1 La Conjoint Analysis. 2 La funzione di utilità del consumatore Utilità: valore che indica il...
-
Upload
loreto-tedesco -
Category
Documents
-
view
218 -
download
2
Transcript of 1 La Conjoint Analysis. 2 La funzione di utilità del consumatore Utilità: valore che indica il...
1
La Conjoint Analysis La Conjoint Analysis
2
La funzione di utilità del La funzione di utilità del consumatoreconsumatore
Utilità: valore che indica il livello di soddisfazione che un consumatore ottiene da un certo bene o da un paniere di beni con date caratteristiche
Funzione di utilità: funzione che assegna un livello di utilità ad ogni bene o paniere di beni
U = f(X)U = livello di utilitàX = caratteristiche del bene o del paniere di beni
3
La funzione di utilità del La funzione di utilità del consumatoreconsumatore
Come misurare il livello di soddisfazione del consumatore?
Quali caratteristiche del bene influiscono in modo rilevante sull’utilità?
Qual è la forma della relazione funzionale U = f(X)?
E’ possibile conoscere la funzione di utilità prima che un bene venga introdotto nel mercato?
4
Quesito fondamentale:Quesito fondamentale:Come si formano le scelte del consumatore e come possono essere previste?
?
5
Strategie aziendali interessate:Strategie aziendali interessate:
-Segmentazione del mercato (a priori/a posteriori);-Decisioni relative al prodotto;-Analisi competitiva;-Decisioni sul prezzo;-Decisioni su promozione e distribuzione
6
La Conjoint AnalysisLa Conjoint Analysis
Obiettivo: comprendere come soddisfare al meglio le esigenze del cliente
Metodo: definire un modello (quantitativo) che permetta di sapere - Quale prodotto il cliente preferisce tra tanti prodotti possibili- Quali caratteristiche del prodotto determinano questa scelta
7
Modello quantitativoModello quantitativo
Descrizione di un fenomeno osservabile e misurabile mediante relazioni quantitative (equazioni) che esprimano la dipendenza del fenomeno da altre variabili
X1 X2 … Xk Y = f(X1,X2,…, Xk )
8
Come costruire il modello?Come costruire il modello?
Il consumatore sceglie tra prodotti alternativi in base all’utilità
L’utilità dipende dalle caratteristiche dei prodotti
I prodotti possibili derivano da come si manifestano congiuntamente le diverse caratteristiche
9
Terminologia di baseTerminologia di baseFattori o attributi: caratteristiche del
prodotto/servizio in esame. Sono le variabili che il ricercatore controlla in un esperimento di Conjoint Analysis per misurare l’effetto sull’utilità del consumatore.
Livelli: sono le diverse modalità con cui si manifestano gli attributi.
Profilo o combinazione o stimolo: è una specifica combinazione dei livelli degli attributi.
10
Terminologia di baseTerminologia di base
LIVELLI
ATTRIBUTIcolore bianco nero bianco nero
dimensione singola singola doppia doppia
PROFILI
Assegnando un livello a ciascun attributo si ottiene un prodotto possibile (profilo)
Il numero di profili possibili dipende dal numero di livelli e di attributi
11
Come misurare l’utilità?Come misurare l’utilità? Intervista a un campione di potenziali
clienti Modello additivo: l’utilità di un possibile
prodotto per un rispondente è data dalla somma delle utilità dei livelli di ciascun attributo da cui il prodotto è composto
Le preferenze espresse dal cliente non riguardano i singoli livelli degli attributi
12
Come capire i desideri dei clienti?Come capire i desideri dei clienti? Chiedere qual è il livello preferito per ogni
attributo non è efficace perché i clienti preferiscono:
Marche note piuttosto che sconosciute Prezzi bassi piuttosto che alti Prestazioni più elevate possibile Ecc.
