Università degli Studi di Padova Dipartimento di Scienze Statistiche

Corso di Laurea Magistrale in Scienze Statistiche

La soddisfazione per la navigazione da smartphone.

Un’analisi tramite modelli Lisrel, base per una segmentazione a

classi latenti dell'audience mobile italiana

Relatore Prof. Bruno Scarpa Dipartimento di Scienze Statistiche

Laureando: Marco Bono Matricola N. 1015198

Anno Accademico 2013/2014

“La difficoltà non sta nel credere nelle nuove idee,

ma nel fuggire dalle vecchie”

(John Maynard Keynes)

i

Indice

Introduzione Pag.1

1 Tecnologia e Mobilità 5

1.1. La risposta tecnologica al concetto di mobilità ……………………………. 5

1.2. Innovazioni “senza fili” ed evoluzione dei canali di marketing …………... 6

1.3. Smartphone, i dispositivi simbolo della mobilità …………………………. 8

2 Il web sempre a portata di mano 13

2.1. Le esternalità positive della “società del bit” ……………………………. 13

2.2. L’evoluzione del Web Marketing ………………………………………… 15

3 Obiettivi del progetto di ricerca 19

3.1. I mobile surfer e la loro soddisfazione …………………………………… 19

3.1.1. Elementi potenzialmente influenti …………………………………... 20

Relazione con la tecnologia e stile di vita …………………………... 20

Qualità percepita delle funzionalità e utilità percepita delle app ….... 22

Recensioni online …………………….........……………………...... 24

Soddisfazione per l’esperienza di navigazione in internet …………. 25

3.2. Specificazione del modello teorico ………………………………………. 26

3.3. Segmentazione dell’audience mobile ……………………………………. 29

Alla scoperta dei nuovi target raggiungibili ……………………………... 29

I nuovi formati del mobile marketing …………………………………… 31

3.4. Descrizione del questionario ……………………………………….......… 32

Il campione ……………………………………………………………... 33

ii

4 Modelli ad equazioni strutturali 41

4.1. Analisi fattoriale ……………………………...…………………………. 41

Approccio esplorativo e confermativo …………..........…………………. 42

4.2. Lisrel e i modelli di equazioni strutturali con variabili latenti ………….... 45

4.2.1. Specificazione e identificazione del modello ………………………. 47

4.2.2. Stima della matrice di varianza-covarianza campionaria …………. 50

Violazione delle assunzioni e conseguenze ………………………. 51

Procedura correttiva ………………………………………………. 52

4.2.3. Stima dei parametri ………………...……………………………... 53

Stima di massima verosimiglianza ……………………………....... 54

Stima dei parametri e correlazione policorica ……………………... 55

4.1.4. Valutazione del modello …………………………………………... 57

5 Analisi fattoriali degli indicatori 63

5.1. Analisi fattoriale esplorativa e confermativa ……………………………. 63

Rapporto con la tecnologia e con le nuove tendenze digitali …………… 63

Stile di vita ………………………………………………………………. 65

Qualità del prodotto ed utilità dei software aggiuntivi …………......…… 67

Feedback ……………………………...…………………………...…...... 69

Soddisfazione per l’esperienza di navigazione in internet ………………. 71

Modello di misura globale ………………………………………...……... 73

6 Stima del modello strutturale 75

6.1. Caratteristiche e valutazione del modello stimato ………………………. 75

6.2. Sintesi dei risultati e verifica delle ipotesi di ricerca ……………………... 78

iii

7 Modelli a classi latenti 85

7.1. Cluster Analysis ……………………………...………………………...... 85

7.2. Analisi a Classi Latenti ……………………………...…………………… 86

7.2.1. Stima dei parametri ……………………………...……………....... 87

Estensioni e sviluppi ……………………………...………….......... 88

7.2.2. Bontà di adattamento ……………………………...………………. 89

Interpretazione delle classi ………………………………………... 90

8 Segmentazione dei mobile surfer 93

8.1. Classificazione mediante cluster analysis ……………………………...... 93

8.2. Segmentazione con l’approccio a classi latenti ………………………...... 95

Descrizione ed interpretazione delle classi ………………………............. 96

Conclusione 103

Appendice A 107

Atteggiamenti nei confronti delle nuove tecnologie in generale …………...... 107

Atteggiamenti nei confronti dello smartphone ………………………………. 108

Atteggiamenti nei confronti del mobile internet da smartphone …………...... 109

Appendice B 111

Appendice C 115

Relazione con la tecnologia Vs soddisfazione ………………………………. 115

Stile di vita Vs soddisfazione ……………………………...……………….... 121

Qualità ed utilità percepita Vs soddisfazione ……………………………....... 125

Feedback Vs soddisfazione ……………………………...………………...... 130

Appendice D 135

iv

Elenco delle figure 151

Elenco delle tabelle 153

Bibliografia 155

Ringraziamenti 161

1

Introduzione

Lo scenario economico in cui si muovono le aziende è in continuo mutamento: la forte

competitività data dall’eccesso di offerta deve scontrarsi con la crescita del potere cognitivo ed

informativo dei clienti. Il consumatore tramite le nuove tecnologie informatiche riesce a valutare e

confrontare più efficacemente il vasto panorama di prodotti e servizi offerto dal mercato e acquisisce

autonomia, competenza e selettività nelle scelte d’acquisto (Fabris, 2003).

Lo sviluppo delle tecnologie di rete e la dirompente penetrazione tra la popolazione italiana di

nuovi device intelligenti e portatili, chiamati smartphone, stanno contribuendo in maniera

determinante alla diffusione del mondo Internet, tanto da spingere i ricercatori a coniare un nuovo

termine per descrivere il fenomeno, definito da molti come Mobile Internet.

Questo fenomeno imperante negli ultimi anni ha permesso lo sviluppo di un nuovo e potente

canale di marketing, caratterizzato da enormi possibilità di personalizzazione del messaggio, da

semplicità e intimità d’uso, che unite alle tecnologie di localizzazione e alla tempestività con il quale

è possibile raggiungere il target, permette di contestualizzare la relazione cliente-impresa con

l’esperienza utente.

Queste sono alcune delle caratteristiche che rendono il canale mobile così attrattivo per le

aziende, rendendo necessario uno studio empirico approfondito per analizzare e quantificare,

mediante un modello strutturale, gli effetti esercitati dai fattori socioculturali e da quelli legati al

prodotto sul livello di soddisfazione durante l’esperienza di navigazione online. Questo permetterà di

valutare l’efficacia delle campagne di advertising sul target prefissato, ed aiuterà le aziende ad

improntare un’attività pubblicitaria personalizzata tramite lo sfruttamento degli effetti esercitati dai

fattori considerati, oppure tramite azioni opportune per influenzarli, ma che cerchi comunque di non

gravare pesantemente sul livello di user-experience in modo da non suscitare negli utenti un

sentimento di antipatia verso il brand soggetto del messaggio e massimizzare le probabilità di contatto

coi i potenziali clienti.

Il canale mobile, anche limitandosi al telefono cellulare, implica comunque la necessità di attuare

logiche di segmentazione ad hoc, nonché di identificare con chiarezza i target raggiungibili a seconda

della tipologia di formato utilizzato. In relazione alle attività di mobile advertising occorre

considerare due tipologie principali di piattaforme tecnologiche e le conseguenti logiche di contatto

e interazione con il target audience: messaging e mobile internet & application. Mentre i primi

2

vengono offerti direttamente dagli operatori telefonici e da altre agenzie operanti nel settore mettendo

a disposizione database profilati, per quanto riguarda il mobile internet & application, invece occorre

analizzare nel dettaglio il profilo socio-demografico e comportamentale dei mobile surfer per capire

in profondità i contesti d’uso specifici del device per la navigazione ad internet e la fruizione di mobile

application.

Dopo avere verificato gli effetti esercitati dall’utilità percepita delle applicazioni sulla qualità

percepita delle funzionalità presenti su smartphone e sul livello di soddisfazione legato alla user-

experience via mobile, che confermano l’importanza dei servizi online nella rapida diffusione di

questo dispositivo, siano essi siti ottimizzati che applicazioni, si sposta quindi l’attenzione su

un’ulteriore obiettivo, ossia la segmentazione dell’audience mobile italiana sulla base dell’esperienza

di consumo dei servizi usufruibili online da smartphone, in modo da aiutare le imprese a

contestualizzare nella propria strategia di marketing digitale i diversi segmenti di mercato

potenzialmente raggiungibili tramite il canale mobile in modo da sfruttarne efficacemente le

potenzialità offerte in termini di visibilità e costo.

A tal proposito, si è pensato di proporre una segmentazione dei mobile surfer incentrata sui

contesti d’uso specifici tramite i quali l’utente entra in contatto con il mondo mobile. Nel dettaglio si

studieranno le attività svolte, sia su siti mobile sia su app, che necessitano di un servizio internet.

I dati utilizzati per condurre le analisi in merito ad entrambi gli obiettivi provengono da

un’indagine realizzata nel 2013 da Doxa, in contemporanea con l’attività di stage svolta tra settembre

2012 e marzo 2013, per l’Osservatorio Mobile Marketing & Service della School of Management del

politecnico di Milano. Il questionario dedica una sezione allo studio della soddisfazione

dell’esperienza di navigazione tramite smartphone e ai possibili atteggiamenti che ne possono

influenzare la percezione ed una allo studio delle attività maggiormente diffuse su tale device per

verificare la penetrazione che i servizi mobile hanno raggiunto nella popolazione italiana.

La struttura di questa tesi di laurea si articola in otto capitoli. Il primo capitolo introduce il tema

della mobilità e descrive le ultime evoluzioni tecnologiche nel campo delle telecomunicazioni che

hanno portato allo sviluppo di nuovi dispositivi cellulari che permettono di accedere direttamente ai

tutti i servizi web. Propone una breve rassegna delle “innovazioni senza fili”, soffermandosi sulle

tappe più significative che hanno portato allo sviluppo dei dispositivi simbolo della mobilità, gli

smartphone.

Il secondo capitolo descrive le esternalità positive generate dal pervasivo fenomeno Internet, ed

in particolare dal Mobile Internet, sottolineando il ruolo chiave avuto nel processo di diffusione di

questa tecnologia. Inoltre si delineano gli effetti esercitati dalle tecnologie digitali sui modelli di

3

business e sulle logiche di relazione con il mercato che hanno portato all’evoluzione del Web

marketing.

Nel terzo capitolo si presenta una sintesi degli obiettivi del progetto di ricerca. Nella prima

sezione si contestualizza il tema della soddisfazione per i mobile surfer e si specifica il modello

teorico di riferimento basato sui nessi causali ipotizzati tra i costrutti identificati come influenti. Nella

seconda si sposta l’attenzione sul problema della segmentazione dell’audience mobile. Infine nella

terza ed ultima sezione di quel capitolo si descrive il questionario utilizzato per le analisi e si mostrano

le prime analisi esplorative sulle variabili di interesse.

Il quarto capitolo è dedicato alla formulazione dei modelli ad equazioni strutturali utilizzati per

l’analisi della soddisfazione per la user-experience. Si introduce brevemente l’analisi fattoriale

utilizzata in fase esplorativa per la selezione degli indicatori idonei a cui fa seguito una specifica

formulazione dei modelli Lisrel, con particolare attenzione ai metodi di stima nell’ambito di studio

degli atteggiamenti.

Nel quinto capitolo si presentano le analisi fattoriali esplorative e confermative che conducono

alla selezione degli items nello studio sulla soddisfazione dei mobile surfer.

Nel sesto capitolo si è utilizzato il modello teorico specificato e gli indicatori selezionati per ogni

costrutto per stimare un modello ad equazioni strutturali e valutare i nessi causali ipotizzati.

Il settimo capitolo presenta la formulazione dei modelli utilizzati per la segmentazione

dell’audience mobile. Dopo una breve introduzione dedicata alla cluster analysis, si prosegue con i

modelli a classi latenti.

L’ottavo capitolo riporta i risultati emersi dall’implementazione dei modelli introdotti nel

settimo capitolo, si descrivono i segmenti identificati e se ne valuta l’attrattività a fini strategici e di

marketing.

Le conclusioni ripercorrono il lavoro svolto evidenziando i principali risultati dell’analisi.

4

5

Capitolo 1

Tecnologia e Mobilità

Questo capitolo vuole introdurre il tema della mobilità e descrivere le ultime risposte

tecnologiche nel campo delle telecomunicazioni che hanno portato allo sviluppo di nuovi

dispositivi cellulari che permettono di accedere direttamente ai tutti i servizi web. Si

Propone quindi una breve rassegna delle “innovazioni senza fili”, soffermandosi sulle tappe

più significative che hanno portato allo sviluppo dei dispositivi simbolo della mobilità, gli

smartphone, che si sta rivelando un infallibile canale di marketing a supporto di strategie

di comunicazione con il consumatore.

1.1. La risposta tecnologica al nascente concetto di mobilità

Sono passati più di vent’anni dalla comparsa del telefono cellulare che, se alla sua

introduzione rappresentava quasi un bene di lusso, oggi gode di una penetrazione pressoché

totale ed è diventato un oggetto imprescindibile nello stile di vita occidentale.

Nel 1998 si registravano 200 milioni di schede SIM (Subscriber Identity Module)

attive in tutto il mondo. Verso la fine del 2004, la cifra era salita a circa 1,6 miliardi. Nel

2013 è arrivata ad essere vicino a 6,8 miliardi (International Telecommunication Union,

2013).

Un’evoluzione simile non è sintomo soltanto dell’affermarsi di nuove tecnologie, ma

di una mutata mentalità: l’uomo postmoderno mostra un sempre più spiccato desiderio di

libertà dalla “schiavitù” dei fili per quanto riguarda la comunicazione personale e la

connessione ad internet (Boaretto et al, 2011).

La dimensione della mobilità pone in contrapposizione l’era moderna e postmoderna.

La prima era sostanzialmente caratterizzata da stabilità vista l’impronta industriale, mentre

6

la seconda è tipicamente spinta verso la mobilità. In questo ambito se ne possono

individuare di due tipi, fisica e mentale.

La mobilità fisica si traduce, a livello macro, nei fenomeni migratori e nel movimento

su scala globale sia di persone sia di merci, mentre, a livello micro, in un aumento degli

spostamenti su scala locale. Gli spostamenti quotidiani hanno coinvolto nel 2012 oltre 32

milioni e mezzo di persone in Italia, circa 11 milioni tra bambini dell’asilo o della scuola

dell’infanzia e studenti e oltre 21 milioni e mezzo di occupati (Istat, 2013).

La mobilità di tipo fisico tende ad includere inoltre una maggiore mobilità

“residenziale”, intesa come una più elevata propensione al trasferimento e una maggiore

mobilità “professionale”, nel senso di una aumentata flessibilità lavorativa.

Il fenomeno descritto come mobilità mentale si traduce con la moltiplicazione delle

“destinazioni d’uso” di tempi e luoghi. L’accresciuta mobilita fisica, intesa a livello micro,

ha provocato un aumento dei cosiddetti tempi interstiziali e dell’importanza dei tempi e

luoghi transitori (Gasparini, 2000). Questa connotazione della mobilità mentale ha effetti

sul piano delle relazioni sociali, sempre più mobili e flessibili. Agli incontri fisici si

interpongono quelli virtuali, abilitati dalla rete e dai device mobili.

In risposta all’evoluzione dello stile di vita, sono nati numerosi dispositivi portatili

(come notebook, cellulari e tablet), con l’obiettivo di aiutare l’individuo nella sua

quotidianità.

1.2. Innovazioni “senza fili” ed evoluzione dei canali di

marketing

Attraverso successive ondate di innovazione tecnologica, le funzionalità della

comunicazione senza fili sono state migliorate in modo sostanziale. Si è passati dalla

telegrafia alla trasmissione analogica dei segnali, per passare poi a quella digitale, fino ad

arrivare alle attuali reti wireless a banda larga.

La telegrafia senza fili lanciata da Guglielmo Marconi ha reso possibile lo sviluppo,

negli Stati Uniti ed in Inghilterra, dei primi modelli di business nel settore della telefonia

mobile, in particolare nel settore the marittimo (Steinbock, 2005).

7

Lo sviluppo continuo delle trasmissioni di segnali via onde radio, ha portato verso la

fine del 1980 al lancio della prima rete di telefonia mobile (1G) che utilizzava la

trasmissione analogica per la comunicazione vocale. Ebbe inizio l’era del telefono

cellulare. Il primo telefono commerciale fu lanciato nel 1983. Era il Motorola Dyna TAC

800X, pesava otto etti e permetteva solo di ricevere ed inviare chiamate.

Nel 1989 la Motorola realizza la famiglia Micro TAC, che spicca per la memoria

interna capace di archiviare fino a 100 numeri telefonici. Compare la prima forma di rubrica

elettronica.

Nel 1991 il GSM venne adottato come standard europeo per i sistemi di codifica dei

segnali in forma digitale, permettendo la nascita delle reti di seconda generazione (2G). La

trasmissione digitale rese possibile l’introduzione dell’SMS (short message service),

concepito inizialmente come un sistema per le comunicazioni di servizio degli operatori di

telefonia mobile, ma che divenne di uso comune anche tra gli utenti. Il telefono cellulare

divenne ben presto un’importante canale di comunicazione tra il consumatore e le imprese,

visti i vantaggi legati alla costante reperibilità ed identificabilità del possessore.

Grazie al funzionamento a basso consumo delle trasmissioni digitali si è assistito allo

sviluppo di terminali sempre più piccoli e leggeri, ma con maggiore durata della batteria.

Il GSM guidò l'evoluzione dei sistemi di trasmissione nella telefonia fino a quando il

concetto di internet emerse come nuovo paradigma dominante.

Per rispondere all’emergente fenomeno, nacque l’esigenza di un nuovo standard

globale per il mondo della telefonia mobile. Fu così che si svilupparono le reti di terza

generazione (3G). Grazie allo standard di telefonia mobile cellulare 3G, anche detto UMTS,

ci fu il vero passaggio dalla voce ai dati. I telefoni cellulari si evolvono e si integrano con

funzionalità che in precedenza erano prettamente riservate al mondo dei computer, come

la navigazione Internet e l’acquisizione di applicativi anche da terze parti. Si entra dunque

a tutti gli effetti nell’era “mobile”, caratterizzata da una penetrazione sempre più elevata

dei cosiddetti smartphone.

