LIWC solo il primo di questi item, poiché gli altri due presentavano spesso poche parole di testo e tante celle vuote.
L’analisi, come detto in precedenza, è stata effettuata tramite il software “Linguistic Inquiry and Word Count”. LIWC permette infatti di inserire file di testo e contarne i vocaboli all’interno. In automatico il software classifica i termini tramite dizionari, permettendo di calcolare la percentuale di parole dei testi analizzati, che fanno parte del dato dizionario. In origine erano 2 i dizionari utilizzati sul software (in lingua inglese): positive emotion e negative emotion, oggi sono più di 80 che spaziano su vari argomenti (es. Pronoun, Cognitive Process, Social, Affect ecc.) (Tausczick, Pennebaker, 2010).
1. Emozioni positive 2. Emozioni negative
Sono state scelte queste due categorie poiché ritenute le più utili per effettuare una sentiment analysis sul testo delle recensioni rilasciate degli utenti.
I 2 dizionari sono nati dai dizionari esistenti in italiano (Appendice 1) e i dizionari esistenti in inglese (Appendice 2). Non sono stati sfruttati direttamente i dizionari esistenti in italiano poiché ritenuti limitati e poco rappresentativi. Sfruttando invece i dizionari in inglese, molto più completi dei primi, è stato fatto un matching tra la traduzione di questi e i vocaboli già presenti nei dizionari in italiano. Il risultato è stato poi revisionato da un giudice per verificarne l’attendibilità.
Alla fine di questo processo sono stati inseriti i 2 dizionari risultanti (Appendice 3) all’interno del software LIWC che ne ha calcolato la percentuale di presenza all’interno dei file di testo analizzati. Le percentuali calcolate tramite LIWC sono poi state aggiunte ai 2 dataset “Recensioni prodotto”, “Recensioni negozio”.
4 Risultati
Lo studio effettuato sui 2 dataset ottenuti ha prodotto i seguenti risultati.
4.1 Recensioni prodotto
Il punteggio medio che i recensori hanno dato ai prodotti Decathlon è 4,34. In tabella 7 sono riportate le frequenze di ciascun punteggio.
Frequenza Percentuale 1 1363 1,5 2 1748 2,0 3 6770 7,6 4 34236 38,7 5 44442 50,2 Totale 88559 100,0
Tabella 7: Frequenza score recensioni prodotto
Ben il 50,2% dei clienti ha dato 5 punti. Se a coloro che hanno dato il punteggio massimo sommiamo gli utenti che hanno dato 4 raggiungiamo la percentuale di 88,9% di punteggi positivi.
Sicuramente un risultato degno di nota, ma non esageratamente sorprendente. Non è raro, infatti, vedere una distribuzione di questo genere. I consumatori che rilasciano recensioni lo fanno nella maggioranza dei casi per rilasciare commenti positivi, non il contrario. Nelle figure proposte vediamo alcuni esempi presi da TripAdvisor o Amazon a testimonianza del fenomeno:
Figura 1: Esempio TripAdvisor
Figura 2: Esempio TripAdvisor
Figura 3: Esempio Amazon
Figura 4: Esempio Amazon
Inoltre Decathlon ha una brand awareness molto forte, per cui i clienti che scelgono questa insegna sanno, quasi sempre, a che genere di offerta vanno incontro. Perciò è altamente improbabile che siano insoddisfatti dei prodotti che trovano nei punti vendita a tal punto da rilasciare una recensione negativa. Qualora lo siano, è probabile che nel medio-lungo periodo decidano di cercare dei prodotti adatti alle proprie esigenze altrove. Tramite questo processo di auto-regolazione del mercato è possibile che la forbice tra recensioni positive e negative continui ad aumentare.
Anche il dato sulla raccomandazione dei prodotti da parte degli utenti è decisamente positivo. Il 93,14% dei recensori, infatti, raccomanda il prodotto acquistato.
Da rilevare il comportamento di alcuni consumatori che raccomandano il prodotto nonostante abbiano dato 1 o 2 stelle di punteggio, e al contrario consumatori che non raccomandano nonostante aver assegnato punteggi positivi (4 o 5). Questo potrebbe esser dovuto ad errori in fase di compilazione o a una scarsa comprensione del testo da parte degli utenti. Nonostante questi casi particolari le due variabili sono correlate, fanno registrare infatti un Chi quadrato di Pearson pari a 45.100,892.