Nella realtà esistono trade-off nelle scelte di acquisto di cui bisogna tener conto è importante conoscere l’ordine di importanza degli attributi
13
Natura decompositiva del metodoNatura decompositiva del metodo I rispondenti esprimono valutazioni sui
profili mentre le preferenze sui singoli attributi e livelli sono implicite e vengono stimate (metodo full-profile)
Conjoint Analysis metrica: i rispondenti valutano ciascun profilo con un voto metodo rating
Conjoint Analysis non metrica: i rispondenti ordinano i profili sottoposti al loro giudizio in base alla preferenza metodo ranking
14
Esempio 1:Esempio 1:Nuovo modello di automobile:
Alimentazione: benzina (b) o diesel (d)
Cilindrata: 1100, 1300 o 1500
Numero profili possibili: P = 3 2 = 6
Il rispondente fornisce il seguente ordine di preferenza:
b 1.3 b 1.1 d 1.5 b 1.5 d 1.3 d 1.1
1 2 3 4 5 6
15
Esempio 1:Esempio 1:Traformando i ranghi in punteggi crescenti di utilità secondo la formula Utilità = 6 - Rango:
alimentazione Media
b d
1.1 4 0 2.0
cilindrata
1.3 5 1 3.0
1.5 2 3 2.5
Media 3.7 1.3
16
Esempio 2:Esempio 2:Nuovo tipo di panettone:
Canditi: si o no
Prezzo: € 3, € 4 o € 5,
Numero profili possibili: P = 3 2 = 6
Il rispondente fornisce il seguente ordine di preferenza:
Canditi
Prezzo
si
€ 3
si
€ 4
no
€ 3
si
€ 5
no
€ 4
no
€ 5
rango 1 2 3 4 5 6
17
Esempio 2:Esempio 2:Calcolando Utilità = 6 - Rango:
canditi Media
si no
€ 3 5 3 4.0
prezzo € 4 4 1 2.5
€ 5 2 0 1.0
Media 3.7 1.3
Quanto al massimo il cliente è disposto a pagare in più per i canditi?
La variazione di € 1 corrisponde ad una variazione di utilità di 1.5,
Quindi il cliente è disposto a pagare € (1 / 1.5) (3.7 – 1.3) = € 1.6
18
Il Il part-worth modelpart-worth model-Le utilità parziali riferite ai singoli livelli degli attributi sono denominate part-worth.
-Abbinando modello additivo e analisi di regressione è possibile stimare la funzione di utilità individuale di ogni rispondente:
Modello:
Yp = utilità del prodotto p
wkl = utilità parziale riferita al livello l dell’attributo k
Dpkl = variabile dummy che assume valore 1 se il livello l dell’attributo k è presente nel profilo p e valore 0 altrimenti
ep = errore casuale
k ppkll klp DwY
19
EsempioEsempioAttributo Livello
1: alimentazione
1: benzina
2: diesel
2: cilindrata 1: 1100
2: 1300
3: 1500Profilo 1: benzina, 1100
12111123222112111 00101 wwwwwwwY
Profilo 2: benzina, 1300
22211223222112112 01001 wwwwwwwY
…
20
Modelli alternativiModelli alternativiModello misto con interazioni tra gli attributi:
Vector linear model :
Xkp = livello del fattore k nel prodotto p (variabile continua)
Ideal point model:
X*kp = livello ideale del fattore k nel prodotto p
pk ks psml pklm smklk pkll klp DDwDwY ,
pk pkkp XY 0
pk pkpkkp XXY 2*
0
21
Le interazioni tra attributi nel Le interazioni tra attributi nel modello mistomodello misto
alimentazione Media
b d
1.1 4 0 2.0
cilindrata 1.3 5 1 3.0
1.5 2 3 2.5
Media 3.7 1.3
Da cilindrata 1100 a cilindrata 1300: variazione utilità = + 1
Da benzina a diesel: variazione utilità = - 2.4
Da benzina 1100 a diesel 1300: variaz. utilità = - 3 +1-2.4 = -1.4
22
Effetti principali ed effetti di Effetti principali ed effetti di interazioneinterazione
Nell’esempio osservato la variazione di utilità complessiva cambiando contemporaneamente il livello di due attributi è diversa dalla somma algebrica delle variazioni di utilità imputabili ai singoli attributi! INTERAZIONE
Effetto principaleEffetto principale di un attributo cambiamento nella risposta media dovuto ad un cambiamento di livello dell’attributo wkl
InterazioneInterazione tra attributi effetto combinato di due o più attributi = cambiamento nella risposta media dovuto al cambiamento contemporaneo nel livello di due o più attributi wkl,sm
23
Grafico degli effetti principaliGrafico degli effetti principali
dieselbenzina
3.5
2.5
1.5
alimentazion
Y
Main Effects Plot - Data Means for Y
1100 1300 1500
2.0
2.5
3.0
cilindrata
Y
Main Effects Plot - Data Means for Y
24
Grafico degli effetti di interazioneGrafico degli effetti di interazione
benzina diesel
150013001100
5
4
3
2
1
0
cilindrata
alimentazion
Mea
nInteraction Plot - Data Means for Y
Spezzate non parallele presenza di interazione
25
Modello part-worth additivo in forma Modello part-worth additivo in forma matricialematriciale
Riprendendo l’esempio dell’automobile…
6
5
4
3
2
1
23
22
21
12
11
6
5
4
3
2
1
10010
01010
00110
10001
01001
00101
w
w
w
w
w
Y
Y
Y
Y
Y
Y
εDwY
26
Stima dei parametri: la Stima dei parametri: la multicollinearitàmulticollinearità
La stima del vettore dei parametri w con il metodo dei minimi quadrati è data da:
Ma (DTD)-1 non può essere calcolata a causa della multicollinearità delle variabili dummy incluse nella matrice D, cioè al fatto che ogni colonna della matrice può essere espressa come combinazione lineare delle altre.