Lo sviluppo delle reti di trasmissione di dati è tuttora in corso. Al momento attuale

siamo approdati alla quarta generazione: tali reti wireless a banda larga sono in grado di

supportare fino ad un massimo di 100 Megabit/s in movimento e 1 Gigabit/s in posizione

statica. In pratica il contenuto di un normale DVD video potrebbe essere scaricato in quasi

un minuto da un terminale connesso a una rete 4G; un decisivo salto prestazionale, se

paragonato alle prestazioni della tecnologia di terza generazione.

8

In “The Mobile Revolution” di Steinbock (2005), Sean Maloney, vicepresidente

esecutivo di Intel, che ha avuto un ruolo chiave nel costruire la domanda di chip Wi-Fi per

dispositivi portatili, quali notebook, cellulari e tablet, afferma:

“L' industria della telefonia mobile ha un nuovo motore per la crescita, il wireless a

banda larga. Esso sarà dirompente per alcuni modelli di business e consentirà di ridurre

il capitale e le spese operative. Settori verticali come l'edilizia e la grande distribuzione

stanno per essere modificate dal wireless a banda larga. La gente non dovrà più cercare

informazioni. Le informazioni cercheranno loro”.

1.3. Smartphone, i dispositivi simbolo della mobilità

Tra i dispositivi portatili, tuttavia, il ruolo principale è sicuramente giocato da telefoni

cellulari e smartphone. La diffusione di questi dispositivi non riguarda soltanto i paesi

“industrializzati”, ma anche quelli in rapida evoluzione, come Cina, India e Brasile, dove

spesso sostituiscono le linee telefoniche fisse. Spostando l’attenzione al mercato italiano,

si riscontra una delle più alte penetrazioni, il 97% degli italiani sopra i 16 anni utilizza un

telefonino, il 3% in più rispetto al dato USA e l’8% in più rispetto alla Cina. Seguono

l’Australia con l’86% e il Brasile con l’84%.

I tanto amati smartphone sono preferiti dal 62% degli italiani che possiedono un

telefono cellulare. L’Italia si posiziona al quarto posto dopo Corea del Sud (67%), Cina

(66%) e Australia (65%), scavalcando gli Stati Uniti, dove soltanto il 53% possiede un

telefonino di ultima generazione (The Nielsen Company, 2013).

Ripercorrendo la storia del cellulare, sono molte le funzionalità la cui disponibilità si

è avvicendata sui terminali: molte si sono consolidate nel tempo, contribuendo a plasmare

l‘identità e le modalità d’uso da parte degli utenti (si pensi agli SMS, che oggi costituiscono

una funzionalità irrinunciabile di cellulari e Smartphone), altre, invece, hanno fatto solo

una breve apparizione, per essere successivamente abbandonate o rimpiazzate da

tecnologie più evolute.

Lo sviluppo di reti di terza generazione andò di pari passo con lo sviluppo tecnologico

di nuovi dispositivi di telefonia mobile. Possono derivare da un’evoluzione di un computer

9

palmare cui è stata aggiunta la funzione di telefono, come da concezione americana, o

viceversa si possono trattare di device mobili cui si aggiungono funzioni tipiche di un PDA.

Oggi la maggior parte dei telefoni in commercio sono smartphone, mentre i restanti

modelli tendono ad avvicinarsi sempre di più implementando le loro caratteristiche di base,

cioè la gestione di file, la navigazione su internet e l’acquisizione di applicativi anche da

terze parti.

Con l’avvento degli smartphone e la loro forte predisposizione all’istallazione di

componenti software aggiuntive, abbiamo assistito alla nascita di piattaforme digitali

(come Google Play, iTunes e BlackBarry World) che, permettendo di scaricare contenuti

multimediali direttamente sul dispositivo, hanno rivoluzionato le dinamiche all’interno del

sistema dell’offerta e dell’esperienza di fruizione degli utenti (Boaretto et al, 2011).

Al termine della panoramica riguardante le fasi principali di sviluppo del telefono

cellulare, è importante sottolineare il ruolo che questo device è giunto a ricoprire nella vita

delle persone. Inizialmente riservato ad un uso prettamente professionale, si è passati ad

una crescente diffusione in tutte le fasce di età: il cellulare è divenuto uno dei principali

mezzi di comunicazione personale, sia all’interno delle famiglie sia trasversalmente in ogni

genere di rapporto sociale (Boaretto et al, 2011).

Con l’aggiunta della funzionalità di traffico dati, si ebbe come conseguenza una

progressiva diminuzione della percentuale di traffico imputabile alle telefonate (Figura

1.1).

La crescita straordinaria della percentuale di traffico riservata ai dati è stata agevolata

da dispositivi e reti sempre più potenti ed efficienti, che “trasformano tali device in quella

che spesso viene definita come l’estensione digitale degli individui, quasi un arto

aggiuntivo che consente loro di svolgere quasi ogni attività e che per molti versi rappresenta

una sorta di porta sulle relazioni sociali, conquistandosi così anche l’appellativo di social

medium” (Boaretto et al, 2011)

10

Figura 1.1: evoluzione globale del traffico trimestrale dati e voce dal 2007 al 2013 (Fonte: Erickson, 2013)

A conferma della rivoluzione in atto nel modo di utilizzare il telefono cellulare, basta

guardare una ricerca condotta da Zokem nel 2011 su un campione di 2100 utilizzatori di

smartphone riferiti al mercato inglese e statunitense (Figura 1.2). Il tempo dedicato dagli

utenti alle applicazioni ha raggiunto i 667 minuti al mese, uguagliando quello riservato agli

SMS, pari a 671 minuti al mese, e superando il tempo riservato alle chiamate vocali e al

web browsing. Questo a conferma del nuovo paradigma del telefono cellulare, che si basa

ora su due elementi di riferimento, le applicazioni, denominate App, ed il mobile internet.

Figura 1.2: tempo di utilizzo di smartphone per categoria di attività (Fonte: Zokem Research, 2011)

Lo smartphone sta diventando sempre più la porta di accesso personale ad Internet:

focalizzandosi sul contesto italiano, 27 milioni di italiani ne possiedono almeno uno e sono

0

200

400

600

800

1000

1200

1400

1600

1800

2000Tr

affi

co t

ota

le (

in p

etab

ytes

)

VOCE

DATI

671 667

531422

MESSAGGI APPS VOCE WEB

MIN

UTI

MED

I MEN

SILI

PER

UTE

NTE

-37%

11

circa 22 milioni coloro che lo usano per accedere ad Internet, i cosiddetti “Mobile Surfer”,

pari a tre quarti degli utenti Internet mensili da Pc (Osservatorio Mobile Internet, Content

& Apps, 2011).

“Il mercato della connettività Internet da cellulare ha triplicato i ricavi in tre anni”

afferma Andrea Rangone, Responsabile Scientifico dell’Osservatorio Mobile Internet,

Content and Apps del Politecnico di Milano. “Sempre più italiani usano il proprio

telefonino per fruire – e acquistare – contenuti digitali di qualsiasi natura – giochi, news,

musica, video, social, ecc. – sia tramite siti Mobile che App” (Osservatorio Mobile Internet,

Content & Apps, 2011).

A differenza di quello che è successo nel mondo Internet “tradizionale”, l’Italia è tra i

paesi più avanzati a livello mondiale per quanto concerne il mondo Mobile. La dinamica di

forte utilizzo del mobile internet è stata determinata principalmente dai seguenti fattori:

l’aumento della diffusione di banda larga Mobile, pari al 53% della

popolazione, che posiziona l’Italia all’ottavo posto tra i paesi del G12

(compresa la Svizzera), superando Francia e Germania (OCSE, 2012)

lo sviluppo delle reti di terza e quarta generazione, che consentono una

maggiore velocità di navigazione.

la ricchezza di offerta, a livello sia di applicazioni sia di siti mobile.

l’aumento della penetrazione delle tariffe “tutto incluso” che permettono di

chiamare e connettersi ad internet con un costo fisso mensile.

La progressiva crescita del numero di mobile surfer sia in Italia sia nel resto del mondo

è accompagnata anche da un aumento delle attività svolte non solo attraverso il browser,

ma sempre più attraverso le applicazioni. Secondo comScore MobiLens, le principali

attività svolte dai consumatori dell’EU51 negli ultimi tre mesi del 2012 sono addebitate per

il 59% a email personali o lavorative, a seguire la consultazione del meteo (52%), l’utilizzo

di social network (51%), l’utilizzo di piattaforme per la messaggistica istantanea (49%)

(Figura 1.3).

1 European Union Five (France, Germany, Italy, Spain, United Kingdom)

12

Figura 1.3: prime 10 attività svolte dai mobile surfer in Europa (EU5). (Fonte: comScore. 2012, media sui tre mesi

precedenti).

27,10%

30,30%

33,20%

38,90%

41,30%

43,10%

48,60%

50,80%

52,50%

59,20%

CONDIVISIONE FOTO / VIDEO

NEWS DI INTRATTENIMENTO

INFORMAZIONI SPORTIVE

MAPPE

NEWS

RICERCHE

MESSAGGISTICA ISTANTANEA

SOCIAL NETWORK / BLOG

METEO

EMAIL ( LAVORATIVE O PERSONALI)

13

Capitolo 2

Il web sempre a portata di mano

La possibilità di navigare in Internet e di usufruire di tutte le risorse web, operazioni

che fino a pochi anni fa sembravano precluse a chi non possedeva un personal computer,

sono le caratteristiche che hanno influito principalmente sulla crescita vertiginosa del tasso

di penetrazione di smartphone. La comparsa di tali device, insieme allo sviluppo di nuove

reti senza fili che aumentano di giorno in giorno la velocità di connessione, hanno permesso

ad un numero sempre maggiore di persone, che prima vedevano il web come una cosa

molto distante dal loro modo di vivere, di avere in qualsiasi momento una porta di accesso

verso il Word Wide Web.

La crescita esponenziale delle connessioni dati tramite smartphone genera nuove

opportunità per le imprese, che non possono ignorare il canale mobile a supporto di

strategie di marketing. Non è solo un “altro schermo” su cui replicare le classiche logiche

di marketing e di advertising, ma grazie ad peculiarità specifiche, quali la personalizzazione

e l’intimità, la semplicità d’uso, la tempestività, la localizzazione e la contestualità con

l’esperienza utente lo rendono unico e fortemente attrattivo in termini di opportunità

strategiche a fini di marketing. A questo scopo sembra utile analizzare il fenomeno Internet,

concentrando l’attenzione sulla nuova declinazione Mobile, e delinearne l’impatto sui

modelli di business e sulle logiche di relazione con il mercato.

2.1. Le esternalità positive della “società del bit”

L’avvento e la diffusione delle Information and Comunication Technologies (ICT), ed

in particolare della tecnologia Internet, sta rivoluzionando la società ed il mondo

dell’economia e del management. L’affermazione e la diffusione di un protocollo standard,

universale e aperto, che permette l’esplosione della connettività tra oggetti, persone,

14

istituzioni e Paesi, contribuisce infatti a definire nuove modalità di generazione del valore

a livello sociale ed aziendale. L’opportunità a disposizione è stata sfruttata sia da nuovi

operatori (pure player) che hanno investito nello sviluppo di iniziative originali per

affermare il proprio business model online, sia da imprese industriali e di servizi, per

cercare di completare la propria offerta utilizzando la presenza virtuale.

Stiamo entrando nella “società dei bit”, come afferma metaforicamente il direttore del

Media Lab del MIT di Boston, Nicholas Negroponte (1995). Le principali risorse scambiate

avranno forma digitale, a differenza della società preesistente in cui le risorse avevano una

consistenza fisica (per cui si poteva parlare di “società degli atomi”).

Naturalmente non si intende affermare che i beni fisici perderanno importanza, quanto

piuttosto che l’attività umana sposterà la sua attenzione sulla progettazione,

commercializzazione e distribuzione di prodotti “digitali”.

La prima fondamentale evidenza da sottolineare consiste nel fatto che ogni tecnologia

basata su una rete di utenti è caratterizzata da esternalità positive: gli agenti economici si

influenzano a vicenda senza che vi sia una vera e propria compensazione monetaria. Questo

comporta che all’aumentare dei partecipanti alla rete aumenta anche l’utilità che il singolo

utente trae dalla rete stessa (Shapiro e Varian, 1999). La legge di Metcalfe teorizza questo

concetto affermando che il valore di una rete cresce in funzione del quadrato dei sui

partecipanti (Downes e Mui, 1998).

Affinché le esternalità positive possano innescare il circolo virtuoso dell’effetto rete si

deve raggiungere la massa critica. Essa è funzione delle economie di scala dal lato della

domanda e dalla presenza di una situazione di lock-in: all’aumentare del numero di utenti

si riduce il prezzo medio unitario di accesso e l’utente deve affrontare dei costi di

cambiamento per passare ad una diversa tecnologia (Prandelli e Verona, 2006).

Internet si distingue dalle altre tecnologie che hanno fatto la storia del mondo

occidentale nell’ultimo secolo per il veloce raggiungimento della massa critica, che ha

permesso una rapida attivazione di esternalità positive: " Per raggiungere la massa critica

di 50 milioni di utenti sono occorsi 38 anni alla radio, 13 anni alla TV, 10 al cavo e 5 a

Internet." (Prandelli e Verona, 2006). L’effetto rete, che si è manifestato con rapida crescita

delle connessioni, è uno dei vantaggi del Web e rappresenta la motivazione principale per

cui le aziende scelgono sempre con maggior convinzione questo canale di contatto con i

propri clienti (Prandelli e Verona, 2006).

Sia dal punto di vista tecnologico che da quello dei contenuti, Internet favorisce la

formazione di processi di crescita che creano modelli di tipo “virale”, e se adeguatamente

15

gestiti presentano un potenziale unico. Da qui la definizione di marketing virale, ossia la

capacita di sfruttare l’effetto delle esternalità positive indotte dal contributo che gli

individui producono collettivamente sull’utilità di ciascuno (Gladwell, 2000).

Un’ulteriore esternalità di rete è sintetizzata nella legge di Gilder, egli afferma che la

larghezza di banda disponibile triplica ogni dodici mesi a parità di costo a seguito a degli

avanzamenti tecnologici (Prandelli e Verona, 2006). Per effetto delle esternalità positive e

delle innovazioni tecnologiche, assistiamo dunque ad uno sviluppo della velocità di

connessione e ad una riduzione dei costi per l’utente. In sostanza, quindi, gli effetti delle

esternalità positive aumenteranno progressivamente grazie all’ampliamento della banda,

che permetterà agli utenti di disporre in qualsiasi momento di ricchi contenuti ad un basso

costo, che a loro volta saranno in grado di coinvolgere ancora maggiormente altri individui,

in un effetto rete sempre più virale.

2.2. L’evoluzione del Web Marketing

Le tecnologie digitali hanno consentito una più efficiente ed efficace elaborazione

dell’informazione, aiutando la gestione di molteplici processi aziendali. L’avvento di

Internet, a sua volta, ha consentito la distribuzione e diffusione della conoscenza tra i

diversi nodi del sistema economico, eliminando le barriere fisiche che limitavano o

precludevano l’accesso all’informazione e la sua condivisione.

La tecnologia Internet è completamente aperta al pubblico e consente il trasferimento

di file multimediali attraverso un processo di telecomunicazioni: inizialmente era una rete

che univa milioni di personal computer connessi prevalentemente attraverso linee

telefoniche fisse, oggi la rete internet si è enormemente sviluppata, e grazie alla tecnologia

di rete wireless si sono uniti anche milioni di telefoni cellulari di ultima generazione e

tablet. La tecnologia Internet ha assistito ad uno sviluppo senza precedenti: le connessioni

sono aumentate esponenzialmente dalla nascita degli smartphone, tanto da parlare di un

nuovo fenomeno, il Mobile Internet. Tutto questo non ha fatto altro che velocizzare il

raggiungimento della massa critica, permettendo alle esternalità positive di innescare il

circolo virtuoso dell’effetto rete di cui abbiamo parlato nel paragrafo precedente.

16

In quanto tecnologia informatica, Internet, sia nella sua connotazione classica sia

nell’evoluzione mobile, permette di mettere in campo strategie di marketing più produttive

rispetto al passato. Oltre alla produttività della strategia, internet rende il marketing più

flessibile, permettendo di trasmettere le informazioni nel mercato con varie modalità.

Per comprendere la natura flessibile del web marketing, e più in particolare del mobile

marketing, è necessario descrivere il trade-off a cui erano soggette tutte le precedenti

strategie di marketing, cioè il vincolo tra ampiezza del mercato colpito e livello di

differenziazione informativa erogata al segmento di riferimento. Al contrario, ora, grazie

alla ricchezza di informazioni prodotte dalle nuove tecnologie digitali, è possibile colpire

un universo di individui più amplio con un contenuto altamente personalizzato (Prandelli e

Verona, 2006).

La nuova economia delle informazioni impatta in modo diretto sulle tre fasi del

processo di marketing: il modo in cui vengono raccolte le informazioni, si formulano

strategie e si traggono decisioni, viene modificato dal potenziale informativo a disposizione

delle imprese. In sintesi il web marketing consente di superare i vincoli tradizionali e di

realizzare politiche personalizzate sul cliente, il quale gioca decisamente un ruolo attivo.

Con lo sviluppo del marketing relazionale negli anni ottanta, si è iniziato a focalizzare

sempre più l’attenzione sulla necessità di soddisfare i bisogni dei clienti, e l’obiettivo

principale è diventato quello di registrare dettagliatamente le preferenze di ogni cliente, per

creare prodotti e servizi personalizzati che le soddisfino. Grazie alle tecnologie

informatiche, l’obiettivo di sviluppare relazioni commerciali con il cliente, a partire dalle

sue esigenze individuali, assume una connotazione differente: esse permettono di attivare

comunicazioni a due vie con il cliente, in modo da ampliarne la conoscenza attraverso

iterazioni ricorrenti che consentono la valutazione dell’iterazione stessa.

Gli sviluppi tecnologici, quindi, permettono un approccio One-to-One tra impresa e

cliente, aumentando sia la qualità che la redditività delle relazioni di mercato. Questa

impostazione di marketing viene anche definita Customer Relationship Management

(Peppers e Rogers, 1997).

Grazie alla Rete, le forme di interattività One-to-Many e One-to-One sono integrate

tra di loro: sulla pagina web ci può essere un banner pubblicitario standard assieme alla

possibilità di attivare un servizio personalizzato oppure un servizio di comunicazione

tramite posta elettronica, si può conversare con altri individui oppure accedere a contenuti

on-demand. Questo tipo di comunicazione è chiamato pluricasting, nel quale si integra il

17

ruolo attivo dell’audience con il ruolo passivo tradizionalmente associato alla

comunicazione broadcasting (Mandelli, 1998).