Non ci sono grandi differenze tra le varie classi di età, anche se a causa della dimensione del campione sono comunque significative. Gli under 20 sono coloro che danno punteggi più alti. A dare invece i punteggi minori sono il gruppo di consumatori 30-39, mentre fanno parte della classe di età 20-29 i clienti più propensi a dare 3 (il valore medio).
È più interessante osservare la differenza di score assegnata ai prodotti in base alla distanza temporale dall’acquisto.
Grafico 2: Media di score recensioni prodotto per distanza temporale acquisto
3,80 3,90 4,00 4,10 4,20 4,30 4,40 4,50 4,60
1 week or less 2-8 weeks 3-6 months 7-12 months 1-2 years More than 2 years Media
Come si può desumere dal grafico, il punteggio medio cresce all’aumentare della distanza temporale dall’acquisto. “Una settimana o meno” fa registrare una media di score pari a 4,09, media che cresce subito a 4,36 nella seconda opzione (2-8 settimane). La crescita prosegue, anche se in modo meno netto fino a raggiungere 4,55 nell’item “Più di 2 anni”. Questo si potrebbe spiegare considerando il fatto che un consumatore che utilizza da molto tempo un prodotto ne sia soddisfatto e coinvolto, e sarà portato ad assegnare punteggi più alti.
4.1.1 Content analysis
Linguistic Inquiry and Word Count ha fornito la percentuale di parole positive e negative all’interno del testo delle recensioni. Queste sono state analizzate in base allo score di prodotto.
Come si può agilmente notare dal grafico la percentuale di parole positive aumenta al crescere del punteggio assegnato dai recensori, mentre diminuisce la percentuale di quelle negative. Questo innanzitutto dà valore ai dizionari costituiti per questo studio. Inoltre la coerenza tra testo delle recensioni e punteggi sottolinea come lo score sia giustificato nella recensione. Per questo l’azienda non può esimersi dal tenere monitorati, non solo i punteggi, ma anche i testi condivisi dagli utenti.
Un aspetto interessante che emerge è che, all’aumentare dello score, la crescita, in termini percentuali, delle parole positive è nettamente superiore alla decrescita di quelle negative, questo nonostante che i vocaboli presenti nel secondo dizionario siano numericamente superiori agli altri. La percentuale di parole positive passa, infatti da 2,68 a 20,73, mentre le negative passano da 4,55 a 0,77. Questo sembrerebbe suggerire che non solo i consumatori sono portati a dare maggiormente giudizi positivi quando recensiscono, ma anche che si limitano ad esprimersi negativamente quando danno un punteggio basso.
4.2 Recensioni negozio
Anche le recensioni rilasciate in merito ai punti vendita sono decisamente positive e lo score è in linea con quello di prodotto. Il punteggio medio è infatti 4,33. In tabella 8 sono riportate le frequenze.
Frequenza Percentuale 1 497 0,6 2 1042 1,3 3 6928 8,6 4 35578 44,0 5 36865 45,6 Totale 80910 100,0
I valori positivi rappresentano l’89,6%. Il punteggio pieno nei negozi è però meno frequente rispetto a quanto registrato per i prodotti ed è quasi allineato al valore 4, come è facile notare dal grafico 4.
Grafico 4: Frequenza score recensioni negozio
Anche il dato sulla raccomandazione è estremamente positivo: l’89,92% dei recensori raccomanderebbe il negozio visitato. Anche per le raccomandazioni sui negozi nonostante qualche dato in controtendenza, ossia negozi con punteggi alti non raccomandati o viceversa, c’è coerenza testimoniata da un Chi Quadrato di Pearson pari a 8671,86.
4.2.1 Analisi delle singole variabili
Il dataset “Recensioni negozio” presentava inoltre 6 item da poter ulteriormente analizzare: “Competenza/tecnicità del personale”, “Accoglienza/cortesia dei venditori”, “Rapporto qualità/prezzo”, “Facilità nel
trovare i prodotti in negozio”, “Rapidità nel trovare personale a cui chiedere”, “Fluidità in cassa per il pagamento”.
Non tutte queste variabili studiate hanno la stessa distribuzione. “Accoglienza/cortesia dei venditori” e “Rapidità nel trovare personale a cui chiedere” hanno una distribuzione piuttosto lineare molto simile a quella vista per le recensioni sui prodotti.