YDDDw T1T
5
4
3
2
1
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
w
w
w
w
w
27
Rimedio alla multicollinearitàRimedio alla multicollinearità
Rispecificare il modello aggiungendo il termine costante ed eliminando una variabile dummy (un livello) per ogni attributo
6
5
4
3
2
1
23
22
21
12
11
6
5
4
3
2
1
10010
01010
00110
10001
01001
00101
w
w
w
w
w
Y
Y
Y
Y
Y
Y
28
Modello rispecificato…Modello rispecificato…
6
5
4
3
2
1
22
21
11
0
6
5
4
3
2
1
0001
1001
0101
0011
1011
0111
Y
Y
Y
Y
Y
Y
εβDY 0
29
Interpretazione e stima dei Interpretazione e stima dei parametriparametri
Il modello rispecificato in forma non matriciale diventa:
b0 = utilità associata al profilo corrispondente ai livelli esclusi dal modello chiamato anche baseline
bkl = variazione di utilità, rispetto al profilo base o baseline, che si ottiene portando l’attributo k a livello l
La stima ai minimi quadrati dei parametri di regressione è data da
YDDD TT0
100
ˆ
pk pkll klp DY 00
30
Esempio 1Esempio 1Abbiamo eliminato dal modello le dummy
D12 : alimentazione diesel; D23 : cilindrata 1500
Il vettore Y è dato da: [4 5 2 0 1 3]T
Le stime ai minimi quadrati dei parametri del modello sono:
Baseline: “auto diesel 1.500”; utilità stimata: 1.33.
33.1ˆ0 33.21̂1 5.0ˆ
21 5.0ˆ22
LIVELLO benzina 1100 1300
PART WORTH 2.33 -0.5 0.5
31
Il numero di parametri del Il numero di parametri del problemaproblema
Stiamo indagando su K attributi
Numero di livelli di ciascun attributo: L1, L2,…, LK
Numero di profili (prodotti) possibili: P = L1 L2 … LK
Numero di parametri del modello additivo:
Q = L1 + L2 + … + LK
Numero di parametri del modello rispecificato:
Q ' = Q - K + 1 = L1 + L2 + … + LK - K +1
Se il numero di livelli è uguale per ogni attributo ed è pari ad L:
P = LK Q = K L Q ' = K (L - 1) + 1
32
Analisi individuali e aggregateAnalisi individuali e aggregateAnalisi individuale: stimo modello predittivo per ogni rispondente
Possibile segmentazione a posteriori aggregando consumatori con funzioni di utilità simili
Analisi aggregata: stimo modello predittivo per gruppo
Presuppone una stratificazione a priori in cui formare gruppi omogenei di consumatori, per ciascuno dei quali verrà stimato un modello
33
Stima dei parametri nell’analisi Stima dei parametri nell’analisi aggregataaggregata
N = numero di rispondenti
Y = vettore con P N valori, utilità degli N rispondenti per i P prodotti osservati
D = matrice delle variabili dummy con P N righe e K colonne
w = vettore delle K utilità parziali da stimare
In pratica vengono “impilati” i vettori delle risposte degli N intervistati, “impilate” le N matrici dummy che descrivono i profili e così anche i vettori degli errori del modello.
Le procedure di stima per il resto sono le stesse dell’analisi individuale
34
Importanza relativa degli Importanza relativa degli attributiattributi
Indicatore di importanza espresso in percentuale.