Il mobile internet si è sviluppato a tassi di crescita elevatissimi, diffondendosi

capillarmente nella società, ed offre la possibilità di raggiungere un universo di individui

senza precedenti. Esso è un nuovo ambiente di comunicazione, non solo un mezzo,

particolarmente adatto a sviluppare efficaci attività di marketing secondo la filosofia

relazionale, perché permette di integrare, a basso costo, la comunicazione interpersonale e

quella di massa, in un sistema di relazioni non gerarchico che agevola l’integrazione dei

flussi a tutti i livelli, sia tra l’impresa ed il mercato sia all’interno dell’impresa stessa.

L’impresa ha quindi a disposizione un ambiente di relazione ricco sia di interattività

sia di impatto simbolico e ludico, che può sfruttare al meglio l’efficienza del broadcasting

e la qualità di servizio del narrowcasting1, consentendo la costruzione di relazioni frequenti

e socialmente robuste, sia in mercati business che consumer.

Peppers e Rogers (1997) hanno sottolineato l’importanza dell’utilizzo della tecnologia

per realizzare la personalizzazione di massa del messaggio di marketing, in modo da

sviluppare relazioni basate sull’apprendimento e stabilendo un dialogo continuativo col

cliente. Inoltre bisogna incentivare e facilitare questo dialogo attraverso una chiara ragione,

o offerta, che sproni il cliente ad instaurare una relazione duratura, rispettando però la

privacy ed i tempi del cliente2.

Tutti questi obiettivi sono perseguibili attraverso l’utilizzo di Internet come canale di

marketing, ma soprattutto attraverso il canale mobile, che permette di ampliare il raggio di

azione della campagna di marketing, raggiungendo direttamente consumatori che prima

erano totalmente estranei al mondo web.

1 Letteralmente “trasmissione ristretta”, è il modello di comunicazione di Internet, basato su un meccanismo di divulgazione e fruizione "frammentata" dei contenuti. A differenza del più antico e conosciuto broadcasting, in cui le notizie vengono divulgate senza alcuna differenziazione in base alla tipologia di utenti alla quale si rivolgono, il narrowcasting è dunque una diffusione mirata di informazioni e contenuti, trasmessa ad un pubblico interessato ed interagente. 2 In base a tale principio il cliente va contattato solamente quando lo ha esplicitamente richiesto (opt-in), e analogamente va rispettata la sua volontà quando manifesta il desiderio di non ricevere più le comunicazioni dall’impresa (opt-out)

18

19

Capitolo 3

Obiettivi del progetto di ricerca

Questo capitolo presenta una sintesi degli obiettivi del progetto di ricerca, necessaria

a collocare le successive applicazioni trattate in questa tesi. Nella prima sezione si espone

il concetto di misurazione della soddisfazione per i mobile surfer, si presentano i fattori

influenti identificati e si specifica il modello teorico utilizzato per le analisi successive. Il

secondo paragrafo invece sposta l’attenzione sul problema della selezione dei target

raggiungibili tramite compagne di marketing. Si concentrerà l’attenzione sul “canale

mobile” proponendo una strategia di segmentazione dei navigatori online da smartphone

che permetta alle imprese di contestualizzare nella propria strategia di marketing digitale i

diversi segmenti di mercato potenzialmente raggiungibili, in modo da sfruttare

efficacemente le potenzialità offerte da questo canale in termini di visibilità e costo.

Nell’ultimo paragrafo inoltre si forniscono spiegazioni sulla struttura campionaria e

sugli strumenti utilizzati per rilevare le opinioni dei consumatori in merito ai costrutti di

interesse e si presentano alcune analisi esplorative per comprendere a fondo la

composizione del campione oggetto di studio.

3.1. I mobile surfer e la loro soddisfazione

Questa tesi di laurea si pone come primo obiettivo l’analisi dei fattori che influenzano

la soddisfazione per la navigazione internet da smartphone. Tale soddisfazione verrà

misurata tramite indicatori inerenti il costo e l’affidabilità di connessione offerti

dell’operatore di rete, la quantità di servizi ottimizzati, la presenza di applicativi aggiuntivi,

la leggibilità delle informazioni e la facilità di navigazione. Queste caratteristiche

contribuiscono in maniera congiunta all’esperienza di navigazione mobile e la

soddisfazione derivante da tale esperienza è altamente influenzata da svariati fattori. Tra i

20

fattori sociali e culturali troviamo lo stile di vita del consumatore mobile ed il suo rapporto

con le nuove tecnologie, mentre tra i fattori legati al prodotto possiamo identificare la

qualità percepita delle funzionalità extra-telefono presenti sui device e l’utilità percepita

delle componenti software aggiuntive.

Oltre ai fattori precedentemente descritti, il fenomeno delle recensioni online riveste

un ruolo riconosciuto nell’influenzare la soddisfazione per un prodotto o servizio (Baggio,

2010). In questa tesi di laurea si propone l’aggiunta di questo fattore come mediatore tra

fattori socio-culturali e quelli legati al prodotto per analizzare la soddisfazione per la

navigazione internet da smartphone.

Lo studio delle relazioni tra fattori i socio-culturali e di prodotto con la soddisfazione

per la navigazione in internet da smartphone, permette di identificare gli elementi primari

che influenzano il livello di user experience. Più in particolare permette di quantificare il

contributo che l’utilità percepita delle applicazioni è in grado di fornire sul livello di

soddisfazione e sulla qualità percepita delle funzionalità, fornendoci importanti

informazioni sulle possibili basi da utilizzare per una segmentazione dei consumatori di

mobile internet da smartphone. Per approfondire questo punto rimandiamo al Paragrafo

3.2.

3.1.1. Elementi potenzialmente influenti

In questo paragrafo verranno descritte le basi teoriche che supportano la scelta dei

costrutti che verranno utilizzati per analizzare la soddisfazione per il fenomeno mobile da

smartphone, soffermandosi sull’importanza che questi elementi rivesto dal punto di vista

strategico nel moderno contesto di mobile marketing.

Relazione con la tecnologia e stile di vita

La tecnologia non è più solo uno strumento per migliorare l’efficienza aziendale o

l’organizzazione personale, ma è diventata un abilitatore di relazioni sociali e personali e

si passa così dal concetto di information technology a quello di emotion technology, ovvero

la tecnologia come sostegno dei rapporti tra le persone e della condivisione, non solo di

21

informazioni ma di veri e propri contenuti multimediali, foto e video compresi, che

rafforzano le relazioni.

È quanto emerge da una ricerca su base europea condotta da Benchmark Research e

commissionata da Amd nel 2005. Lo studio, dal titolo “Tecnologia e social sharing” ha

analizzato l’impatto dell’informatica e delle telecomunicazioni, ma soprattutto quello di

Internet nella vita di tutti i giorni.

La tecnologia è diventata un integratore affettivo, una commodity in grado di

migliorare la qualità della vita e delle relazioni. Inoltre, l’abitudine a utilizzare strumenti

informatici porta gli individui a mutare comportamenti. Ad esempio, il semplice e diffuso

“taglia e incolla”, ma anche la navigazione negli ipertesti di Internet sono il simbolo di una

inedita struttura mentale che porta a usare il cervello in modo più plastico e flessibile.

Questo implica un cambiamento delle dinamiche di consumo che diventano combinatorie,

nelle quali cioè è l’utente a scegliere ed integrare stili diversi nel modo di vestire,

nell’acquisizione di prodotti, o semplicemente a sfruttare la musica online in modo

personale creando compilation o playlist (Morace, 2004).

Lo studio inoltre smentisce definitivamente che l'uso di sistemi di comunicazioni

digitali favorisca l'isolamento tra persone, anzi l'era digitale favorisce lo scambio

interpersonale e la nascita di nuove relazioni.

Le nuove tecnologie stanno modificando non solo il modo in cui interagiamo gli uni

con gli altri, ma anche il nostro rapporto con la tecnologia e il modo in cui riceviamo ed

elaboriamo dati e informazioni.

Contestualizzando il nostro studio sulla tecnologia imperversante negli ultimi anni,

ossia sul mobile internet da smartphone, possiamo pensare al livello raggiunto in merito

alla relazione con la tecnologia e allo stile di vita (inteso come grado di socialità), come

due fattori esogeni, che determinano il rapporto di “intimità” che si viene a creare tra

l’utilizzatore ed il device, influenzando la user-experience dell’utente. Risulta quindi di

grande importanza ai fini dell’analisi della soddisfazione per la navigazione internet via

smartphone considerare l’influenza di questi due fattori.

A conferma della scelta dello stile di vita come fattore influente sulla soddisfazione,

troviamo uno studio condotto nel 2011 da J.D. Power & Associates, che sottolinea proprio

l’effetto esercita da questo fattore. Esso afferma che la soddisfazione generale derivante

dall’utilizzo di smartphone è notevolmente più elevata tra coloro che usano i loro

dispositivi per attività legate ai social media.

22

Qualità percepita delle funzionalità e utilità percepita delle app

Grazie al mobile internet e alle applicazioni è possibile compiere da smartphone

svariate attività in maniera rapida e veloce: si può, ad esempio, giocare, guardare e

condividere video e foto, “postare” commenti ed esprimere opinioni, ascoltare musica,

tenersi informato sulle news (siano esse di cronaca, sport, meteo, economia), organizzare e

sincronizzare calendario e agenda ed utilizzare il navigatore. Potenzialità precedentemente

inimmaginabili su un device portatile come il cellulare. La qualità che l’utente percepisce

nello svolgere queste attività e l’utilità percepita nelle applicazioni aggiuntive che integrano

queste funzionalità in modo più semplice ed efficiente sono elementi soggettivi legati al

prodotto di cruciale importanza, e verranno tenuti in considerazione nell’indagine vista

l’influenza diretta sulla soddisfazione per la navigazione in internet.

Prima di continuare con la descrizione dei fattori presi in considerazione, è importante

capire le differenze fondamentali tra un sito mobile e di una applicazione, che sono

entrambi accessibili su dispositivi portatili come gli smartphone.

Un sito web mobile è simile a qualsiasi altro sito web in quanto si compone di pagine

HTML browser-based che sono collegate tra loro e accessibili su Internet.

La caratteristica evidente che distingue un sito web per cellulari da un sito standard è

nel disign, Come qualsiasi sito web, i siti web per cellulari sono in grado di visualizzare

contenuti multimediali, quali testo, dati, immagini e video. Al contrario, le app sono

componenti software che vengono scaricati e installati sul dispositivo mobile, senza che si

necessiti di un browser per visualizzare i contenuti. Gli utenti visitano i portali specifici del

dispositivo, come Apple App Store, Android Market o Backberry App World, per trovare

e scaricare applicazioni per un determinato sistema operativo. L'applicazione può estrarre

il contenuto e i dati da Internet, in modo simile a un sito web. Oppure può scaricare il

contenuto solo inizialmente in modo che si possa accedere anche senza una connessione.

Uno studio effettuato nel 2013 da Compuware mostra che l’85% degli utenti

intervistati preferisce le applicazioni ai siti web per cellulari. Esse sono percepite più

convenienti, veloci e facili da usare. Inoltre l’84% considera le valutazioni ed i feedback

presenti sugli Store molto importanti nella loro decisione di scaricare e installare una app.

Negli Stati Uniti, ad esempio, dove il mercato digitale è in fase avanzata, il mondo

delle app vede aumentare la sua popolarità: secondo un rapporto Nielsen del 2012, i

consumatori di telefonia mobile scaricano più applicazioni rispetto al passato, con un

23

numero medio di applicazioni per smartphone pari a 41, con un aumento del 28% rispetto

al dato del 2011 (Mobile Statistics, 2012).

Il fenomeno delle App sta progredendo senza sosta anche nel resto dei paesi avanzati:

in Italia, secondo una indagine Doxa per l’Osservatorio Mobile Marketing & Service della

School of Management del Politecnico di Milano, nel 2012 il numero medio di applicazioni

possedute dai consumatori di telefonia mobile è 31, di cui 8 usate solo una o due volte.

Si consideri che nel 2012 il numero di app scaricate nel mondo ha raggiunto quota 48

miliardi, con un aumento del 56% rispetto all’anno precedente (vedi Figura 3.1), mentre il

numero delle applicazioni disponibili ha superato nettamente il milione, con un aumento

del 61% (Figura 3.2).

Il nostro studio vuole proprio verificare se la crescita del mercato delle app

corrisponde, dal lato del consumatore, ad una vera percezione di qualità ed utilità delle

funzionalità implementate, che si riflette successivamente sulla soddisfazione per la user

experience.

Figura 3.1: numero totale di app scaricate per sistema operativo (Fonte: Mobile Statistics, giugno 2012)

24

Figura 3.2: numero totale di app disponibili per sistema operativo (Fonte: Mobile Statistics, giugno 2012)

Recensioni online

Tutti gli studiosi di marketing sono d’accordo sulla capacita dei consumatori di

influenzarsi a vicenda. Questo fenomeno è un elemento centrale nei modelli di diffusione

tecnologica o di nuovi prodotti e da molto tempo è sotto i riflettori degli esperti, che

studiano le più svariate tecniche per influenzarlo (Bass, 1969; Dichter, 1966).

L’esperienza derivante dalla fruizione di un servizio o dall’acquisto e dall’uso di un

prodotto diventa una potente fonte di motivazione per altri consumatori e determina la

natura dei comportamenti post-consumo, fra i quali il desiderio di rendere altre persone

partecipi di questa esperienza.

L’atmosfera che si crea intorno a quel prodotto o servizio nella mente del consumatore

modifica la percezione del valore di quanto esso rappresenti, ed influisce sullo stato

emozionale del consumatore stesso (Kotler, 1973) La trasmissione di questo tipo di

informazioni genera quindi modifiche nei comportamenti d’acquisto come dimostrano

molti modelli che provano la forza della risposta emotiva creata dall’ambiente (Mehrabian

e Russell, 1974).

Il mondo di Internet, fin dalla sua comparsa, assume la funzione di rete sociale

sostituendosi al ristretto gruppo sociale costituito da parenti, amici e conoscenti, tanto che

25

l’identificazione fra il mondo reale e quello virtuale è diventata quasi scontata. Come Barry

Wellman (2001), pioniere di questi studi, afferma:

“Le reti di computer sono di per sé reti sociali che collegano persone, organizzazioni,

conoscenza. Sono istituzioni sociali che non dovrebbero essere studiate isolatamente, ma

integrate nella vita di tutti i giorni”.

La maggiore disponibilità di mezzi di comunicazione ha portato a maggiori possibilità

di consultare e propagare informazioni, inducendo profondi cambiamenti nei mercati e

fornendo al consumatore un maggiore potere contrattuale derivante, essenzialmente, dalla

diminuzione di quell’asimmetria informativa che aveva caratterizzato molti mercati.

Visto il ruolo centrale nei modelli di diffusione tecnologica o di nuovi prodotti delle

recensioni online grazie al loro potere pervasivo nell’influenzare la soddisfazione per un

prodotto o servizio, non si può tralasciare l’esistenza di tale fattore ai fini della nostra

analisi. I cosiddetti “feedback” online fungono da mediatori tra i fattori socioculturali e

quelli legati al prodotto, oltre che avere una influenza diretta sulla soddisfazione per la

navigazione internet da smartphone.

Soddisfazione per l’esperienza di navigazione in internet

Lo studio della soddisfazione è considerato molto importante nella letteratura di

marketing e consumer behavior. Raggiungere un elevato livello di soddisfazione del cliente

è uno degli obiettivi principali per la maggior parte delle aziende; essa condiziona

positivamente il processo di reiterazione dell’acquisto, esercitando anche un’azione

promozionale del prodotto tramite il passaparola, il quale porta un ritorno in termini di

loyalty.

La soddisfazione dei mobile surfer è fondamentale per il successo futuro di un’azienda

operante nel mercato virtuale o che vuole utilizzare il canale del mobile internet per

acquisire vantaggio competitivo. Le imprese devono cercare di aumentare la soddisfazione

derivante dalla user-experience, in modo tale che gli utenti preferiscano utilizzare il canale

mobile come risorsa primaria, e siano più propensi a raccomandare l’azienda per i servizi

online offerti, a tornare sul sito mobile o ad utilizzare nuovamente la app.

Nel caso della user-experience online da smartphone, la dimensione della

soddisfazione è legata sia alle caratteristiche del device e della connessione, sia

26

all’esperienza che il consumatore ha vissuto nell’utilizzo delle funzionalità online.

L’esperienza d’utilizzo, quindi, come sottolinea uno studio della ForeSee, è principalmente

connessa con la qualità delle funzionalità e con l’utilità in loro riscontrata dagli utenti.

Nonostante questi due fattori legati al prodotto siano valutabili ex-ante in forma “quasi

oggettiva”, la soddisfazione che deriva dall’esperienza di consumo dei servizi online, è in

parte di tipo cognitivo ed in parte di tipo emozionale.

La soddisfazione può dunque essere definita come una valutazione dell’emozione

provata durante l’esperienza, e riflette l’intensità con cui un consumatore crede che il fruire

di un determinato servizio gli evochi sentimenti positivi (Rust e Oliver, 1994).

3.1.2. Specificazione del modello teorico

Questo lavoro di tesi propone l’analisi della soddisfazione per l’esperienza di

navigazione da smartphone tramite il modello causale specificato in Figura 3.3.

Relazione con

la tecnologia

Stile di vita

Feedback

Qualità

percepita

Utilità

percepita

Soddisfazione

Figura 3.3: Modello teorico di riferimento.

27

Il modello teorico determinato presenta le relazioni tra fattori socio-culturali (relazione

con la tecnologia e stile di vita), i fattori legati al prodotto (qualità percepita delle

funzionalità ed utilità percepita delle app), l’utilizzo dei feedback e la soddisfazione per

esperienza di navigazione. La relazione con la tecnologia e lo stile di vita vengono

considerati come due fattori latenti esogeni, mentre la qualità percepita, l’utilità percepita,

i feedback e la soddisfazione sono considerati come fattori endogeni.

L’obiettivo consiste nel valutare i reali effetti apportati dai fattori socio-culturali e di

prodotto sulla soddisfazione dei mobile surfer, proponendo l’aggiunta di un’ulteriore

fattore, l’utilizzo dei feedback. Il modello in figura 3.3 è stato specificato a partire da alcune

ipotesi di ricerca. Le ipotesi che verranno successivamente indagate con l’ausilio di un

modello strutturale possono essere così riassunte:

H1: la relazione con la tecnologia ha un effetto positivo sulla qualità percepita.