Grafico 6: Frequenza score rapidità nel trovare personale a cui chiedere
Fluidità in cassa per il pagamento è molto simile, invece allo score di negozio in generale, ossia ha i punteggi 4 e 5 molto vicini con una leggera predominanza di quest’ultimo.
Grafico 7: Frequenza score fluidità in cassa per il pagamento
Un andamento simile si trova nelle variabili competenza/tecnicità del personale e rapporto qualità/prezzo, ma in questo caso la leggera predominanza è del punteggio 4.
Grafico 8: Frequenza score competenza/tecnicità del personale
Facilità nel trovare i prodotti in negozio ha dei valori leggermente diversi rispetto alle altre variabili una frequenza del punteggio 4 nettamente più alta.
Grafico 10: Frequenza score Facilità nel trovare i prodotti in negozio
La cosa interessante da vedere, non sono tanto i punteggi delle singole variabili, ma come esse influiscano sullo score generale di negozio. Per poter stimare questa influenza è stato fatto un modello di regressione con variabile dipendente “score” e variabili indipendenti “Competenza/tecnicità del personale”, “Accoglienza/cortesia dei venditori”, “Rapporto qualità/prezzo”, “Facilità nel trovare i prodotti in negozio”, “Rapidità nel trovare personale a cui chiedere”, “Fluidità in cassa per il pagamento”. Dai grafici è ben visibile come il modello sia quasi lineare.
Grafico 11: Regressione “Competenza/tecnicità del personale”
Grafico 13: Regressione “Rapporto qualità/prezzo”
Grafico 15: Regressione “Fluidità in cassa per il pagamento”
Dalla tabella, invece, si desume la variabilità spiegata di score (variabile dipendente) dai parametri studiati (tutti tranne “rapidità nel trovare qualcuno a cui chiedere” perché il numero di dati limitato è stato considerato poco significativo).
Modello Coefficienti non
standardizzati Coefficienti standardizzati B Deviazione standard Errore Beta 1 (Costante) 0,574 0,175 Staff Competence 0,133 0,040 0,158 Staff kindness 0,275 0,043 0,298 Attractive prices 0,291 0,041 0,282 Choice and availability of products 0,192 0,032 0,234 Shopping Experience 0,080 0,030 0,107 R-quadrato R-quadrato corretto F Sig. 0,532 0,526 83,057 0,000c
Tabella 9: Variabilità spiegata di score
Dalla tabella emerge che le variabili che maggiormente spiegano la variabilità di score sono “Accoglienza/cortesia dei venditori” e “Rapporto
qualità/prezzo”, seguite da “Facilità nel trovare i prodotti in negozio”. Solo il 15,8% della variabilità di score dipende da “Competenza/tecnicità del personale” e infine la variabile meno rilevante risulta “Fluidità in cassa per il pagamento”.
Questi risultati sono molto interessanti da un punto di vista aziendale. Innanzitutto per quanto concerne le risorse umane. Appare chiaro, infatti, che la clientela necessiti soprattutto di cortesia e attenzione, anche a scapito di elevate competenze tecniche. Questo è sicuramente un dato da tener presente sia in fase di recruiting che di formazione del personale. “Accoglienza e cortesia dei venditori” supera anche “Rapporto qualità/prezzo”. Questo può far sorprendere considerato il business model di Decathlon che fa del rapporto qualità/prezzo il suo principale punto di forza. Bisogna sottolineare che le due variabili distano un solo punto percentuale, ma con una mole di dati così grande anche una differenza tanto bassa può essere significativa. Perciò l’azienda potrebbe addirittura pensare di poter alzare leggermente i prezzi, se riuscisse ad offrire degli staff in grado di mantenere uno standard di cortesia e attenzione al cliente estremamente elevato.
Un’ulteriore analisi interessante è ripetere lo stesso studio suddividendo le 4 aree geografiche Nielsen per capire se vi sono differenze dovute a fattori ambientali, territoriali e/o culturali. L’area Nord-Est è in linea con il dato nazionale. Anche nei punti vendita del Nord-Ovest la clientela è in linea con quella nazionale, anche se in questa zona la competenza del personale supera “Facilità nel trovare i prodotti in negozio”. L’area Centro e Sardegna non presenta enormi differenze, tranne in “Facilità nel trovare i prodotti in negozio” che fa registrare un punteggio molto basso, poco superiore a “Fluidità in cassa per il pagamento”. L’area che fa registrare le peculiarità più interessanti è Sud e Sicilia. “Accoglienza/cortesia dei venditori” e “Rapporto qualità/prezzo” scendono intorno al 15% mentre “Competenza/tecnicità del personale” sale vertiginosamente al 36,3%.