Concetto: quanto più la modifica dei livelli di un attributo influisce sull’utilità tanto maggiore è l’importanza di quel fattore
Importanza relativa dell’attributo k:
100ˆminˆmax
ˆminˆmax
k kll
kll
kll
kll
kIR
35
Esempio 1Esempio 1
ATTRIBUTO RANGE UTILITA’ PARZIALI
IMPORTANZA RELATIVA (%)
Alimentazione 2.33 – 0 = 2.33 2.33/3.33100 = 69.97
Cilindrata 0.5 – (- 0.5) = 1 1.00/3.33 100 = 30.03
Totale 3.33 100
33.21̂1 5.0ˆ21 5.0ˆ
22
36
Quale modello? Quanti profili?Quale modello? Quanti profili?MODELLOMODELLO VANTAGGIVANTAGGI SVANTAGGISVANTAGGI
AdditivoAdditivo Semplice da costruire Semplice da costruire e interpretaree interpretare
Non considera le Non considera le interazioniinterazioni
MistoMisto Interazioni Interazioni più più informativoinformativo
Necessarie più Necessarie più osservazioniosservazioni
Le osservazioni in un esperimento di Conjoint Analysis:
N replicazioni dell’esperimento N soggetti intervistati
P prove sperimentali P profili considerati
Numero di osservazioni = N P
Se P aumenta cresce il numero di osservazioni ma si complica l’intervista: 4 attributi su 3 livelli ciascuno P = 34 = 81 profili !
E’ utile ricorrere a tecniche di “Design Of Experiments”
37
Design Of Experiments (DOE)Design Of Experiments (DOE)DOE = insieme di tecniche statistiche e sperimentali finalizzate a
comprendere l’effetto su una variabile dipendente (risposta) di una o più variabili indipendenti (fattori o trattamenti)
Ogni fattore è caratterizzato da un campo di variazione noto e discreto all’interno di un insieme di livelli
Obiettivo: definire criteri che permettano di utilizzare un numero minimo di osservazioni sperimentali per conoscere l’effetto dei fattori sulla risposta
38
Piani fattorialiPiani fattorialiPiano fattoriale = insieme delle prove
sperimentali determinate dalle combinazioni dei livelli dei fattori
Piano fattoriale LK = piano fattoriale che include K fattori con L livelli ciascuno (es. piano fattoriale 2K, 3K, ecc.)
Piano fattoriale completo: include tutte le combinazioni possibili dei livelli permette di stimare le interazioni ma include molte prove
Piano fattoriale frazionato: include un sottinsieme (una frazione) delle combinazioni possibili dei livelli permette di stimare solo gli effetti principali perché gli effetti delle interazioni sono “confusi” con gli effetti principali.
La risposta per le combinazioni dei livelli escluse dal piano può essere stimata
39
DOE e Conjoint AnalysisDOE e Conjoint AnalysisRisposta = giudizio del rispondente (utilità)
Fattori = attributi
Piano fattoriale = insieme dei profili considerati nell’intervista
Quanti e quali profili presentare al rispondente per stimare gli effetti in modo appropriato minimizzando il numero di stimoli (profili) presentati? DOE
Come determinare un piano frazionato?
Manualmente per piani 2K e 3K. Tramite software per piani più complessi.