H2: la relazione con la tecnologia ha un effetto positivo sull’utilità percepita.

H3: la relazione con la tecnologia ha un effetto positivo sull’utilizzo dei “feedback”.

H4: la relazione con la tecnologia ha un effetto positivo sulla soddisfazione.

H5: la relazione con la tecnologia ha un effetto positivo sull’utilità percepita delle

applicazioni mediato dall’utilizzo dei “feedback”.

H6: la relazione con la tecnologia ha un effetto positivo sulla qualità percepita delle

applicazioni mediato dall’utilità percepita delle app.

H7: lo stile di vita ha un effetto positivo sull’utilità percepita.

H8: lo stile di vita ha un effetto positivo sulla qualità percepita.

H9: lo stile di vita ha un effetto positivo sull’utilizzo dei “feedback”.

H10: lo stile di vita ha un effetto positivo sulla soddisfazione.

H11: lo stile di vita ha un effetto positivo sull’utilità percepita mediato dall’utilizzo dei “feedback”.

H12: lo stile di vita ha un effetto positivo sulla qualità percepita mediato dall’utilità percepita.

H13: lo stile di vita ha un effetto positivo sulla soddisfazione mediato dalla qualità percepita.

28

H14: l’utilizzo dei “feedback” ha un effetto positivo sull’utilità percepita.

H15: l’utilizzo dei “feedback” ha un effetto positivo sulla qualità percepita.

H16: l’utilizzo dei “feedback” ha un effetto positivo sulla soddisfazione.

H17: l’utilizzo dei “feedback” ha un effetto positivo sulla qualità mediato dall’utilità percepita.

H18: l’utilizzo dei “feedback” ha un effetto positivo sulla soddisfazione mediato dall’utilità e qualità

percepita.

H19: l’utilità percepita ha un effetto positivo sulla qualità percepita.

H20: l’utilità percepita ha un effetto positivo sulla soddisfazione.

H21: l’utilità percepita ha un effetto positivo sulla soddisfazione mediato dalla qualità percepita.

H22: la qualità percepita ha un effetto positivo sulla soddisfazione.

3.2. Segmentazione dell’audience mobile

La nascita di nuovi canali di vendita e comunicazione legati alla new economy ha

indotto notevoli cambiamenti nel mondo dei media, ribaltando gli indici di successo dei

media tradizionali rispetto ai nuovi.

In questo paragrafo si intende fare una breve digressione su una funzionalità

importante del CRM: la scelta del canale più adeguato alla campagna di marketing e la

segmentazione del target per aumentare la probabilità di successo delle strategie aziendale.

Inoltre, si approfondisce il tema legato al mobile internet & application, sottolineando la

necessità di analizzare nel dettaglio il profilo socio-demografico e comportamentale dei

mobile surfer ai fini di individuare e contestualizzare i diversi target raggiungibili tramite

questo canale.

29

Alla scoperta dei nuovi target raggiungibili

I canali elettronici di marketing (internet e e-mail) stanno rendendo possibile un

maggior livello di personalizzazione dei messaggi ed un aumento del volume di interazioni

con i clienti ad un costo inferiore rispetto ai canali tradizionali.

L’aumento delle possibilità di interazione, tuttavia, non comporta che gli utenti

apprezzino fenomeni cosiddetti di “spamming” o “junk mail”, ossia invii di messaggi

promozionali non richiesti tali da inondare la casella di posta elettronica. In questo senso,

l’insegnamento di Seth Godin (1999), vale a dire la preventiva richiesta all’utente di un

possibile interesse verso il contenuto dei messaggi promozionali e la possibilità di

interrompere l’invio in qualsiasi circostanza, ha un riscontro anche nei dati economici.

Una possibile modalità di classificazione dei canali si fonda sull’impatto personale che

essi hanno sui destinatari, e naturalmente, in funzione del costo per contatto. Per impatto si

intende il grado di interazione personale, che va dal contatto diretto fino ai contatti più

spersonalizzati, come l’uso della mail o l’interazione su un sito web. È chiaro però che

maggiore sarà il grado di interazione personale maggiore sarà il costo per contatto.

Una più utile classificazione dei canali di marketing si basa, invece, sul livello di

segmentazione del target che permettono di effettuare. Il grado di segmentazione fornisce

la possibilità di personalizzare il messaggio in base alle caratteristiche del target

selezionato, rendendo più efficaci le campagne di marketing e limitandone i costi.

La trasmissione di una pubblicità televisiva, ad esempio, colpisce in pochi secondi un

pubblico enorme, e di conseguenza ha un basso costo per contatto. Il target però non è

selezionato: chiunque guardi la TV in quel momento può essere o meno appartenente al

target di riferimento per quella pubblicità. Questo tipo di comunicazione viene definita

One-to-Many (1:M). Viceversa, la stessa pubblicità, visualizzata attraverso un banner su

alcuni siti (o applicazioni) selezionati in funzione del target che li visita, ha un costo per

contatto più elevato, infatti la probabilità che le persone colpite da quel messaggio siano

potenzialmente interessate all’iniziativa e facciano seguire una qualche azione (informativa

o di acquisto) è più elevata. Questo tipo di contatto è definito 1:N, dove N è il target

selezionato. Se, infine, la stessa pubblicità venisse inviata per mail ad una lista di utenti

iscritta ad un sito o servizio online, che per le loro caratteristiche, sono potenzialmente

interessate al messaggio in questione, si raggiunge un livello di comunicazione definita

One-to-One (1:1).

30

Come si è già osservato nel Capitolo 1, il numero di smartphone nella popolazione

italiana è in forte crescita, tanto che diverse fonti ne hanno già descritto il sorpasso sui

telefoni cellulari classici. Questa elevata diffusione di nuovi dispositivi mobili suggerisce

la necessità di attuare logiche di segmentazione ad hoc, nonché di identificare con chiarezza

i target raggiungibili a seconda della tipologia di formato utilizzato. In merito alle attività

di mobile advertising occorre considerare due tipologie principali di piattaforme

tecnologiche e le conseguenti logiche di contatto e interazione con il target audience:

messaging e mobile internet & application. Con riferimento alle prime, si ricorda che tali

servizi vengono offerti direttamente sia dalle Telco sia da altri operatori, che mettono a

disposizione database di contatti profilati, ed è quindi possibile utilizzare tecniche di analisi

dei dati per selezionare il target obiettivo o differenziare le azioni di marketing in base alla

segmentazione effettuata. Con riferimento al mobile internet & application, occorre

analizzare nel dettaglio il profilo socio-demografico e comportamentale dei navigatori da

smartphone per capire più in profondità i contesti d’uso specifici del device in merito

all’attività online e alla fruizione di applicazioni; ed è proprio in questo contesto che si

colloca la presente ricerca, che intende analizzare le modalità d’uso degli utenti per

classificare i mobile surfer ed aiutare le imprese a contestualizzare nella propria strategia

di marketing digitale i diversi segmenti di mercato potenzialmente raggiungibili tramite il

canale mobile, in modo da sfruttare efficacemente le potenzialità offerte in termini di

visibilità e costo.

Precedentemente si è ipotizzato un effetto positivo esercitato dalla qualità percepita

delle diverse funzionalità disponibili su smartphone e dall’utilità percepita delle app nei

confronti del livello di soddisfazione per la navigazione internet, ed in particolare quello

dell’utilità delle app sulla percezione della qualità; questo effetto verrà confermato dalle

analisi successive sottolineando l’importanza che i servizi online usufruibili da smartphone

hanno avuto nella rapida diffusione di questo dispositivo, siano essi siti ottimizzati che

applicazioni. A tal proposito, si è pensato di proporre una segmentazione dei mobile surfer

incentrata sui contesti d’uso specifici tramite i quali l’utente entra in contatto con il mondo

mobile. Nel dettaglio si studieranno le attività svolte, sia su siti mobile sia su app, che

necessitano di un servizio internet1.

1 Per una descrizione dettagliata degli indicatori utilizzati si veda in Appendice B.

31

I nuovi formati del mobile marketing

Si apre ora una breve parentesi sui formati di mobile marketing disponibili. Con

riferimento alla piattaforma mobile internet & application, vi sono molti formati di mobile

marketing disponibili: il mobile keyword advertising, il mobile SEO (search engine

optimization), il display advertising, i siti mobile e gli applicativi. Tramite i primi due

formati è possibile assicurarsi la dovuta visibilità del proprio sito nella ricerca da mobile

internet. Il terzo si basa su pubblicità di tipo tabellare all’interno di contenuti di interesse

per l’utente. Tali iniziative nascono in parte dall’eredità e dall’esperienza internet da pc, e

con l’esplosione degli applicativi per smartphone da un lato e dei siti mobile dall’altro, si

è dato un forte impulso alla crescita e allo sviluppo dei mobile banner, rendendo disponibile

un numero maggiore di spazi ed offrendo alle imprese contesti ottimali per raggiungere un

numero potenzialmente molto elevato di utenti, prima disponibile soltanto su portali

mobile. Per ciò che concerne i siti mobile, essi svolgono l’azione informativa e di contatto

con il cliente tipica dei siti tradizionali, mentre le applicazioni permettono alle imprese di

seguire diverse logiche di marketing: l’obiettivo principale è rappresentato dall’engagment,

non mancano, tuttavia, utilizzi mirati al soddisfacimento di obiettivi di reputation,

immagine e aumento del livello di servizio; altri obiettivi possono essere la profilazione del

potenziale cliente o l’erogazione di servizi direttamente collegati col prodotto: la

personalizzazione, la prenotazione o l’acquisto.

3.3. Descrizione del questionario

Per analizzare la soddisfazione si sono utilizzate le informazioni provenienti da un

questionario realizzato da Doxa per l’Osservatorio Mobile Marketing & Service della

School of Management del Politecnico di Milano.

Il questionario è stato condotto via web, secondo la logica CAWI (Computer-assisted

web interviewing), nota tecnica di rilevamento tramite internet, in cui l’intervistato segue

un copione previsto in un sito web. I questionari sono realizzati con un programma per la

creazione di interviste web. Il software è in grado di personalizzare il flusso del questionario

sulla base delle risposte fornite. Questa tecnica di raccolta di informazioni è diventata molto

32

popolare grazie al crescente uso di internet. Inoltre è considerato il metodo di rilevamento

più economico, dato che non vi è la necessita di utilizzare personale per compiere sondaggi,

a differenza delle tecniche CATI (Computer-assisted telephone interviewing), che come

dice la parola stessa hanno bisogno di assistenza telefonica (Martone e Furlan, 2007).

Tramite modalità CAWI, sono stati inviati 3000 questionari ad un campione

rappresentativo degli utenti internet dai 16 ai 75 anni per le variabili sesso, classi di età,

area geografica ed ampiezza del comune di residenza. La costruzione delle quote si è basata

sulla popolazione di utenti internet stimata attraverso l’indagine interna Capibus Doxa

svolta nel 2012. Il questionario è stato pubblicato in rete verso la fine di dicembre 2012 ed

è stato chiuso, una volta raggiunte le quote prestabilite e superate le 1500 interviste a

possessori di smartphone dichiaratosi navigatori via mobile2, all’incirca verso la metà gennaio

2013.

Sono quindi state realizzate complessivamente 2129 interviste, 1716 sono risultati

possessori di un telefono cellulare avanzato che permette anche di navigare su internet,

scaricare e installare applicazioni, di cui 1502 si sono dichiarati utenti di mobile internet.

Per l’indagine sull’esperienza di navigazione da smartphone si sono selezionati alcuni

items della parte di questionario relativa agli atteggiamenti con le nuove tecnologie in

generale, con gli smartphone e con il mobile internet in particolare: stile di vita, relazione

con la tecnologia ed utilizzo dei feedback, la qualità percepita delle funzionalità, l’utilità

percepita delle app e la soddisfazione per la navigazione online3. Mentre per la seconda

parte della ricerca, nella quale si vuole approfondire una strategia di segmentazione dei

mobile surfer si è utilizzata la parte di questionario relativa alle attività svolte tramite app

o sito mobile da smatphone4.

2 Per navigatori via mobile si intende colui che ha svolto almeno una volta nei trenta giorni precedenti una delle seguenti attività online tramite smartphone: leggere e/o inviare mail, accedere a siti web, scaricare ed utilizzare applicazioni. 3 Per una descrizione dettagliata degli indicatori utilizzati si veda l’Appendice A. 4 Per una visione dettagliata delle variabili utilizzate si veda l’Appendice B.

33

Il campione

Questo paragrafo presenta in maniera dettagliata i dati utilizzati nelle analisi con

riferimento al campione navigatori da smartphone (che ricordo essere composto da 1502

individui). Le caratteristiche socio-demografiche dei mobile surfer, il comportamento in

relazione agli specifici contesti d’uso del device e la frequenza dell’attività online saranno

gli aspetti centrali dell’analisi esplorativa seguente.

Le caratteristiche socio-demografiche che permettono di dare una visione più

dettagliata della composizione del campione considerato sono le variabili sesso, fascia

d’età, area di residenza, ampiezza del centro abitato, lo stato civile, il titolo di studio e la

professione. Una prima analisi esplorativa del campione di navigatori da smartphone è

presentata il Tabella 3.1: il 51.9% del campione è composto da uomini, il 64.1% degli

intervistati ha un’età compresa tra 25 e 44 anni, il 24.2% risiede in grandi centri urbani

mentre il restante è equamente distribuito tra i differenti intervalli considerati, dal 10.6%

nelle medie città al 10.2% nei piccoli paesi con meno di 5000 abitanti.

Il 49.3% del campione dichiara di essere sposato o di convivere con il proprio partner,

maggiormente sono donne (52%), mentre il 43.5% si dichiara nubile/celibe, tra i quali si

presentano più uomini (46.5%). In piccola percentuale sono presenti anche vedovi, separati

e divorziati (Tabella 3.2).

Il livello di istruzione è un’ulteriore variabile di interesse e dalla Tabella 3.3 emerge

una prevalenza di titoli di scuola media superiore (59.7%) equamente distribuiti tra uomini

e donne, seguito da lauree specialistiche (24.7%) maggiormente possedute da persone di

sesso maschile (23.7%).

Anche la variabile professione permette di capire meglio la composizione del

campione. In Tabella 3.4 viene mostrata la distribuzione di tale variabile per sesso e totale:

la netta maggioranza si dichiara impiegato (33.4%, in composizione paritaria tra uomini e

donne), a seguire troviamo gli studenti universitari (13.2%), liberi professionisti (9.6%, in

prevalenza uomini), operai (7.5%, in prevalenza uomini), casalinghe (6%, esclusivamente

donne, pari al 12.5% di tutto il campione femminile) e disoccupati (5.7%, maggiormente

donne).

34

Interviste %

Totale 1502 100

Sesso Uomo 780 51.9 Donna 722 48.1

Fascia età

16-24 anni 183 12.2 25-34 anni 500 33.3 35-44 anni 463 30.8 45-54 anni 249 16.6 55-64 anni 80 5.3 64-75 anni 27 1.8

Area di residenza

Nord Ovest 409 27.2 Nord Est 274 18.2 Centro 303 20.2

Sud e Isole 516 34.3

Ampiezza centri

Fino a 2.000 ab. 56 3.7 Da 2.000 a 5.000 ab. 97 6.5 Da 5000 a 10.000 ab. 170 11.3 Da 10.000 a 20.000 ab. 192 12.8 Da 20.000 a 30.000 ab. 127 8.5 Da 30.000 a 50.000 ab. 153 10.2 Da 50.000 a 100.000 ab. 184 12.2 Da 100.000 a 250.000 ab. 159 10.6

Più di 250.000 ab. 364 24.2 Tabella 3.1: composizione del campione dichiaratosi navigatore via mobile.

Uomo

(%) Donna

(%) Totale

(%)

Sposato/convivente 46.7 52.1 49.3 Nubile/celibe 46.5 40.3 43.5 Divorziato 1.5 1.9 1.7 Separato 2.0 3.6 2.8 Vedovo 0.9 1.4 1.1 Preferisco non rispondere 2.3 0.7 1.5

Tabella 3.2: composizione del campione per sesso e stato civile.

Uomo

(%) Donna

(%) Totale

(%)

Master/ dottorato 1.9 2.9 2.4

Laurea specialistica 23.7 19.5 21.7 Laurea triennale 3.6 6.5 5.0 Media superiore 59.9 59.6 59.7 Media inferiore 0.4 11.2 10.7 Elementari 0.3 0.3 0.3 Nessun titolo 0.3 0 0.1

Tabella 3.3: composizione del campione per sesso e titolo di studio.

35

Uomo

(%) Donna

(%) Totale

(%)

Imprenditore 2.9 1.2 2.1 Libero professionista 11.4 7.6 9.6 Dirigente/alto funzionario 2.3 0.5 1.5 Quadro intermedio 6.3 1.8 4.1 Impiegato 33.8 33.0 33.4 Operaio 10.3 4.6 7.5 Insegnante 1.9 5.3 3.5 Commerciante/artigiano 2.4 1.5 2.0 Casalinga 0 12.5 6.0 Pensionato 2.6 1.9 2.3 Non occupato 4.5 6.9 5.7

In cerca di prima occupazione 1.4 2.3 1.9 Universitario 13.1 13.4 13.2 Studente superiore 1.5 2.6 2.1 Altro 5.5 4.7 5.1

Tabella 3.4: composizione del campione per sesso e professione.

I mobile surfer dichiarano in netta maggioranza (92.9%) di utilizzare i servizi online

da smartphone a diario. Il 6.5% utilizza ancora una connessione internet analogica per la

propria abitazione mentre il 79.8% dichiara di possedere la banda larga. Il 10% non ha

connessioni via cavo ma utilizza solo la rete mobile, mentre l’1.3% non si connette soltanto

in mobilità.

Per quanto riguarda invece i sistemi operativi presenti su device, la distribuzione del

campione rispecchia grosso modo le quote di mercato dei cinque colossi del settore della

telefonia mobile (Tabella 3.5) e non si evidenziano significative concentrazioni dovute alle

fasce d’età, confermando l’omogeneità della distribuzione del sistema operativo tra il

campione: la scelta di un sistema operativo al posto di un altro è condizionata da gusti,

passaparola e budget di spesa. La somma spesa per l’acquisto dello smartphone si concentra

tra i 100 ed i 500 euro e si osserva una tendenza al risparmio per le fasce d’età dai 45 ai 74

anni (Tabella 3.6).