Dato in controtendenza con i risultati a livello nazionale che deve essere monitorato e tenuto in considerazione per il reclutamento e lo sviluppo delle risorse umane in questa zona.
Per l’azienda potrebbe essere utile andare ulteriormente in profondità nell’analisi e valutare la variabilità spiegata di score nei singoli negozi, in modo da poter garantire una shopping experience adeguata in ogni punto vendita. Nel corso di questo lavoro questa analisi in profondità è stato fatta su alcuni store ritenuti rilevanti per il numero di recensioni presenti. Sono emerse in alcuni casi differenze rilevanti che il management potrebbe e dovrebbe monitorare.
4.2.2 Content analysis
Anche nel dataset “Recensioni negozio” l’analisi del contenuto ha dimostrato coerenza tra i punteggi e i testi delle recensioni.
Come si può vedere dal grafico non ci sono differenze rilevanti tra i due dataset analizzati. Anche per le recensioni sui punti vendita si può evidenziare la differenza esistente tra la crescita della percentuale di parole positive, che passa da 2,21% a 19,21%, rispetto alla decrescita di parole negative, che da 4,04% scende a 0,58%, all’aumentare del punteggio. È stata, inoltre, valutata l’eventuale correlazione tra la lunghezza del testo delle recensioni e il numero di parole positive o negative al loro interno tramite l’indice di correlazione di Pearson.
Positive emotions Negative
emotions Word count Positive emotions Correlazione di Pearson 1 -0,132** -0,267** Sig. (2-code) 0,000 0,000 N 80910 80910 80910 Negative emotions Correlazione di Pearson -0,132** 1 0,089** Sig. (2-code) 0,000 0,000 N 80910 80910 80910 Word count Correlazione di Pearson -0,267** 0,089** 1 Sig. (2-code) 0,000 0,000 N 80910 80910 80910
Tabella 10: Correlazione tra “Numero di parole” e “Emozioni positive/negative”
Dalla tabella si evince che c’è una correlazione negativa tra emozioni positive e numero di parole (-0,267) e al contrario una leggera correlazione positiva tra emozioni negative e lunghezza del testo (0,089). Quindi la tendenza riscontrata è quella di scrivere recensioni più lunghe per
recensioni negative, mentre rilasciare recensioni più sintetiche nel caso di commenti positivi. Probabilmente questo risultato non ha grandi impatti da un punto di vista manageriale, ma è comunque interessante per capire il comportamento del consumatore on-line.
Conclusioni
Le recensioni on-line sono un fenomeno tutt’altro che trascurabile e in netta crescita. I consumatori rilasciano il proprio parere sui prodotti e i servizi che trovano sul mercato, e questi sono in grado di influenzare i dati di vendita determinando il successo di prodotti o servizi. Le aziende non devono esimersi, quindi, dall’incentivare e monitorare l’opinione dei propri consumatori. Non solo per l’aumento in termini di fatturato che essi possono generare rilasciando recensioni positive, ma anche per rilevare e analizzare le criticità che emergono dai contenuti pubblicati dagli utenti, e poter prontamente intervenire.
Per quanto siano un ottimo strumento le recensioni sono spesso viziate dal fenomeno delle recensioni fake. Le aziende dovrebbero non solo agire in modo etico evitando di incentivare questo malcostume, ma anche cercare di tutelarsi, magari utilizzando software di content analysis per rilevare le pubblicazioni false. Ciò dovrebbe ovviamente esser supportato dalle istituzioni in modo da non lasciare impunito chi pubblica questo genere di recensioni.
Un’azienda che dal 2013 ha inserito la possibilità di rilasciare recensioni sul proprio sito è Decathlon. Recensioni che vengono costantemente monitorate per migliorare prodotti e shopping experience. L’attenzione che l’azienda dimostra verso le opinioni dei propri clienti sta indubbiamente portando ottimi risultati. L’azienda è ancora in crescita in Italia a distanza di 24 anni dall’apertura del primo punto vendita e fa registrare risultati economici ottimi.