40
Esempio di codifica per un piano Esempio di codifica per un piano 2233
Prodotto: libreria
Codifica fattore A B C
Descrizone fattore ColoreDimension
eAnta
Livello
-1 Bianco Singola No
+1 Nero Doppia Si
41
Frazione a metà di un piano 2Frazione a metà di un piano 233
Fattori Interazioni
ProfiloProfilo A B C AB AC BC
11 bianca – singola - senza antabianca – singola - senza anta -1 -1 -1 +1 +1 +1
22 bianca – singola - con antabianca – singola - con anta -1 -1 +1 +1 -1 -1
33 bianca – doppia - senza antabianca – doppia - senza anta -1 +1 -1 -1 +1 -1
44 bianca – doppia - con antabianca – doppia - con anta -1 +1 +1 -1 -1 +1
55 nera – singola - senza antanera – singola - senza anta +1 -1 -1 -1 -1 +1
66 nera – singola - con antanera – singola - con anta +1 -1 +1 -1 +1 -1
77 nera – doppia - senza antanera – doppia - senza anta +1 +1 -1 +1 -1 -1
88 nera – doppia - con antanera – doppia - con anta +1 +1 +1 +1 +1 +1
Schema di confondimento: A=BC, B=AC, C=AB
Criterio: scelgo i profili 2,3,5 e 8 in cui il livello di un’interazione (es. AB) coincide col livello del fattore il cui effetto è confuso con l’interazione (es. C)
42
Le Fasi Operative della Conjoint AnalysisLe Fasi Operative della Conjoint Analysis1.Individuazione degli attributi e dei livelli di interesse2.Definizione dei profili di prodotto (combinazioni o stimoli)
da sottoporre al giudizio degli intervistati piano sperimentale
3.Scelta di un campione di valutatori4.Somministrazione dei profili di prodotto ai rispondenti5.Stima delle utilità parziali ovvero degli effetti principali ed
eventualmente delle interazioni per ogni rispondente6.Stima dell’importanza relativa di ciascun attributo/fattore;7.Valutazione dell’utilità totale associata a profili virtuali, non
considerati inizialmente nel piano di rilevazione.8.Ripetizione dei punti 5, 6 e 7 per ogni gruppo di
rispondenti dopo aver stratificato (segmentato) il campione (analisi aggregata)
43
Esempio Applicativo della Esempio Applicativo della Conjoint Analysis metricaConjoint Analysis metrica - 1- 1
Nell’esempio applicativo che segue vengono utilizzati come dati di partenza i giudizi di valutazione provenienti da una ricerca svolta da Green, Tull e Album (1988) riguardante un attrezzo meccanico da lanciare sul mercato, idonea sostituire i pneumatici dell’automobile.
I fattori, con i rispettivi livelli, sono i seguenti:
1) MARCHIO, con modalità Sears, Goodyear, Goodrich.
2) VITA MEDIA DELL’ ATTREZZO, espressa mediante la variabile
PERCORRENZA, con modalità : 30000Km, 40000 Km, 50000 Km.
3) PREZZO, in euro,con modalità : 50 , 60, 70.
4) COLORE, con modalità : bianco e nero
44
Esempio Applicativo della Conjoint Esempio Applicativo della Conjoint Analysis metricaAnalysis metrica - 2 - 2
Sono stati sottoposti a giudizio, su un campione di potenziali clienti, 18 profili di prodotto, in forma di cartellini, corrispondenti alle combinazioni di un piano frazionato ortogonale uguale ad 1/3 del piano fattoriale completo, che presenta tutte le possibili versioni di prodotto pari a 54 (ossia: 3 X 3 X 3 X 2 = 54).
Essendo K = 4 e ΣLk – K +1 =11 – 4 +1 = 8, si deduce che saranno necessarie almeno 8 combinazioni di livelli dei fattori per stimare 8 coefficienti
Tale schema assume come trascurabili gli effetti di interazione e fornisce il piano fattoriale più efficiente. Le 18 combinazioni selezionate sono quindi più che sufficienti a stimare gli effetti principali dei fattori.
Ciascun intervistato ha assegnato un punteggio di valutazione ai 18 profili su una scala 0-10 (0 = disinteresse completo per il profilo proposto; 10 = interesse massimo)
45
Esempio Applicativo della Conjoint Esempio Applicativo della Conjoint Analysis metricaAnalysis metrica - 3 - 3
46
Esempio Applicativo della Conjoint Esempio Applicativo della Conjoint Analysis metricaAnalysis metrica - 5 - 5
Variabili indicatrici
Classi
della marca
Z1 Z2 Z3
Sears 1 0 0
Goodyear 0 1 0
Goodrich 0 0 1
Variabili indicatrici
Classi
della marca
Z1 Z2 Z3
50000 km 1 0 0
40000 km 0 1 0
30000 km 0 0 1
Variabili indicatrici
Classi
della marca
Z1 Z2 Z3
50 euro 1 0 0
60 euro 0 1 0
70 euro 0 0 1
Variabili indicatrici
Classi
della marca
Z1 Z2
Bianco 1 0
Nero 0 1
47
Esempio Applicativo della Conjoint Esempio Applicativo della Conjoint Analysis metricaAnalysis metrica - 6 - 6
N° combinazio-ne
Livelli dei fattori espressi in codifica binaria disgiuntiva
completa.