Android (%)

iOS (%)

BlackBarry (%)

Symbian (%)

Windows (%)

Non lo so (%)

16-24 anni 6,3 2,8 0,5 0,5 0,9 1,1

25-34 anni 17,4 8,5 1,1 2,3 1,9 2,1

35-44 anni 16,1 7,5 1,5 1,2 2,1 2,4

45-54 anni 8,3 4,1 0,7 1,2 1,4 1,0

55-74 anni 3,1 1,4 0,7 0,4 0,7 0,9

Totale 51,1 24,3 4,5 5,6 7,1 7,5 Tabella 3.5: composizione del campione per fascia d’età e sistema operativo.

36

< 100 € 101 - 200 € 201 - 500 € > 500 €

16-24 anni 2,5 4,0 3,6 2,1

25-34 anni 6,6 10,9 10,0 5,8

35-44 anni 5,7 10,3 9,1 5,9

45-54 anni 2,6 5,1 5,9 3,0

55-74 anni 1,2 1,9 3,1 0,9

Total 18,5 32,1 31,7 17,7 Tabella 3.6: composizione del campione per fascia d’età e spesa d’acquisto dello smartphone.

Dopo aver esplorato la composizione socio-demografica del campione e le

caratteristiche dello smartphone posseduto dagli intervistati (sistema operativo e spesa

sostenuta), non ci resta che analizzare la distribuzione degli operatori di telefonia utilizzati

e le spese sostenute per i diversi servizi.

Come precedentemente osservato per la distribuzione del sistema operativo, anche

quella dell’operatore rispecchia la quota di mercato dei vari operatori di telefonia attivi sul

territorio italiano (Tabella 3.7): il 31.4% utilizza Vodafone, il 24.8 Wind, a seguire Tim

con il 23.1% e Tre con il 16.7%, fanalino di coda Poste Mobile con l’1.8%.

TIM VODAFONE WIND TRE POSTE MOBILE ALTRO NON INDICA

16-24 anni 2,3 5,7 3,3 0,7 0,1 0,0 0,1 25-34 anni 7,2 9,1 9,5 6,3 0,7 0,4 0,1 35-44 anni 6,4 9,0 7,7 6,4 0,5 0,7 0,1 45-54 anni 5,2 4,9 3,4 2,3 0,3 0,3 0,1

55-74 anni 2,1 2,7 1,0 1,0 0,1 0,3 0,0 Total 23,1 31,4 24,8 16,7 1,8 1,7 0,5

Tabella 3.7: composizione del campione per fascia d’età e operatore.

Il 71.9% del campione intervistato possiede un sevizio di telefonia ricaricabile o

prepagato. Poco meno della metà paga un importo fisso settimanale o mensile sia per

telefonare sia per navigare, il 22.7% paga un importo fisso solo per navigare, il 16.9%

utilizza promozioni saltuarie, e solo il 9.8% paga a consumo. La spesa sostenuta per questi

servizi (sia telefono che internet) risulta inferiore a 30 euro mensili per il 75.7% del

campione.

La maggioranza assoluta del campione ha dichiarato di aver già effettuato acquisti

online, tramite smartphone oppure tramite PC/notebook, per la totalità delle categorie

merceologiche proposte (Tabella 3.8); le più gettonate, in ordine decrescente, sono: la

micro-elettronica, l’elettronica per la famiglia, le bevande analcoliche, vacanze, gli

alimentari in genere, gli elettrodomestici ed i prodotti per la cura della persona. Questo

37

suggerisce che molti mobile surfer facenti parte del nostro campione hanno una buona

sintonia con il canale d’acquisto virtuale.

Categoria merceologica

Risposte affermative (%)

Micro-elettronica 93 Elettronica per la famiglia 88 Bevande analcoliche 84 Vacanze 84 Alimentari in genere 81 Elettrodomestici 80 Cura per la persona 80 Bevande alcoliche 76

Auto (compresa manutenzione) 75 Mobili d'arredamento 73 Acquisti legati all'abitazione 70 Prestiti/investimenti/assicurazioni 67 Beni di lusso 62 Moto/scooter 57

Tabella 3.8: acquisti online (sia tramite smartphone sia con pc o notebook) per categoria merceologica.

Dopo una prima panoramica riguardo la composizione del campione, si continua

l’esplorazione spostando l’attenzione sulla distribuzione degli indicatori selezionati per le

successive analisi fattoriali (sono già sottolineati quelli che risulteranno non idonei per

misurare i costrutti identificati). Ogni item viene misurato con un punteggio da 1 a 10, dove

1 significa “per niente d’accordo” e 10 sta per “completamente d’accordo”.

Considerando le modalità delle variabili qualitative ordinali come equamente

distanziate (a livello di intervallo) è possibile mostrare alcuni indici di posizione e di forma

sulla distribuzione degli indicatori selezionati per l’analisi della soddisfazione dei mobile

surfer. Nella Tabella 3.9 si osserva la distribuzione dei 9 indicatori relativi al costrutto della

relazione con la tecnologia (D1_1 – D1_9): essi risultano mediamente distribuiti tra i valori

6 e 8 mostrando una leggera asimmetria e curtosi. La stessa cosa si osserva per gli items

che indagano il costrutto stile di vita (D2_1 – D2_5) e per quelli relativi alla soddisfazione

(D6_1 – D6_6). La situazione migliora, in termini di simmetria, negli indicatori riferiti alla

qualità percepita del prodotto (D3_1 – D3_5), all’utilità percepita delle app (D4_1 – D4_3)

e all’utilizzo dei feedback (D5_1 – D5_5).

38

1° Quart. Mediana 3° Quart. Media Std. Dev Asimmetria Curtosi

D1_1 6 8 9 6.77 2.1 -1.19 3.08

D1_2 3 5 7 5.33 2.5 -0.02 2.19

D1_3 4 6 8 5.75 2.51 -0.28 2.23

D1_4 6 7 8 6.96 2.22 -0.86 3.54

D1_5 6 7 8 6.93 2.26 -1 3.49

D1_6 4 6 8 5.84 2.68 -0.29 2.1

D1_7 6 8 9 7.08 2.43 -1 3.45

D1_8 5 7 8 6.47 2.31 -0.6 2.85

D1_9 7 8 9 7.13 2.06 -1.12 3.19

D2_1 5 7 8 6.59 2.18 -0.5 3.01

D2_2 6 7 8 7.06 1.96 -0.6 3.34

D2_3 6 7 8 7.08 1.96 -0.5 3.25

D2_4 6 7 8 6.83 2.16 -0.72 3.4

D2_5 6 8 9 7.41 1.89 -0.73 3.65

D3_1 5 7 8 6.37 2.4 -0.41 2.59

D3_2 5 6 8 6.32 2.44 -0.4 2.52

D3_3 5 6 8 6.19 2.58 -0.34 2.29

D3_4 5 6 8 6.12 2.42 -0.38 2.55

D3_5 4 6 7 5.53 2.7 -0.17 2.09

D4_1 5 6 8 5.97 2.32 -0.31 2.58

D4_2 4 6 7 5.56 2.29 -0.2 2.51

D4_3 4 5 7 5.54 2.32 -0.15 2.52

D5_1 6 7 9 7.09 2.14 -0.64 3.24

D5_2 5 7 8 6.74 2.23 -0.55 3

D5_3 3 5 7 5.14 7.29 -0.05 2

D5_4 4 6 8 5.67 2.58 -0.23 2.24

D5_5 3 5 7 5.1 2.75 0.01 1.95

D6_1 5 7 9 6.37 2.43 -0.44 2.5

D6_2 5 7 8 6.57 2.03 -0.46 2.96

D6_3 5 7 8 6.56 2.02 -0.48 3.01

D6_4 5 7 8 6.52 2.05 -0.47 3.05

D6_5 6 7 8 6.78 1.88 -0.44 2.83

D6_6 6 7 8 6.75 1.99 -0.51 3.08 Tabella 3.9: indici di posizione e di forma per gli indicatori selezionati per l’analisi della soddisfazione dei mobile surfer.

Eseguendo il test di significatività sui coefficienti di curtosi e simmetria non si verifica

la presenza di valori significativamente problematici. Il test risulta non significativo al

livello del 10% per tutti gli indici considerati. Questo risultato è molto importante e

conferma la possibilità di utilizzare la matrice di correlazione policorica come matrice di

imput e la massima verosimiglianza come metodo di stima per il modello strutturale

specificato nel Capitolo 3.

39

In appendice C sono riportati i boxplot per le distribuzioni di tutte le variabili presenti

in Tabella 3.9 condizionatamente agli indicatori di soddisfazione. Dai boxplot delle

distribuzioni degli indicatori riferite alla relazione con la tecnologia (D1_1 - D1_9)

condizionate agli items relativi alla soddisfazione per l’esperienza di navigazione (D6_1 –

D6_6) si può osservare che le variabili mostrano una relazione positiva, seppur lieve, nei

confronti della soddisfazione (più accentuata per D1_1, D1_6 e D1_9) confermando le

ipotesi fatte precedentemente quando si identificavano gli elementi che potevano avere

importanza in questa analisi. Continuando con l’esplorazione degli items relativi allo stile

di vita, inteso come grado di socialità, si osserva una relazione positiva molto più marcata

con la soddisfazione. Questo risultato non stupisce più di tanto visto che la funzione

principale dello smartphone è appunto la comunicazione che viene addirittura amplificata

grazie all’aggiunta delle potenzialità web.

Proseguendo l’analisi dei boxplot relativi agli indicatori della qualità ed all’utilità

percepita si osserva una forte relazione positiva tra tutti gli items, a conferma

dell’importante ruolo svolto da questi due elementi nell’analisi della soddisfazione. La

stessa indicazione si registra anche per le variabili relative all’utilizzo dei feedback,

sottolineando l’influenza esercitata da questo elemento sul livello di soddisfazione per la

user-experience da smartphone.

Infine si presentano gli indicatori che si vuole proporre come base di segmentazione

per le applicazione presentate successivamente. Sono tutte variabili dicotomiche ed ognuna

si riferisce all’utilizzo di un particolare servizio online tramite smarthone: dal guardare

video in streaming all’ascoltare musica, dall’accedere a social network all’utilizzo di

servizi di instant messaging, solo per citarne alcune (si veda l’appendice B per un elenco

dettagliato). Nella Tabella 3.10 si può osservare la distribuzione delle risposte affermative

fornite dagli intervistati in riferimento alle specifiche attività proposte; le più volte sono:

Accedere ai social network (55.7%), consultare il meteo (49.3%) e consultare mappe

(46.6%). Sono state sottolineate le variabili che mostrano una massiccia presenza di

risposte negative e visto il loro scarso interesse saranno tralasciate nelle successive analisi

di classificazione.

40

Indicatore Risposte affermative % Indicatore Risposte affermative %

D7_1 656 43.7 D7_15 700 46.6 D7_2 837 55.7 D7_16 297 19.8

D7_3 78 5.2 D7_17 143 9.5

D7_4 625 41.6 D7_18 200 13.3 D7_5 522 34.8 D7_19 127 8.5 D7_6 304 20.2 D7_20 143 9.5 D7_7 741 49.3 D7_21 458 30.5 D7_8 285 19.0 D7_22 87 5.8 D7_9 120 8.0 D7_23 353 23.5

D7_10 180 12.0 D7_24 192 12.8 D7_11 178 11.9 D7_25 290 19.3 D7_12 459 30.6 D7_26 407 27.1

D7_13 224 14.9 D7_27 314 20.9

D7_14 105 7.0 Tabella 3.10: risposte affermative assegnate ai diversi indicatori selezionati come basi di segmentazione per l’audience mobile.

In appendice D sono riportati i boxplot per le distribuzioni di tutte le variabili presenti

in Tabella 3.10 condizionatamente agli indicatori di soddisfazione. Dai boxplot si osserva

mediamente una soddisfazione leggermente superiore per gli utenti che dichiarano di

svolgere le specifiche attività prese in considerazione. Le attività maggiormente diffuse,

quali la consultazione del meteo o l’utilizzo del navigatore, sono relazionate con un livello

di soddisfazione tendenzialmente superiore. La soddisfazione risulta relazionata con

attività a pagamento, come scaricare applicazioni o utilizzare contenuti on-demand,

confermando l’importanza di uno studio approfondito in modo da identificare gli aspetti

che influenzano il livello di appagamento degli utenti per prevenire situazioni critiche.

Anche l’attività di mobile banking è relazionata positivamente con il livello di

soddisfazione, il che certifica l’alta l’utilità percepita per questo servizio da parte dei mobile

surfer.

Infine è doveroso sottolineare come l’utilizzo di applicazioni per la personalizzazione

del cellulare o di utility per la produttività personale e lavorativa garantiscano una

soddisfazione superiore all’utente, permettendogli una maggior flessibilità d’uso.

41

Capitolo 4

Modelli ad equazioni strutturali

In questo capitolo si espongono brevemente le caratteristiche teoriche e metodologiche

dei modelli che andremo ad applicare ai dati provenienti dal questionario Mobile Marketing

& Service di Doxa. Focalizzeremo la nostra attenzione sulla loro formulazione ed

identificazione, sui metodi di stima e di inferenza e sugli assunti teorici che stanno alla base

di tali modelli statistici.

Di particolare interesse risulta inoltre un’attenta analisi delle specifiche di stima dei

modelli strutturali nell’ambito di studio degli atteggiamenti. La particolare struttura dei

questionari e delle variabili rilevate hanno come conseguenza la necessità di adottare

specifici strumenti d’analisi e prestare particolare attenzione sia agli assunti alla base dei

modelli da stimare, sia alla bontà dell’inferenza sulle stime.

4.1. Analisi fattoriale

Tra le numerose tecniche di analisi dei dati, una delle più conosciute è certamente

l’analisi fattoriale. La sua invenzione si può collocare all’inizio del Novecento: nel 1901,

Karl Pearson introdusse le componenti principali che diventarono il punto di riferimento in

ambito statistico per il successivo sviluppo di tale tecnica.

L’analisi fattoriale trovò in seguito un notevole successo in diversi campi del sapere

scientifico, soprattutto nelle scienze sociali e psicologiche.

L’analisi fattoriale parte dagli indicatori e dalle loro interrelazioni, per individuare, le

dimensioni ad essi sottostanti. Ciò non significa, che con tale tecnica si identificano sempre

a posteriori i fattori latenti. Quest’approccio identifica uno stile di ricerca esplorativo,

42

contrapposto a uno stile confermativo, in cui un ricercatore definisce a priori, sulla base

della riflessione teorica, la struttura dei legami tra le componenti del modello.

Per quanto riguarda l’analisi fattoriale esplorativa, sono emerse importanti critiche

sulla fondatezza matematica e sulla validità scientifica dei suoi risultati. Non saranno

affrontate in questa trattazione le considerazione emerse nel dibattito tra la frangia dei

sostenitori e quella dei detrattori.

Nell’analisi fattoriale, l’input minimo, vale a dire la matrice dati contenente

l’informazione necessaria e sufficiente per applicare tale tecnica, è tipicamente la matrice

di varianze e covarianze (o di correlazione).

Una rigorosa applicazione dell’analisi fattoriale richiederebbe l’assunzione di

multinormalità delle variabili osservate, indispensabile se si desidera compiere valutazioni

circa la significatività statistica del numero di fattori.

La normalità è una caratteristica di cui possono godere pienamente solo variabili

misurate su scala a intervalli, ma nello studio degli atteggiamenti, si dispone per lo più di

variabili qualitative ordinali, ossia variabili in cui non esiste la possibilità di verificare

empiricamente l’effettiva uguaglianza degli intervalli tra le varie modalità. In questo

contesto sarebbe opportuno utilizzare il multidimensional scaling non metrico per

identificare o confermare dei fattori latenti.

Tuttavia, se i dati all’origine sono rilevati su scale ordinali, si può assumere

ragionevolmente che la proprietà rilevata sia per sua natura continua. Questo approccio è

noto come underlying variable approach. Se è plausibile assumere che il continuum

sottostante ad ogni rilevazione ordinale sia distribuito normalmente, la misura di

concordanza più appropriata se le variabili sono tutte ordinali è la correlazione policorica

(Kampen e Swyngendouw, 2000).

Approccio esplorativo e confermativo

Il modello generale per l’analisi fattoriale non è altro che un sottomodello della

formulazione più generale dei modelli ad equazioni strutturali, ed è rappresentato dalla

seguente equazione:

𝒙 = 𝚲 x 𝛏 + 𝛅

43

dove 𝒙 è il vettore delle variabili osservate, con 𝒙 ∈ R q, ξ è il vettore ∈ R n dei fattori, 𝚲 x

è la matrice dei pesi fattoriali e Θ δ è la matrice di varianze e covarianze degli errori di

misura nel modello.

La stima del modello sopra riportato si effettuata con il metodo di massima

verosimiglianza e parte dalla minimizzazione della differenza tra la matrice di covarianza

osservata e quella stimata dal modello.

L’ipotesi fondamentale per questo tipo di procedura è che la matrice di varianze-

covarianze tra le variabili osservate sia funzione di un certo numero di parametri. Come si

vedrà anche nel caso generale dei modelli ad equazioni strutturali, la matrice di covarianza

di 𝒙 può essere scritta in funzione dei parametri 𝜽. Nei modelli fattoriali tale matrice si può

scrivere nel modo seguente:

𝚺(𝜽) = cov(X′X) = E[(𝚲x𝝃 + 𝜹)(𝝃′𝚲′x + 𝜹

′)] =

= 𝚲xE(𝝃𝝃′)𝚲′x + E(𝜹𝜹′) = 𝚲x𝚽𝚲′x + 𝚯δ

Dunque la varianza di ciascuna variabile osservata può essere scomposta in due

componenti ortogonali, la prima detta comunalità rappresenta la varianza spiegata dai

fattori, mentre la seconda definita unicità indica la parte di varianza che rimane da

“spiegare” (Fabris, 1997).

L’analisi fattoriale esplorativa, come accennato, non richiede la conoscenza a priori di

un modello che specifichi le relazioni esistenti tra variabili osservate e fattori latenti: non è

noto il numero dei fattori coinvolti, essi possono influenzare tutte le variabili osservate

(ossia la matrice Λ𝑥 che contiene i punteggi fattoriali non ha particolari restrizioni) e gli

errori di misura non possono essere correlati.

Tale metodologia cerca di spiegare la struttura di varianze-covarianze tra le variabili

osservate, individuando dei fattori latenti, di numero inferiore rispetto a quello delle

variabili osservate, contenenti tutta l’informazione possibile in merito alle interazioni

lineari fra di esse.