Le recensioni on-line confermano i risultati di bilancio con un punteggio medio per i prodotti pari a 4,34 e per i negozi di 4,33. Il database aziendale permette inoltre di fare delle analisi che possono essere preziose per Decathlon, in particolare per quanto riguarda le recensioni sui punti vendita. È emerso, infatti, che l’aspetto più importante per i consumatori
Decathlon è la gentilezza e cortesia del personale. Questo dato è veramente interessante considerando che tra le variabili studiate c’è il rapporto qualità/prezzo, da sempre un punto di forza chiave per l’azienda. Da sottolineare però che non in tutte le zone d’Italia si rispecchiano questi risultati. Un’azienda dinamica come Decathlon non può fare a meno di analizzare le differenze territoriali e prendere decisioni di conseguenza.
Ricerche future
Questo lavoro getta le basi su future ricerche che possono esser effettuate sull’argomento, sia da parte del mondo accademico che dall’azienda. L’analisi del contenuto effettuata sui dataset si è limitata a “emozioni positive” e “emozioni negative”; in futuro si potrebbe estendere questa ricerca utilizzando altri dizionari.
Potrebbe inoltre essere interessante, soprattutto per l’azienda, ricercare quali sono le variabili più rilevanti per i consumatori in ogni punto vendita per massimizzare l’offerta.
Infine, sia da un punto di vista accademico, che manageriale, potrebbe essere effettuata un’ulteriore analisi, cercando di capire se le valutazioni sui punti vendita influenzino le valutazioni sui prodotti acquistati.
Appendici Appendice 1: Dizionari esistenti in italiano Emozioni positive accord accord* accudire ador* affetti affetto ama amando amano amare Amer* amata amate amati amato amav* ammir* amo amore amoros* appassionata appassionate appassionati appassionato armonia assiste assistenza assistere assisteva attaccamento bene cara care cari caro clemen* conforta confortare confortat* confortav* confortevo conforto curarmi curarsi curav* daccordo devot* devozione diletta diletti diletto estasi felic* ghigno gioi* gode godere godev* godiamo godo goduto incoragg* liet* passione perdon* piaccia piacciamo piacciano piacciate piaccio piacciono piace piacendo piacente piacera piacerai piaceranno piacere piacerebbe piacerebbero piacerei piaceremmo piaceremo piacereste piaceresti piacerete piacero' piacesse piacessero piacessi piacessimo piaceste piacete piacev* piaceva piacevamo piacevano piacevate piacevi piacevo piaci piaciut* prendersicura prodiga prodigano prodigo protegga proteggano protegge proteggendo protegger* proteggerai proteggeranno proteggere
proteggerebbe proteggerebbero proteggerei proteggeremmo proteggeremo proteggereste proteggeresti proteggerete proteggerÚ proteggesse proteggessero proteggessi proteggessimo proteggeste proteggete proteggeva proteggevamo proteggevano proteggevate proteggevi proteggevo proteggi proteggiamo proteggiate proteggo proteggono protett* rallegrar* rallegrato rallegrava rasserenare rasserenat* rasserener* rida ridacchiare ridano ride ridendo ridente riderai rideranno ridere riderebbe riderebbero riderei rideremmo rideremo ridereste rideresti riderete ridero ridesse ridessero ridessi ridessimo rideste ridete rideva ridevamo ridevano ridevate ridevi ridevo ridi ridiamo ridiate rido ridono risat* riso salva salvare salvat* salvav* salver* serena serenamente sereni sereno siprendecura siprendevacura sipresecura soddisfatt* sorridere sorridev* sorrido sorris*
Emozioni negative affann* affaticat* afferrabil* aggrav* aggress* agita* agonia allarm* amaramente amaro ammutol* angosc* angust* annoiare anomalia ansi* antagonis* apprens* appropriarsi arrabb* arrogan* aspir* assal* avid* bastard* battuto biasim* bramos* brontol* brutto bugia bugiard* bugie buio capricc* carica caricare caricat* caricher* carita' cattiv* cazzate cinic* claudicante collera colpa colpe colpevol* combatte combattera' combattere combatteremo combattero' combattev* combatti combatto combattuto compassion* complicato confront* confusione confuso contraddi* cornut* costerna* crep* crudel* cupi cupo dann* debolezza decade decadenza decadimento defezione degrad* deluda deludano delude deludendo deludente deludera deluderai deluderanno deludere deludere deluderebbe deluderebbero deluderei deluderemmo deluderemo deludereste deluderesti deluderete deludesse deludessero deludessi deludessimo deludeste deludete deludeva deludevamo deludevano deludevate deludevi deludevo deludi deludiamo deludiate deludo deludono deluso demoralizzarsi demoralizzat* depress* deprimente destin* diabolico diavolo difenda difendano difende difendendo difendente difendera difenderai