Punteggi assegnati da un rispondente
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
100 100 100 010 010 010 001 001 001 100 100 100 010 010 010 001 001 001
001 010 100 001 010 100 001 010 100 001 010 100 001 010 100 001 010 100
100 010 001 010 001 100 001 100 010 001 100 010 100 010
0010 010 001 100
10 10 01 01 10 10 10 01 10 01 10 10 10 01 10 10 10 01
5,2 7,3 5,7 4,8 7,2 9,3 0,8 3,2 6,4 2,2 8,1 8,3 6,3 7,4 7,3 2,2 4,3 5,7
Nella tabella sono riportati i 18 stimoli sperimentali descritti precedentemente con codifica binaria disgiuntiva completa dei livelli dei vari fattori, assieme ai punteggi di valutazione assegnati a detti stimoli dal rispondente.
48
Esempio Applicativo della Conjoint Esempio Applicativo della Conjoint Analysis metricaAnalysis metrica - 9 - 9
N° combinazio-ne
Livelli dei fattori espressi in codifica binaria disgiuntiva.
Punteggi assegnati da un rispondente
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
10 10 10 01 01 01 00 00 00 10 10 10 01 01 01 00 00 00
00 01 10 00 01 10 00 01 10 00 01 10 00 01 10 00 01 10
10 01 00 01 00 10 00 10 01 00 10 01 10 01 00 01 00 10
1 1 0 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0
5,2 7,3 5,7 4,8 7,2 9,3 0,8 3,2 6,4 2,2 8,1 8,3 6,3 7,4 7,3 2,2 4,3 5,7
Elenco delle combinazioni sperimentali, matrice delle variabili indicatrici dei livelli dei fattori espressi in codifica binaria, con soppressione dell’ultima colonna, e vettore dei punteggi di valutazione.
49
Esempio Applicativo della Conjoint Esempio Applicativo della Conjoint Analysis metricaAnalysis metrica - 15 - 15
Attributi e modalità
Coefficienti di utilità parziale
Marca Sears Goodyear Goodrich Percorrenza 50000 km 40000 km 30000 km Prezzo 50 euro 60 euro 70 euro Colore Bianco Nero
2,37 3,28 0,00
3,53 2,67 0,00
1,72 1,48 0,00
1,23 0,00
Nella seguente tabella Nella seguente tabella sono riportati, per un generico sono riportati, per un generico rispondente, i valori dei rispondente, i valori dei parametri evidenziati nella parametri evidenziati nella formula precedente, e formula precedente, e trasformati, ossia traslati di trasformati, ossia traslati di una quantità uguale alla una quantità uguale alla costante costante aa; pertanto in tabella ; pertanto in tabella sono riportati i valori sono riportati i valori bbii-a-a, ,
corrispondenti agli effetti in corrispondenti agli effetti in valore assoluto delle varie valore assoluto delle varie categorie di attributi categorie di attributi
Utilità parziali stimate per le modalità di Utilità parziali stimate per le modalità di quattro attributi di un prodotto, per un quattro attributi di un prodotto, per un rispondente rispondente
50
Esempio Applicativo della Conjoint Esempio Applicativo della Conjoint Analysis metricaAnalysis metrica - 16 - 16
Uti
lità
Par
zial
e
Sears Goodyear Goodrich MARCA
4 3 2 1 0
2,37
3,28
0
51
Esempio Applicativo della Conjoint Esempio Applicativo della Conjoint Analysis metricaAnalysis metrica - 17 - 17
ATTRIBUTI
Utilità
parziale più
grande
(1)
Utilità
parziale più
piccola
(2)
Differenza delle
utilità
(3) = (1) - (2)
Somme delle
differenze
(4)
Importanza
relativa
(5) = (3)/ (4)
Marca 3,28 0 3,28 9,76 0,336
Percorrenza 3,53 0 3.53 9,76 0,362
Prezzo 1,72 0 1,72 9,76 0,176
Colore 1,23 0 1,23 9,76 0,126
Dalla tabella si osserva che i fattori di maggiore differenziazione del Dalla tabella si osserva che i fattori di maggiore differenziazione del prodotto sono, rispettivamente, la vita media (espressa in miglia di Km di prodotto sono, rispettivamente, la vita media (espressa in miglia di Km di percorrenza della vettura) e la marca; il fattore meno importante risulta il percorrenza della vettura) e la marca; il fattore meno importante risulta il colore. colore.
Importanza relativa dei fattori