Nella definizione della struttura parametrica del modello si impone che la matrice 𝚽

di varianze e covarianze dei fattori latenti sia uguale alla matrice identità: porre uguale a

uno i coefficienti sulla diagonale principale deriva dalla necessità di definire un’unità di

misura per le variabili latenti. Questa condizione viene rilasciata in fase di rotazione dei

fattori, e precisamente nelle rotazioni oblique. La rotazione viene realizzata al fine di

facilitare l’interpretazione senza però modificare la soluzione iniziale.

44

A questo punto è bene approfondire il concetto di rotazione dei fattori, poiché in

seguito sarà proprio grazie a questa procedura che emergeranno le prime indicazioni per

selezionare gli indicatori adeguati a misurare i costrutti latenti estratti.

I fattori possono essere considerati come gli assi di uno spazio cartesiano a 𝑘

dimensioni, dove 𝑘 è il numero dei fattori estratti; ruotando gli assi di riferimento è

possibile cambiare il sistema di coordinate che corrispondono alle saturazioni delle variabili

sui fattori, lasciando inalterata la loro posizione relativa.

I metodi di rotazione si possono classificare in ortogonali, che lasciano inalterato il

vincolo di ortogonalità tra i fattori, ed obliqui, dove tale condizione viene rilasciata. I

metodi disponibili sono numerosi, ma quelli oggetto di studio in questa tesi sono

essenzialmente due:

Varimax è un metodo di rotazione ortogonale che massimizza la somma delle

varianze delle saturazioni al quadrato calcolate in ogni colonna della matrice

𝚲𝑥. Non sempre è possibile ottenere una struttura semplice mantenendo

l’ortogonalità dei fattori: in questo caso si ricorre a metodi obliqui.

Promax è un metodo di rotazione che prende come base una soluzione

ortogonale (varimax) per giungere ad una soluzione obliqua ottimale. Le

saturazioni ottenute vengono poi elevate a potenza: al crescere dell’esponente

le grandezze delle saturazioni diminuiranno. La prima soluzione ortogonale

viene poi ruotata con il metodo detto di “Procuste”. Questa procedura cerca il

miglior adattamento della matrice originaria rispetto a una matrice obiettivo:

essa è rappresentata dai coefficienti fattoriali ottenuti dalla rotazione

ortogonale ed elevati alla potenza.

Nell’analisi fattoriale confermativa, al contrario, il modello teorico è costruito a priori

rispetto alla stima dello stesso: il numero dei fattori è predeterminato, è nota la struttura

della matrice 𝚲𝑥 e gli errori di misura possono essere correlati. Il ricercatore ha quindi

informazioni circa il meccanismo generatore dei dati, derivanti dalla teoria e da precedenti

analisi esplorative.

L’analisi fattoriale confermativa ha come obiettivo la verifica della validità del

modello ed eventualmente “ricerche di specificazione”, cioè attraverso l’utilizzo dei

risultati ottenuti, in particolar modo se la sua performance non è soddisfacente, si prova a

modificare il modello riconsiderando gli obiettivi.

45

Nella pratica, la differenza tra i due approcci è meno delineata di quanto possa

emergere dalla teoria. In particolare si usano tradizionalmente le procedure esplorative per

restringere le analisi ad un gruppo di indicatori che, a priori, possono essere influenzati da

un certo fattore. Successivamente si applica l’approccio confermativo per supportare teorie

o studi precedenti.

Poiché le analisi fattoriali non sono altro che una formulazione più generale dei

modelli ad equazioni strutturali, si rimanda al capitolo successivo per una trattazione più

approfondita dei problemi legati all’identificazione del modello. Si accenna soltanto che

affinché si riesca ad attribuire un valore univoco ai parametri λx, si deve fissare una metrica

ai fattori latenti e la strade da percorrere consiste nel fissare varianza unitaria alle variabili

ξ in modo da renderle standardizzate.

4.2. Lisrel e i modelli di equazioni strutturali con variabili

latenti

“Il termine Lisrel, acronimo di Linear Structural Relationship, nasce inizialmente

come nome di un software creato agli inizi degli anni settanta da Karl Jöreskog per stimare

tramite massima verosimiglianza i coefficienti strutturali dell’analisi fattoriale.

Rapidamente tuttavia la sua applicazione ha superato gli obiettivi iniziali diventando una

procedura generale per i modelli basati su sistemi di equazioni strutturali a variabili latenti.

Ed infine Lisrel, da nome di un software, diventa il termine che rappresenta l’approccio

teorico generale nel quale possono essere iscritti metodi dalle più diverse storie scientifiche

(l’analisi fattoriale, i modelli di misurazione, le path analysis, i modelli non ricorsivi, i

sistemi di equazioni simultanee, modelli per l’analisi dei panel, ecc.)” (Corbetta, 2002).

I modelli Lisrel sono metodi statistici derivati dalla convergenza tra studi econometrici

e psicometrici. Dalla prima ha preso il concetto di rete di relazioni causali tra variabili,

mentre dalla seconda quello di variabile latente.

I modelli Lisrel sono costituiti da due parti: il modello di misurazione e il modello

strutturale. Il primo specifica la misurazione delle variabili latenti tramite le variabili

46

osservate, mentre il secondo specifica i nessi causali tra le variabili latenti, e serve per

calcolare gli effetti causali e l’ammontare di varianza non spiegata (Jöreskog et al, 1988).

L’approccio ad equazioni strutturali permette di definire la struttura di connessioni tra

diverse cause e questo fornisce una rappresentazione realistica dei processi da interpretare

come rete complessa di interazioni. Nello stesso modello le variabili possono essere

contemporaneamente dipendenti e indipendenti: infatti si parla di variabili esogene, ossia

quelle esterne al modello e che intervengono sempre e solo come indipendenti, ed

endogene, ossia interne al modello e che compaiono come dipendenti ma possono

comparire come indipendenti.

L’approccio Lisrel ha come punto di partenza la matrice di varianze-covarianze fra le

variabili osservate. Questa matrice può essere generata da differenti modelli causali fra

variabili, mentre non è vero il contrario, ossia un modello causale produce una sola e ben

definita matrice di varianze-covarianze. Seguendo questo principio, l’approccio Lisrel

deriva una certa matrice di covarianza teorica e la confronta con l’analoga matrice osservata

per capire quanto il modello teorico ipotizzato sia compatibile con i dati osservati.

Lisrel procede secondo cinque fasi per la verifica empirica di una teoria (Corbetta,

2001):

la prima fase è quella della specificazione del modello teorico. Si traduce la

teoria in un sistema di equazioni strutturali, definendo le variabili osservate, le

variabili latenti ed i legami causali tra le variabili;

il passo che segue la formulazione del modello e di conseguenza

l’identificazione di una matrice 𝜮(𝜽), è quello del calcolo della matrice di

covarianza campionaria S, necessaria ai fini di stima;

la terza fase è quella di stima. Un processo iterativo minimizza la distanza fra

i dati osservati e quelli prodotti dal modello, stimando i parametri incogniti;

la quarta è quella della verifica del modello e quindi del confronto tra modello

teorico e dati osservati. Se la distanza tra la matrice di covarianza osservata e

quella stimata ancora troppo elevata per considerare il modello compatibile con

i dati, il modello viene respinto e si apre una quarta fase;

la quinta fase consiste nella modifica del modello. Le modifiche si possono

basare, sia sulla teoria, sia sull’analisi del modello precedentemente respinto.

47

4.2.1. Specificazione e identificazione del modello

Il modello Lisrel completo combina un modello strutturale ad equazioni simultanee

(primo sistema di equazioni), un modello di misura per variabili endogene ed un modello

di misura per variabili esogene nel modello strutturale (rispettivamente secondo e terzo

sistema di equazioni). Tale distinzione riprende i concetti di misurazione e causalità esposti

precedentemente.

Per convenzione si indicano con le lettere latine X, Y le variabili osservate e con le

lettere greche η, ξ le variabili latenti. Tale modello distingue errori nelle equazioni

strutturali - ζ - ed errori di misura - ε, δ - ed assume che questi siano mutuamente incorrelati.

Un modello ad equazioni strutturali con variabili latenti è formulato nel modo

seguente:

{

𝜼 = 𝐁𝜼 + 𝚪𝝃 + 𝜻 𝒚 = 𝚲 y 𝜼 + 𝜺

𝒙 = 𝚲 x 𝝃 + 𝜹 (4.1)

Nel sistema 4.1 troviamo i seguenti elementi:

η è il vettore ∈ R m delle variabili latenti endogene;

ξ è il vettore ∈ R n delle variabili latenti esogene;

𝒚 ed 𝒙 sono vettori di variabili osservate, rispettivamente, 𝒚 ∈ R p ed 𝒙 ∈ R q;

B = [βij], i=1, ..., m, j=1, ..., m, è la matrice dei coefficienti che legano le variabili

latenti endogene;

Γ = [γij], i=1, ..., m, j=1, ..., n, è la matrice dei coefficienti che legano variabili

latenti endogene e variabili latenti esogene;

Λ y = [λyij], i=1, ..., p, j=1, ..., m, è la matrice dei pesi fattoriali per il modello di

misura per le variabili latenti endogene;

Λ x = [λxij], i=1, ..., q, j=1, ..., n, è la matrice dei pesi fattoriali per il modello di

misura per le variabili latenti esogene;

Il modello di misura, così formulato, intende appunto individuare e misurare i fattori

latenti η e ξ, tramite le variabili osservate X e Y. La tecnica statistica tipicamente utilizzata

è l’analisi fattoriale. Il modello strutturale consente invece di identificare i legami causali

che esistono tra i fattori latenti endogeni, e quelli esogeni.

48

Il modello è specificato una volta che sia stata definita la struttura delle matrici B, Γ,

𝚲 y e 𝚲 x e delle seguenti matrici simmetriche:

Φ = [ϕij], i=1, ..., n, j=1, ..., n, la matrice di varianze e covarianze delle variabili

latenti esogene;

Ψ = [ψij], i=1, ..., m, j=1, ..., m, la matrice di varianze e covarianze degli errori nelle

equazioni strutturali;

Θ ε = [θεij], i=1, ..., p j=1, ..., p, la matrice di varianze e covarianze degli errori di

misura nel modello di misura per variabili endogene;

Θ δ = [θδij], i=1, ..., q j=1, ..., q, la matrice di varianze e covarianze degli errori di

misura nel modello di misura per variabili esogene.

In conclusione, un modello Lisrel necessita di otto matrici per essere completamente

specificato: due matrici strutturali (B, Γ), due matrici di pesi fattoriali (𝚲 y e 𝚲 x) e quattro

matrici di varianxe-covarianze (Φ, Ψ, Θ ε, Θ δ).

Il sistema di equazioni presentato in forma matriciale (4.1) poggia sulle seguenti

assunzioni (Corbetta, 2002):

a) E(η) = E(ζ) = E(ξ) = E (Y) = E(ε) = E(X) = E(δ) = 0;

Senza perdita di generalità possiamo operare con variabili scartate dalle rispettive

medie. Ciò consente di fissare un’origine per i fattori latenti che avranno media

zero.

b) E(ξζ ′ ) = E(ηε ′ ) = E(ξδ ′ ) = E(ηδ ′ ) = E(ξε ′ ) = 0;

c) E(ζε′)=E(ζδ′)=E(εδ′)= 0;

Queste due assunzioni significano invece che fra le variabili e gli errori non sono

possibili altri tipi di relazioni oltre a quelle previste. Ciò riduce la complessità del

problema e permetti di scrivere la matrice di varianze-covarianze del modello in

funzione solamente dei parametri incogniti.

d) La matrice B deve essere non-singolare;

Questo permette di non avere equazioni strutturali ridondanti, ossia le equazioni che

esprimono le variabili η devono essere tra di loro indipendenti.

49

Il punto di partenza per stimare i parametri incogniti è costituito dalla matrice S di

varianze-covarianze (o correlazione) tra le variabili osservate. Una volta specificate le

relazioni causali, la matrice di varianze-covarianze teorica Σ, che verrà confrontata con

quella osservata S per la convalida del modello strutturale, può essere espressa in funzione

delle otto matrici di parametri descritte precedentemente.

Si può dimostrare che sotto le assunzioni a) – d), la matrice di varianze-covarianze Σ

è scrivibile come (Bollen, 1989):

Σ(𝜽) = cov(Y, X) =

= [𝚲 y [(𝐈 − 𝐁)

−1 (𝚪𝚽𝚪 + Ѱ)(𝐈 − 𝐁)−1′]𝚲′y + 𝚯ε 𝚲 y(𝐈 − 𝐁)

−1𝚪𝚽𝚲′x

𝚲 y𝚽𝚪′(𝐈 − 𝐁)−1𝚲′x 𝚲x 𝚽𝚲′x + 𝚯δ

]

Tale matrice Σ non coincide quasi mai con quella osservata S a causa della variabilità

campionaria o di errori di specificazione del modello.

Un modello per essere identificato deve ammettere una sola soluzione, ossia i suoi

parametri devono essere univocamente determinati. Una condizione necessaria, ma non

sufficiente, per l’identificazione di un modello di equazioni strutturali con variabili latenti

vuole che i gradi di libertà (df) del sistema siano maggiori o uguali a zero, ossia il numero

di coefficienti della matrice di varianze-covarianze tra le variabili osservate meno quello

dei parametri da stimare deve essere maggiore o uguale a zero, ossia:

df = 1

2 (𝑝 + 𝑞)(𝑝 + 𝑞 + 1) − 𝑡 ≥ 0

dove 𝑝 e 𝑞 sono rispettivamente il numero di variabili endogene ed esogene, mentre 𝑡 è il

numero di parametri da stimare.

Se i gradi di libertà del sistema sono uguali a zero si dice che il modello è saturo. In

questo caso il modello soddisfa la condizione necessaria ma non sufficiente per

l’identificazione ma non può essere sottoposto a test di falsificazione: la matrice Σ coincide

con S, quindi non è possibile verificare il modello teorico rispetto ai dati osservati vista

l’assenza dei residui.

Un altro problema di identificazione è dovuto alla scala delle variabili latenti: poiché

osservate, esse sono prive di unità di misura. Affinché si riesca ad attribuire un valore

univoco ai parametri λx e λy, si deve fissare una metrica alle variabili latenti. Le strade che

si possono percorrere sono due: la prima consiste nel fissare varianza unitaria alle variabili

50

latenti esogene ξ in modo da renderle standardizzate, la seconda invece consiste

nell’applicare alla variabile latente la stessa metrica di una delle variabili osservate che la

misurano1. I due criteri sono equivalenti e portano alle stesse soluzioni, il primo criterio

viene solitamente usato nei modelli fattoriali, quando si hanno solo variabili latenti ξ,

mentre il secondo si applica ai modelli strutturali, dove sono presenti anche variabili latenti

η.

La forma generale dei modelli strutturali ricorsivi è contraddistinta dalla matrice B

triangolare inferiore con elementi nulli sulla diagonale e dalla matrice Ѱ diagonale, cioè gli

errori ζ devono essere incorrelati. Esiste dunque una sequenza gerarchica fra le variabili

endogene, secondo la quale sono possibili nessi causali dalle variabili che precedono a

quelle che seguono ma non vale il viceversa. In riferimento al tema dell’identificazione

trattato precedentemente, è possibile verificare che tutti i parametri di un modello ricorsivo

sono identificati grazie alla condizione sufficiente ma non necessaria, detta “regola

ricorsiva”.

4.2.2. Stima della matrice di varianze-covarianze

campionaria

Il passo che segue la specificazione del modello è quello del calcolo della matrice di

varianze-covarianze campionaria S, necessaria ai fini di stima.

Il computo di tale matrice per variabili qualitative ordinali2 presenta elementi di

differenza rispetto alle più generali applicazioni di modelli strutturali a variabili

quantitative.

Le cause principali che portano alla necessità di strumenti diversi per la stima della

matrice di varianze-covarianze derivano dalla violazione di alcune assunzioni alla base dei

modelli Lisrel, come ad esempio l’ipotesi di normalità multivariata per le variabili

osservate.

1 Nella pratica si assegna valore uno al parametro λ che lega la variabile osservata alla latente. In questo modo le due variabili hanno la stessa metrica. 2 Nei questionari di ricerca empirica, la tecnica più frequentemente utilizzata consiste nel chiedere il grado di soddisfazione in merito a prodotto o servizio, oppure il grado di accordo in relazione ad affermazioni chiave per lo studio del fenomeno.

51

Violazione delle assunzioni e conseguenze

Di seguito descriviamo le conseguenze derivanti dall’utilizzo di variabili osservate di

tipo qualitativo ordinale sull’usuale processo di stima per modelli Lisrel.

Consideriamo un vettore 𝒚∗ di indicatori quantitativi continui per η di dimensione 𝒑 ×

𝟏 che rispondano al generale modello di misura:

𝒚∗ = 𝚲y 𝜼 + 𝜺

dove E(𝜺) = 0 ed 𝜺 è incorrelato con η. Noi però non osserviamo 𝒚∗, ma una sua versione

categoriale 𝒚. La variabile non osservata 𝒚∗ potrebbe essere normalmente distribuita,

mentre possiamo considerare y una variabile ordinale di c categorie. Se fosse così, 𝒚 ≠ 𝒚∗

e di conseguenza:

𝒚 ≠ 𝚲y 𝜼 + 𝜺

Quindi una prima conseguenza è che il modello di misura 𝒚∗ non vale per 𝒚.

Una seconda conseguenza è che la distribuzione di una variabile ordinale osservata è

generalmente diversa da quella della sottostante variabile continua non osservata.

Considerando che gli stimatori ottenuti con il metodo di massima verosimiglianza hanno

una distribuzione asintotica normale con matrice di varianze-covarianze data dall’inversa

della matrice di informazione di Fisher, si ottiene che la matrice di varianze-covarianze

asintotica degli stimatori di S non è uguale alla matrice di varianze-covarianze degli

stimatori di S*, ossia:

acov(sij, sgh) ≠ acov(sij∗, sgh∗)

dove sij e sgh sono elementi della matrice di varianze-covarianze di 𝒙 e 𝒚 , e sij∗ e sgh∗

sono i corrispondenti elementi della matrice di varianze-covarianze tra 𝒚∗ e 𝒙∗. Anche se

𝒚∗ e 𝒙∗ sono distribuiti normalmente, la loro categorizzazione ordinale può essere

considerata non normale.