difenderanno difendere difenderebbe difenderebbero difenderei difenderemmo difenderemo difendereste difenderesti difenderete difendero difendesse difendessero difendessi difendessimo difendeste difendete difendeva difendevamo difendevano difendevate difendevi difendevo difendi difendiamo difendiate difendo difendono difesa difeso difett* difficil* difficolta diffid* disagio disapprov* disastr* disgust* dispera dispiac* disprezz* distrugga distruggano distrugge distruggendo distruggente distruggera distruggerai distruggeranno distruggere distruggerebbe distruggerei distruggeremmo distruggeremo distruggereste distruggeresti distruggerete distruggero distruggesse distruggessero distruggessi distruggessimo distruggeste distruggete distruggeva distruggevamo distruggevano distruggevate distruggevi distruggevo distruggi distruggiamo distruggiate distruggo distruggono distrutto disturba disturbano disturbat* disturbate disturbi disturbo diviet* dolente dolor* domin* dub* egois* egotis* emotiv* esasper* esita esitante esitazione evit* fastid* fatale faticos* ferire ferita feroce floscio folle follia fossa fottere fottut* frantumat* fregnacc* frenetic* frustra* furios* gelos* grave gravemente gravi gridare guai guaio ignoranza illegittim* imbarazz* imbrogl* impaurit* impazient* impazzire impersonal* importun* inadeguat*
incazza incazzat* incazzav* incazzo incert* indifeso indifferen* indigenza inefficac* infastidit* inferiore inferno infuri* inib* inquiet* insicur* instabil* insult* intimid* intorpidit* inutile invidia invidios* ira irat* irrazional* irrita* isolam* isolat* lament* lite litigare litigio lotta lottando lottare lottato lottatore lottav* lutto male maled* malinc* maltratt* malumore manca mancando mancano mancante mancanza mancare mancat* mancav* mancher* manco mania matta matte matti matto menzogn* mignotta miserabile molest* moscio mut* nebbioso negligen* nemic* nervos* noia noios* nostalg* odia odiando odiare odiava odio odios* offend* oltraggio orribile orrore oscur* ostil* ostinat* panico paranoi* parassita pasticcio patetic* patire patit* paur* peccat* peggio peggiorament* peggiorare peggiorat* peggiorava peggiorer* perde perdendo perdente perdera' perderai perderanno perdere perderebbe perderebbero perderei perderemmo perderemo perdereste perderesti perderete perdero' perdesse perdessero perdessi perdessimo perdeste perdete perdeva perdevamo perdevano perdevate perdevi perdevo
perdi perdiamo perdiate perdit* perdo perdono perdut* pericol* persa perse persi perso perver* pessimis* pettegol* pianga piangano piange piangendo piangente piangera piangerai piangeranno piangere piangerebbe piangerebbero piangerei piangeremmo piangeremo piangereste piangeresti piangerete piangero piangesse piangessero piangessi piangessimo piangeste piangete piangev* piangeva piangevamo piangevano piangevate piangevi piangevo piangi piangiamo piangiate piango piangono piansi pianti pianto picchiato pidocch* pieta' pietos* pietrific* pisc* poveracci* pregiudiz* preoccup* priva privare privazione problem* protesta protestai protestando protestato protestav* proteste protesto puni* purtroppo puttana rabbia rammaric* rapiment* rassegnat* rassegnazione rassegno ribell* ricarica ricaricano ricaricav* ricaricher* ricarico ridicol* rimpian* rimprover* rinneg* rinunc* rompelepalle romperelepalle rompolepalle rottilepalle rottolepalle rotturadicazzo rotturadiminchia rotturadipalle rozzo sacrific* scans* scappare scarica scaricare scaricat* scaricav* scart* schiacc* schif* sciupa sciupare sciupat* sciupav* sciuper* sciupo scoccia scocciare scocciat* scocciav* scoccier* scoccio sconfitt* sconfort* scopare scoppia
scoppiando scoppiare scoppiat* scoppiav* scoppier* scoppio scoraggia scoraggiamento scoraggiamo scoraggiando scoraggiare scoraggiat* scoraggiav* scoraggio senzasperanza sever* sfiduc* sfogar* sfogat* sfogo sgradevol* sivergogna smania smanios* smarrit* sofferenz* soffert* soffre soffrendo soffriamo soffrira' soffrire soffriremo soffriro' soffriv* soffro soffrono sola soli solitudine sollecitato solo sommergere sopraff* sospettos* sovrastano sovrastat* spaventano spaventare spaventat* spavento spaventos* spiacevole stizza stizzit* stratton* stres* stronz* stufat* stufo stupid* subendo subire subisco svantaggiato svuot* taglia tagliare tagliat* teme temendo temere temev* temiamo temo temono temperamento tensione terribil* terrificant* terror* tesi teso testard* tetr* timor* tomba torto tragedia trascur* trascurat* traum* trauma traumatizzare traumattizzat* tremend* trist* tritat* turbare turbat* turbav* uccida uccidano uccide uccidendo uccidera ucciderai uccideranno uccidere ucciderebbe ucciderebbero ucciderei uccideremmo uccideremo uccidereste uccideresti ucciderete uccidero uccidesse uccidessero uccidessi uccidessimo uccideste uccidete uccideva uccidevamo uccidevano uccidevate uccidevi
uccidevo uccidi uccidiamo uccidiate uccido uccidono uccis* umilia* velen* vergogna vergognarsi vergognat* vergognav* vergogner* vieta* violent* violenza volgare vomit* vuot* zoccola zopp*
Appendice 2: Dizionari esistenti in inglese Emozioni positive
:) (:
(could not) like (did not) like (did) like (didn't) like (discrep) like (do not) like (do) like
(does not) like (does) like (doesn't) like (don't) like (I) like (should not) like (they) like (we) like (will not) like (will) like (won't) like (would not) like (you) like accept accepta* accepted accepting accepts active actively admir* ador* advantag* adventur* affection* agree agreeable agreeableness agreeably agreed agreeing agreement* agrees alright* amaze* amazing amazingly amor* amus* aok appreciat* approv* assur* attract attracted attracting attraction attracts award* awesome beautiful beautify beauty beloved benefic* benefit benefits benefitt* benevolenc* best bestest bestie besties better bless* bliss* bold bolder boldest boldly bonus* brave braved braver bravery braves bravest bright brilliance* brilliant brilliantly calm calmer calmest calming care cared carefree cares caring certain* challeng* champ* charit* charm* cheer cheerful cheers cheery cherish* chuckl* clever comed* comfort comfortable comfortably comforting comforts compassion* compliment*
confident confidently confindence contented* contentment cool courag* create created creates creating creations creative creativity credit* cute cuter cutest cutie* daring darlin* dear dearly decent definitely delectabl* delicate* delicious* deligh* desir* determina* determined devot* dignified dignifies dignifying dignity divin* eager eagerly eagerness ease* easier easiest easily easiness easing easy* ecsta* elegan* encourag* energ* engag* enjoy* entertain* enthus* excel excelled excellence excellent excellently excelling excels excite excited excitedly excitement exciting fab fabulous fabulously fabulousness fair fairer fairest faith* fantasi* fantastic fantastically fantasy fav fave favor favoring favorite favors favour* fearless* festiv* fiesta* fine finer finest flatter* flawless* flexib* flirt flirtatious flirting flirts flirty fond fondly fondness forgave forgiv* fortunately free free-think* freed* freeing freely frees* freethink* fun funner funnest funnier funniest funnily funniness funniness funny funny genero* gentle gentlest gently giggl*
giner* giving glad gladly glamor* glamour* glori* glory good goodness gorgeous gorgeously gorgeousness grace graced graceful* graces graci* grand grande* gratef* grati* great greater greatest grin grinn* grins ha hah haha* handsome handsomely handsomest happier happiest happily happiness happy harmon* heal healed healer* healing heals healthy heartfell heartwarm* heaven* heh helper* helpful helpfully helpfulness helping helps hero hero's heroes heroic* heroine* heroism hilarious hoho* honest honestly honor* honour* hooray hope hoped hopeful hopefully hopes hoping hug hugg* hugs humor* huomur* hurra* ideal* ily* importance important importantly impress* improve* improving incentive* innocen* inspir* intellect* intelligence intelligent interest interested interesting interests invigor* joke* joking jolly joy* keen* kidding kind kindly kindn* kiss* laidback laugh* legit libert* likeab* liked likes liking livel* lmao* lmfao* lol love loved lovelier loveliest lovely lover* loves