Un’ulteriore conseguenza derivante dall’utilizzo di variabili ordinali è la violazione

delle ipotesi sulla struttura di covarianza. La matrice di covarianza teorica Σ* per le variabili

𝒚∗ e 𝒙∗ si dimostra essere uguale a Σ(𝜽). In generale invece Σ, matrice di varianze-

covarianze della popolazione per le variabili categoriali x e y, non è uguale a Σ*, e di

conseguenza non è uguale a Σ(𝜽). Quindi l’ipotesi sulla struttura di covarianza vale per le

52

sottostanti variabili continue non osservate, ma non necessariamente per le variabili

ordinali osservate.

Supponiamo che S sia uno stimatore consistente di Σ e S* sia uno stimatore consistente

di Σ*. Lo stimatore dei parametri basato su S molto probabilmente sarà uno stimatore

inconsistente di θ. L’inconsistenza delle stime dipende in particolare dalla relazione tra Σ e

Σ*.

Il tema è ampliamente trattato da Bollen (1989, capitolo 9), il quale dopo aver

delineato le conseguenze derivanti dalla violazione delle assunzioni, identifica una

procedura correttiva che affronta ciascuno di questi problemi.

Procedura correttiva

Dopo aver descritto alcune conseguenze relative all’uso di indicatori ordinali al posto

dei relativi indicatori continui latenti, esponiamo ora una procedura correttiva atta a

risolvere questi problemi.

La procedura correttiva consiste nel risalire, date le osservazioni di una variabile

qualitativa ordinale, ai valori della sottostante variabile continua non osservata, per poi

utilizzarli nel computo della matrice di varianze-covarianze campionaria che diventerà

l’input per nostro processo di stima.

Per relazionare gli indicatori osservati ordinali (𝒚 e 𝒙) con quelli latenti sottostanti

(𝒚 ∗ e 𝒙

∗) abbiamo bisogno di una funzione non lineare:

𝑦𝑖 =

{

12...

𝑐 − 1𝑐

𝑠𝑒 𝑦𝑖∗ ≤ 𝑎1

𝑠𝑒 𝑎1 < 𝑦𝑖∗ < 𝑎2

.

.

.𝑠𝑒 𝑎𝑐−2 < 𝑦𝑖

∗ < 𝑎𝑐−1𝑠𝑒 𝑎𝑐−1 < 𝑦𝑖

∗

dove c è il numero di categorie per una generica 𝑦𝑖 , mentre 𝑎𝑗 (𝑗 = 1,2, … , 𝑐 − 1) sono i

valori soglia che vogliamo determinare.

53

L’assunzione più comune è quella di considerare 𝒚 ∗ e 𝒙

∗ con distribuzione normale

multivariata; poiché le scale degli indicatori latenti che corrispondono alle variabili ordinali

sono arbitrarie, possiamo tranquillamente standardizzarle a media zero e varianza unitaria.

Una stima dei valori soglia è:

𝑎𝑗 = Φ−1(∑

𝑁𝑘𝑁

𝑗

𝑘=1

) , 𝑗 = 1,2, … , 𝑐 − 1

dove Φ−1 è l’inversa della funzione di distribuzione della normale standardizzata, 𝑁 è il

numero di osservazioni disponibili e 𝑁𝑘 è il numero di casi nella k-esima categoria.

Si possono calcolare alla stessa maniera i valori soglia per tutte le variabili osservate

ordinali. Sebbene si assuma la normalità delle variabile latenti sottostanti, non si fa nessuna

assunzione sugli indicatori osservati, quindi la distribuzione marginale di ognuno potrà

anche avere problemi di curtosi o di asimmetria.

Una conseguenza dell’utilizzo di variabili ordinali, menzionata precedentemente,

riguarda la struttura di covarianza, ossia 𝚺 ≠ 𝚺(𝜽); abbiamo visto però che il modello regge

utilizzando gli indicatori continui latenti, ossia 𝚺*= 𝚺(𝜽), dove Σ* è la matrice di varianze-

covarianze di 𝒚 ∗ e 𝒙

∗.

Assunta la distribuzione normale multivariata per gli indicatori latenti e nota la

funzione di probabilità, non resta che stimare via massima verosimiglianza la matrice Σ*

condizionatamente ai valori soglia individuati (Olsson, 1979b).

Se entrambe le variabili osservate sono ordinali, la correlazione tra gli indicatori latenti

è chiamata policorica, se entrambe le variabili sono dicotomiche è chiamata tetracorica,

mentre quando una è continua e l’altra ordinale è chiamata poliseriale.

Nel nostro studio sulla soddisfazione per i mobile surfer si ha a disposizione solo

variabili osservate di tipo qualitativo ordinale, di conseguenza la matrice di input per il

modello ad equazioni strutturali, specificato nel capitolo 3, sarà la matrice di correlazione

policorica.

54

4.2.3. Stima dei parametri

Il processo di stima si fonda sul legame algebrico tra il modello teorico e la matrice di

varianze-covarianze tra le variabili osservate X e Y.

Il modello espresso in forma di equazioni lineari dà vita ad una matrice Σ= Σ(𝜽) di

dimensione (𝑝 + 𝑞) × (𝑝 + 𝑞), dove Σ rappresenta la matrice di varianze-covarianze della

popolazione, θ il vettore dei parametri ignoti e Σ(𝜽) la matrice scritta in funzione dei

parametri.

Data una matrice di varianze-covarianze 𝐒 calcolata dai dati, dobbiamo individuare un

vettore di parametri θ in modo tale che Σ(𝜽) sia uguale o il più prossimo possibile ad 𝐒. Il

procedimento di stima si basa dunque sulla minimizzazione di un’opportuna funzione

F(𝐒, 𝚺(𝜽)).

Il metodo di stima tipicamente utilizzato da Lisrel è la massima verosimiglianza (da

qui in poi abbreviata in ML). Assumendo che la distribuzione delle variabili osservate X e

Y sia normale multivariata andiamo a stimare i parametri incogniti in modo da

massimizzare la probabilità di osservare i dati campionari. Data una matrice di covarianza

campionaria 𝐒, vogliamo individuare i valori dei parametri che massimizzano la probabilità

che 𝐒 derivi da 𝚺.

Bollen propone due possibili vie per condurre la stima ML dei parametri incogniti:

utilizzando l’assunzione di normalità per le variabili osservate si ricavano direttamente

le stime via ML;

studiando la distribuzione per la matrice di covarianza 𝚺(𝜽), chiamata distribuzione di

Wishart.

Stima di massima verosimiglianza

Come precedentemente introdotto, il procedimento di stima si fonda sulla

minimizzazione di un’opportuna funzione di verosimiglianza 𝐹(𝑺, 𝚺(𝜽)).

Partendo dall’assunzione di normalità multivariata delle variabili osservate, la

funzione obbiettivo che viene minimizzata tramite massima verosimiglianza è la seguente:

𝐹𝑀𝐿 = 𝑙𝑜𝑔 | 𝚺(𝜽) | + 𝑡𝑟[𝐒𝚺(𝜽)−1 ] − 𝑙𝑜𝑔 | 𝐒 | − (𝑝 + 𝑞)

55

Dove | . | indica il determinante e si assume che 𝚺(𝜽) e S siano definite positive, il che

significa non singolari e quindi invertibili. Questo implica che il determinante delle due

matrici non possa essere zero, valore al di fuori del dominio del logaritmo naturale.

In generale, le derivate prime parziali della funzione obiettivo 𝐹𝑀𝐿 costituiscono un

sistema di equazioni senza soluzioni esplicite. Per renderle esplicite sono necessari metodi

numerici di minimizzazione: il processo di stima avviene per successive approssimazioni

fino a raggiungere la convergenza. Si calcolano infatti le successive derivate parziali,

ognuna rispetto a ciascuno dei parametri liberi, fino a che tutte si avvicinano allo zero.

L’algoritmo termina quando la differenza tra il valore della funzione al passo 𝑖 e quella al

passo 𝑖 + 1 è inferiore ad un valore inizialmente fissato. Tra i metodi utilizzabili appare

doveroso citare quello di Newton-Raphson (Bollen, 1989). Solitamene, i valori arbitrari dei

parametri liberi da cui parte il processo di stima, sono a loro volta delle stime iniziali, che

coinvolgono variabili strumentali e metodo dei minimi quadrati, sulle quali si “innesta” il

metodo della massima verosimiglianza (Schumacker et al, 2010).

Lo stimatore ML così conseguito ha proprietà asintotiche importanti (Pace e Salvan,

2001):

1. asintoticamente non distorto;

2. consistente;

3. asintoticamente efficiente;

4. distribuzione asintotica normale.

La matrice di covarianza asintotica per lo stimatore ML di 𝜽 risulta essere

particolarmente utile a fini inferenziali. Tramite la stima di tale matrice possiamo risalire

agli standard error, fondamentali per eseguire i test di significatività dei parametri.

Stima dei parametri e correlazione policorica

Quello che abbiamo fatto fino ad ora è ipotizzare per ciascuna delle nostre variabili

ordinali una sottostante variabile latente continua normalmente distribuita, ne abbiamo

ricavato i valori soglia e da questi siamo risaliti alla matrice di correlazione S* che sarà

l’input del nostro processo di stima.

Per alcuni studiosi (Bollen, 1989) il metodo di stima ML continua a godere delle

proprietà descritte precedentemente anche in caso di non eccessiva curtosi delle variabili

56

osservate: gli stimatori sono consistenti, asintoticamente efficienti ed inoltre la matrice di

covarianza asintotica per lo stimatore ML di 𝜃 e la stima del chi-quadrato risultano corrette.

L’eccesso di curtosi invece mantiene soltanto la consistenza delle stime.

Nel caso di non normalità o di eccessiva curtosi, la soluzione è quella di adottare

metodi di stima asintoticamente efficienti che permettano di svolgere un’accurata

inferenza: un approccio utilizzato è quello dei minimi quadrati ponderati (weight least

square, successivamente abbreviato in WLS).

La funzione obiettivo è la seguente:

𝐹WLS = [�̂� − 𝝈(𝜽)]′𝐖−1[�̂� − 𝝈(𝜽)]

dove �̂� è un vettore di dimensione 1

2(𝑝 + 𝑞)(𝑝 + 𝑞 + 1) × 1 degli elementi non

ripetuti di S*, 𝝈(𝜽) è il corrispondente vettore dello stesso ordine di Σ(𝜽) e W è una matrice

quadrata di pesi definita positiva. W è tipicamente una stima consistente della matrice di

covarianza asintotica:

acov(sij , sgh

) = 𝑁−1(σijgh − σijσgh)

dove σijgh = E(Xi − μi)E(Xj − μj)E(Xg − μg)E(Xh − μh) e N e il numero di osservazioni.

Quindi uno stimatore per σijgh e σij sarà rispettivamente:

sijgh∗ =

1

N∑(Xit − Xi̅)(Xjt − Xj̅)(Xgt − Xg̅̅ ̅)(Xht − Xh̅̅ ̅)

N

t=1

𝑠𝑖𝑗∗ =

1

𝑁∑(𝑋𝑖𝑡 − 𝑋�̅�)(𝑋𝑗𝑡 − 𝑋�̅�)

𝑁

𝑡=1

Lo stimatore ottenuto con WLS è consistente sotto condizioni molto generali e

asintoticamente efficiente, inoltre genera una corretta stima della matrice di covarianza

asintotica e del test chi-quadrato.

Sintetizzando, il metodo WLS ha il vantaggio di produrre stimatori consistenti ed

analisi inferenziali accurate anche in presenza di non normalità delle variabili osservate.

Tuttavia presenta svantaggi computazionali molto importanti. Pensiamo alla matrice W che

richiede di essere invertita: anche nel caso di sole 10 variabili, avrà una dimensione di 55 ×

55, il che rendere il metodo poco flessibile in modelli con molte variabili analizzate.

57

Pensando al nostro caso studio dove abbiamo selezionato 30 variabili, W raggiunge la

dimensione di 465 × 465.

Un altro problema incontrato durante l’implementazione del metodo WLS è legato alla

difficoltà dell’algoritmo numerico di raggiungere la convergenza man mano che si

aggiungono relazioni causali al modello: si è ottenuta la convergenza soltanto per modelli

relativamente “semplici”.

Alcuni studi hanno dimostrato che, sotto determinate condizioni, la stima di massima

verosimiglianza porta comunque ad una non distorsione delle stime dei pesi fattoriali e

della statistica chi-quadrato (Dolan, 1994; Olsson, 1979a). Le condizioni per l’utilizzo del

metodo ML chiedono un numero sufficientemente amplio di modalità di risposta (almeno

pari a sette), una divisione dello spazio delle possibili risposte uguale fra tutti gli items

(stesso numero di modalità di risposta con la medesima codifica) ed una non eccessiva

asimmetria.

Non avendo individuato elementi significativi contro tale metodo di stima (i nostri

items hanno tutti dieci modalità di risposta e non presentano eccessiva asimmetria o curtosi)

e visti gli svantaggi computazionali precedentemente descritti, si è optato per il metodo di

stima ML utilizzando come input la matrice di correlazione policorica.

4.2.4. Valutazione del modello

L’analisi dell’adattamento del modello ai dati è una parte fondamentale quando si parla

di modelli Lisrel. Per effettuare questa operazione ci si serve di alcuni indici: ognuno dei

quali ha un particolare significato e assume importanza in base all’aspetto del modello che

stiamo considerando.

Alla base di ogni indice di adattamento complessivo del modello abbiamo lo scarto

residuo tra la matrice di covarianza osservata e quella teorica. Questo scarto deve poter

essere formulato nei termini di una distribuzione statistica nota in modo da prescindere

dalle oscillazioni stocastiche di campionamento.

La distribuzione asintotica di (N − 1)𝐹ML è un χ2 con 1

2(𝑝 + 𝑞)(𝑝 + 𝑞 + 1) − 𝑡 gradi

di libertà dove, riprendendo la notazione precedente, 𝑝 e 𝑞 indicano rispettivamente il

numero di variabili endogene ed esogene osservate e 𝑡 il numero di parametri liberi, mentre

58

𝐹ML indica la funzione di stima valutata nel punto di minimo. L’ipotesi nulla sottoposta a

verifica da test chi-quadrato risulta essere H0 : Σ= 𝚺(�̂�), ossia l’ipotesi di corretta

specificazione del modello, contro l’alternativa di matrice di covarianza senza vincoli.

Il test del chi-quadrato viene usato anche per confrontare due modelli annidati: basta

verificare se la differenza tra i test di adattamento è significativa, sfruttando la distribuzione

χ2 con un numero di gradi di libertà pari alla differenza tra i gradi di libertà dei due modelli

in questione. Se tale differenza risulta significativa, il modello più “complicato” è

preferibile a quello più “parsimonioso”

In realtà il valore stimato della statistica chi-quadrato, per quanto riguarda la verifica

dell’ipotesi di corretta specificazione, deve essere utilizzato con molta cautela, poiché

l’accuratezza della sua approssimazione con la distribuzione χ2 può essere influenzata da

diversi fattori. Il primo è la distribuzione delle variabili osservate: alcuni studi hanno

dimostrato che questa statistica si distribuisce come un χ2 soltanto se le variabili osservate

non presentano eccessiva curtosi (Browne, 1974 e 1982). Il secondo è la matrice utilizzata

come base per la stima: matrice di correlazione o di varianze-covarianze tra le variabili

osservate. Il terzo è la numerosità campionaria: alcuni studi suggeriscono che lo stimatore

della statistica chi-quadrato non risulta accurato per campioni con numerosità inferiore a

50 (Boomsma, 1983), inoltre tutte le statistiche che fanno riferimento al chi-quadrato

vedono aumentare il loro valore proporzionalmente all’aumentare delle dimensioni del

campione. Se il campione è molto grande, il modello, seppur buono, presenterà sempre uno

scarto rilevante tra valori osservati e stimati. Questo potrebbe spingere il ricercatore a

rifiutare l’ipotesi nulla e quindi la specificazione del modello.

Lo stimatore chi-quadrato assume inoltre che l’ipotesi nulla sia esattamente verificata.

Un adeguamento perfetto può essere un obiettivo utopico: un valore elevato di tale statistica

può indicare che l’ipotesi nulla non vale esattamente ma solo approssimativamente. Non

sempre, infatti, la specificazione formulata riesce a fornire una rappresentazione accurata e

completa della realtà; l’obiettivo consiste piuttosto nel determinare un modello che si sposi

ragionevolmente con l’informazione fornita dai dati.

Per ovviare a questi inconvenienti, in letteratura sono state proposte diverse misure di

adattamento generale del modello. Questi indicatori spesso si presentano in forma

normalizzata per una lettura più agevole, ma rimane sconosciuta la loro distribuzione

probabilistica, pe cui non si possono effettuare test di significatività riguardo al modello.

59

Jöreskog e Sörbom (1986) propongono il Goodness of Fit Index (GFI), un indice di

bontà di adattamento definito come segue:

𝐆𝐅𝐈 =1 − 𝐹[𝐒, 𝚺(𝜽) ]

𝐹[𝐒, 𝚺(𝟎) ]

dove 𝐹[𝑆, 𝚺(𝜽) ] è la funzione obiettivo calcolata nel punto di minimo, mentre 𝐹[𝐒, 𝚺(𝟎) ]

è la funzione di adattamento nel caso in cui tutti i parametri sono fissati a zero. Questo

indice assume valori compresi tra 0 e 1: tali estremi indicano, rispettivamente, pessimo e

perfetto adattamento ai dati. Oltre ad essere molto facile da interpretare (molto simile a

quanto avviene per R2 ), offre anche la possibilità di confrontare modelli stimati su insiemi

diversi di dati. Il limite di tale indice è quello di non tener conto dei gradi di libertà, e quindi

della parsimonia del modello. Per questo motivo i due ricercatori hanno proposto una nuova

versione di questo indice, l’Adjusted Goodness of Fit Index (AGFI), così definito:

𝐀𝐆𝐅𝐈 = 1 − [(𝑝 + 𝑞)(𝑝 + 𝑞 + 1)

2 𝑑𝑓] (1 − 𝐆𝐅𝐈)

dove df sono i gradi di libertà e 1

2(𝑝 + 𝑞)(𝑝 + 𝑞 + 1) è il numero di varianze/covarianze

in input. Anch’esso giace nell’intervallo [0,1] e si interpreta come il GFI.

Per i due indici appena descritti si può dimostrare che il loro calcolo non viene

influenzato dalla numerosità campionaria, come veniva precedentemente indicato invece

per l’indice chi-quadrato.

Nella discussione sull’accuratezza dell’approssimazione della statistica chi-quadrato,

si è evidenziato come in grandi campioni porti a rigettare sistematicamente modelli che

valgono solo approssimativamente nella popolazione. Per ovviare a tale limite sono state

proposte in letteratura alcune misure di adattamento che tengono specificatamente in

considerazione l’errore di approssimazione della popolazione e la precisione della misura

stessa di adattamento. Questi indici si basano su un idea di Steiger e Lind (1980), che

proposero di basare la valutazione della bontà di adattamento sulla stima della population

discrepancy function, definita come:

𝐹∗ = Max {𝐹ML −𝑑𝑓

𝑁 − 1, 0}

60

La statistica FML è quindi corretta per un coefficiente che considera la parsimonia del

modello (tramite i gradi di libertà) e la numerosità campionaria (attraverso 𝑁).

Steiger e altri studiosi (1985) presentarono un indice sintetico di adattamento basato

sulla population discrepancy function. Il Root Mean Square Error of Approximation

(RMSEA) è così definito:

RMSEA = (𝐹∗

𝑑𝑓)

12

e rappresenta una misura della discrepanza per grado di libertà. Anche per questo indice

non è nota la distribuzione, segnaliamo che un buon adattamento del modello ai dati è

indicato da un valore dell’indice inferiore a 0.05; valori fino a 0.08 rappresentano

ragionevoli errori di approssimazione.

Mentre i precedenti indici si basavano sulla funzione di stima 𝐹ML e sue varianti,

Jöreskog e Sörbom (1986) presentarono il Root Mean Square Residuals (RMR), un indice

di adattamento globale che si basa essenzialmente sulla matrice dei residui stimati dal

modello, ed è definito come segue:

RMR = [2∑∑(sij − σ̂𝑖𝑗)

2

(𝑝 + 𝑞)(𝑝 + 𝑞 + 1)

i

j=1

q

i=1

]

12

Tale indice vale zero quando S coincide con 𝚺, ma non presenta un limite superiore. Il

criterio suggerito dalla letteratura per identificare un buon modello indica un valore

inferiore a 0.08 (Browne & Cudeck, 1993); la scelta migliora se inferiore a 0.05 (Stieger,

1990).

Gli indici fin qui presentati misurano la “qualità” globale di adattamento del modello

ai dati. Un’ulteriore classe di misure di adattamento è rappresentata dai cosiddetti indici

incrementali, per i quali si è dimostrato un buon comportamento in presenza di diverse

dimensioni del campione (Bentler, 1990): essi misurano il miglioramento ottenuto

confrontando il modello di interesse con uno più ristretto, conosciuto come modello base o

nullo, dove tutte le variabili sono tra loro incorrelate. In questa classe troviamo il Non-

Normed Fit Index (NNFI) ed il Comparative Fit Index (CFI) (Bentler e Bonnett, 1980). Il

modello è considerato accettabile se questi indici superano il valore 0.93 (Byrne, 1994).

61

Un altro indice di adattamento spesso utilizzato per la valutazione del modello è la

stima del chi-quadrato divisa per i gradi di libertà. In letteratura non vi è un accordo

unanime sui valori che rappresentano un buon adattamento ai dati: il criterio di accettazione

varia tra i ricercatori, passando da un valore minore di due (Ullman, 2001), ad uno minore

di cinque (Schumacker e Lomax, 2010). Questo indicatore purtroppo varia in funzione della

statistica chi-quadrato, e presenta quindi i problemi ad essa collegati, soprattutto in

relazione alla numerosità campionaria.

L’ultimo indice presentato per valutare il modello stimato e verificare la sua valenza

generale è l’Expected Cross Validation Index (ECVI) (Browne e Cudeck, 1989):

𝐄𝐂𝐕𝐈 = 𝐹ML + 2𝑡/𝑁

dove 𝑡 indica il numero dei parametri stimati e 𝑁 il numero di osservazioni utilizzate.

Nello specifico misura la discrepanza tra la matrice di covarianza stimata e quella che

verrebbe ottenuta in un altro campione delle medesime dimensioni. Il valore assoluto

dell’indice individuato dovrà essere confrontato con i valori calcolati per il modello saturo

e nel caso di totale indipendenza: un valore per il modello stimato inferiore agli altri due

indica un buon adattamento ai dati.

62

63

Capitolo 5

Analisi fattoriali degli indicatori

In seguito verranno inoltre presentate e descritte le analisi fattoriali esplorative e

confermative che hanno condotto alla selezione di alcuni items, e alla esclusione di altri,

nello studio sulla soddisfazione dei mobile surfer. Tali analisi hanno lo scopo di dare una

visione generale dei dati che si hanno a disposizione, focalizzando l’attenzione sulle

tecniche di selezione degli indicatori.

5.1. Analisi fattoriale esplorativa e confermativa

Per comprendere meglio i criteri utilizzati nelle analisi fattoriali esplorative successive

per la selezione degli items è importante fare una premessa. Per condurre le successive

analisi sono stati adottati determinati valori soglia dei coefficienti di 𝚲 x, chiamati anche

saturazioni, e della varianza dell’errore. Si considerano problematici gli items che

presentano varianza residua superiore a 0.7 o che mostrano delle saturazioni inferiori a 0.3

(Comrey e Lee, 1995).

Attraverso un approccio fattoriale confermativo verranno studiati più in dettaglio i

gruppi di indicatori ottenuti dalle precedenti analisi, per confermare l’effettiva efficacia di

ogni items nel misurare i costrutti presi in considerazione. Infine si valuterà il modello di

misura complessivo a partire dal quale sarà poi stimato il modello strutturale di interesse.

Tutte le elaborazioni successive verranno effettuate separatamente per ogni costrutto

identificato nel Capitolo 3, utilizzando gli indicatori ad esso relativi, per verificare la qualità

della misurazione ottenuta ed operare le giuste correzioni. Le analisi sono state svolte con

il software LISREL.

64

Rapporto con la tecnologia e con le nuove tendenze digitali

Il primo costrutto che si è studiato attraverso l’analisi fattoriale esplorativa è quello

del “rapporto con la tecnologia e le nuove tendenze digitali”, per determinare quali items

sono maggiormente legati a questo costrutto teorico.

Passando all’analisi fattoriale esplorativa, anzitutto si è provato a inserire insieme tutti

i 9 items relativi alla sezione del questionario che indaga sul rapporto del mobile surfer con

la tecnologia. La Tabella per la decisione dei fattori indica un modello discreto con due

fattori, con un RMSEA che risulta pari a 0.043.

A questo punto, si è ritenuto opportuno stimare il modello con due fattori visto il buon

adattamento ai dati per avere la possibilità di una prima analisi esplorativa. Il primo fattore

è composto dalla variabile D1_1, D1_3, D1_4, D1_5, D1_6, D1_7, D1_9 (la D1_4 presenta

saturazioni incerte su entrambi i fattori, sebbene più elevata in corrispondenza del primo

fattore, decidiamo quindi di inserirla attendendo conferme dall’analisi fattoriale

confermativa), mentre la D1_2 e la D1_8 compongono da sole il secondo fattore (Tabella

5.1). Decidiamo quindi di eliminare queste due variabili che apparivano già estranee a

partire dal questionario.

Factor 1 Factor 2 Unique Var -------- -------- ---------- D1_1 0.61 0.09 0.58 D1_2 -0.09 0.63 0.65 D1_3 0.71 -0.01 0.50 D1_4 0.45 0.18 0.69 D1_5 0.73 -0.04 0.49 D1_6 0.62 -0.13 0.67 D1_7 0.52 0.12 0.66 D1_8 0.05 0.68 0.50 D1_9 0.67 0.00 0.55

Tabella 5.1: pesi fattoriali con due fattori e nove variabili

Dopo aver ristimato il modello eliminando le due variabili menzionate

precedentemente, otteniamo un RMSEA1 pari a 0,045 per un modello con un solo fattore.

L’adattamento risulta buono in quanto si ha un valore dell’RMSEA minore della soglia

indicata dalla letteratura per l’accettazione del modello (Steiger et al, 1985).

Dall’analisi fattoriale confermativa utilizzando le sette variabili selezionate

precedentemente, si nota un discreto adattamento ai dati, con un RMSEA pari a 0,053.

1 Gli indici utilizzati sono definiti nel Capitolo 4 (Paragrafo 4.2.4).

65

Analizzando però altri indici, come l’R2, si è trovato un coefficiente inferiore al 0.30 per la

variabile D1_4, mentre per le altre superava nettamente questo valore. In questo capitolo,

si adotta come convenzione che una variabile presenta valore basso dell’R2 nel momento in

cui la varianza di tale variabile spiegata nel modello di misura è minore del 30% della

varianza totale. Dato questo risultato si è deciso di eliminare tale variabile dal modello.

L’adattamento del modello stimato senza la D1_4 migliora in termini di RMSEA, che

risulta essere pari a 0.024. Gli indici NNFI2 e CFI3, con un valore pari ad uno, indicano un

adattamento quasi perfetto. Analizzando anche altri indici, si può notare che tutti i valori

dell’R2 associati alle variabile superano il valore soglia per definirli accettabili (Figura 5.1).

In definitiva, il modello di misura selezionato per il costrutto rapporto con la tecnologia

risulta formato da un fattore e sei indicatori: gli indicatori che presentano le saturazioni più

elevate, così come i maggiori coefficienti R2, sono D1_3 e D1_5.

Squared Multiple Correlations for X - Variables

D1_1 D1_3 D1_5 D1_6 D1_7 D1_9

-------- -------- -------- -------- -------- --------

0.39 0.51 0.51 0.32 0.32 0.45

Figura 5.1: modello di misura per il costrutto "rapporto con la tecnologia"

2, 3 Gli indici utilizzati sono definiti nel Capitolo 4 al paragrafo 4.2.4

66

Come precedentemente discusso nel quarto capitolo nel paragrafo dedicato agli indici

di adattamento per i modelli strutturali, il valore della statistica chi-quadrato, per quanto

riguarda la verifica dell’ipotesi di corretta specificazione, deve essere utilizzato con molta

cautela perché molto sensibile alla numerosità del campione. Se il campione è molto

grande, il modello, seppur buono, presenterà un p-value inferiore a 0.5 spingendo il

ricercatore a rifiutare l’ipotesi nulla. L’attuale analisi confermativa propone un caso

analogo, nonostante un RMSEA pari a 0.024, il test chi-quadrato risulta quasi significativo

al livello del 5%. Considerando invece il rapporto con i gradi di libertà troviamo un valore

inferiore a 2, e soddisfa i criteri di accettazione proposti in letteratura.

Successivamente verrà presentato il test chi-quadrato per ogni modello di misura in

modo da discutere l’effettiva accuratezza dell’approssimazione in contesti molto semplici

che dovrebbero accettare l’ipotesi di corretta specificazione.

Stile di vita

Il secondo costrutto che andiamo ad investigare è relativo allo stile di vita del mobile

surfer. Passando immediatamente alla analisi fattoriale esplorativa, si è provato a stimare

un modello inserendo i cinque indicatori della sezione di questionario riservata. L’RMSEA

per un modello ad un solo fattore risulta pari a 0,055, che indica un discreto adattamento ai

dati, di poco superiore al valore di soglia precedentemente citato. Proviamo ora a verificare

se tale assunzione viene appoggiata dai dati anche in sede confermativa.

Dall’analisi fattoriale confermativa realizzata con gli items precedentemente esplorati,

si nota un buon adattamento ai dati, infatti l’RMSEA, l’AGFI, l’NNFI e il CFI risultano,

rispettivamente, pari a 0.054, 0.98, 0.99, 0.99. Anche i coefficienti R2 associati a ogni

variabile presentano valori compresi tra 0.38 e 0.60 (Figura 5.2), evidenziando che la

variabilità di ogni variabile è spiegata dal modello in misura maggiore del 38%. Il modello

selezionato per la variabile latente stile di vita risulta quindi formato da un fattore e da 5

items: gli indicatori che presentano le saturazioni più elevate, così come i maggiori

coefficienti R2, sono D2_1, D2_2 e D2_4.

Rispetto al modello di misura per il fattore relazione con la tecnologia, in cui il test

chi-quadrato era al limite della significatività, nel modello fattoriale confermativo in esame

ed in quelli successivi, l’ipotesi di corretta specificazione viene nettamente rifiutata.

L’accuratezza dell’approssimazione di tale statistica in presenza di un grande campione

67

come il nostro, porterà quasi sistematicamente ad un rifiuto dell’ipotesi nulla, quando essa

è vera. Il rapporto del test chi-quadrato con i gradi di libertà, invece risulta pari a 4.2, e

soddisfa il criterio di Schumacker & Lomax (2010). Data la differenza di vedute presente

in letteratura a riguardo dei criteri di accettazione di tale statistica, nella valutazione dei

modello verranno preferiti altri indici, come il AGFI, l’RMSEA, l’NNFI e il CFI.

Squared Multiple Correlations for X - Variables

D2_1 D2_2 D2_3 D2_4 D2_5 -------- -------- -------- -------- -------- 0.55 0.56 0.46 0.60 0.38

Figura 5.2: modello di misura per il costrutto "stile di vita"

Qualità del prodotto ed utilità dei software aggiuntivi

Nel questionario si è misurato, inoltre, il costrutto relativo alla qualità percepita del

prodotto e delle sue diverse funzionalità e quello relativo all’utilità percepita nei software

aggiuntive che integrano ed espandono le sue funzionalità. L’analisi fattoriale esplorativa

viene svolta mettendo insieme entrambe le batterie di items per verificare l’effettiva

distinzione tra i due costrutti oggetto dell’indagine.

68

Si è proceduto quindi a stimare un modello inserendo tutti gli otto indicatori di

partenza: la tabella per la decisione del numero di fattori indica un modello discreto con

due variabili latenti, con un RMSEA pari a 0.04.

Le saturazioni del modello con due fattori sono proposte in Tabella 5.2 e certificano

la distinzione tra i due fattori: i primi cinque indicatori misurano la qualità percepita delle

funzionalità del prodotto, mentre gli ultimi tre identificano il costrutto relativo all’utilità

delle applicazioni.

Factor 1 Factor 2 Unique Var -------- -------- ---------- D3_1 0.73 0.03 0.43 D3_2 0.83 -0.01 0.33 D3_3 0.69 0.06 0.46 D3_4 0.63 0.12 0.49 D3_5 0.66 0.11 0.46 D4_1 0.12 0.67 0.43 D4_2 0.00 0.80 0.35 D4_3 0.08 0.74 0.36

Tabella 5.2: pesi fattoriali con tre fattori e dieci variabili

Andando a verificare il modello con due fattori tramite analisi confermativa troviamo

un buon adattamento ai dati indicato dall’RMSEA che si conferma pari a 0.04, i coefficienti

R2 associati ad ogni variabile presentano valori superiori a 0.52 (Figura 5.3), ed il valore

dell’AGFI pari a 0.98 conferma tale constatazione. Anche passando in rassegna gli indici

di modifica non troviamo nessuna controindicazione al modello di misura stimato.

Anche in questo modello di misura il test chi-quadrato segnala una non corretta

specificazione, mentre il suo rapporto per i gradi di libertà è pari a 3.35, al di sotto del

valore soglia proposto da alcuni studiosi per l’accettazione del modello. A loro si

contrappongono però gli indici NNFI e CFI, che con valori, rispettivamente, pari 0.99 e 1,

indicano un ottimo adattamento ai dati.

Al termine dell’analisi fattoriale, il modello di misura specificato è formato da un

fattore e cinque indicatori per il costrutto qualità percepita delle funzionalità e da un fattore

e tre indicatori per la variabile latente utilità percepita delle app: gli indicatori presentano

saturazioni molto elevate, così come i coefficienti R2, tra cui spiccano la D3_2 e la D4_3.

69

Squared Multiple Correlations for X - Variables

D3_1 D3_2 D3_3 D3_4 D3_5 D4_1 D4_2 D4_3 ------- ------- ------- ------- ------- ------- ------- ------- 0.56 0.65 0.55 0.52 0.55 0.58 0.62 0.64

Figura 5.3: modello di misura per i costrutti "qualità percepita delle funzionalità" e “utilità percepita delle app”

Feedback

Il penultimo costrutto considerato nell’analisi è relativo all’utilizzo dei feedback. Da

subito si è provato ad inserire nell’analisi fattoriale esplorativa i 5 items della sezione di

questionario relativa.

L’RMSEA per un modello ad un solo fattore risulta pari a 0,045, che indica un discreto

adattamento ai dati, di poco inferiore al valore utile per la sua accettabilità. Proviamo ora a

verificare se tale assunzione viene appoggiata dai dati anche in sede confermativa.

Dall’analisi fattoriale confermativa realizzata con i cinque items, si nota un buon

adattamento ai dati, infatti l’RMSEA e l’AGFI risultano, rispettivamente, pari a 0.058 ed a

0.98. Anche i coefficienti R2 associati a ogni variabile presentano valori superiori a 0.4

(Figura 5.4), sommati alle indicazioni positive fornite dagli indici NNFI e CFI,

rispettivamente, pari a 0.94 e 0.95, portano a selezionare per la variabile latente feedback

70

un modello formato da un fattore e da 5 items: gli indicatori che presentano le saturazioni

più elevate, così come i coefficienti R2, sono D5_3, D5_4 e D5_5.

Squared Multiple Correlations for X - Variables

D5_1 D5_2 D5_3 D5_4 D5_5

-------- -------- -------- -------- --------

0.18 0.78 0.69 0.75 0.38

Figura 5.4: modello di misura per il costrutto "feedback"

Come accaduto per il modello di misura precedente, il test chi-quadrato ed il suo

rapporto per i gradi di libertà giungono a conclusioni diametralmente opposte. Il primo

rifiuta l’ipotesi di corretta specificazione, mentre il secondo, con un valore pari a 4.98,

accetta tale ipotesi seguendo le indicazioni di Schumacker e Lomax (2010), ma la rifiuta

seguendo i criteri di accettazione forniti da Ullman (2001).

Soddisfazione per l’esperienza di navigazione in internet

Il sesto costrutto che si è studiato attraverso l’analisi fattoriale esplorativa è quello

della soddisfazione per l’esperienza di navigazione. Inizialmente si è provato a inserire

insieme tutti i 7 items relativi alla sezione del questionario che indaga la soddisfazione del

71

mobile surfer. La Tabella per la decisione dei fattori indica un modello discreto con due

fattori (infatti l’RMSEA risulta inferiore a 0.028).

A questo punto, si è ritenuto opportuno stimare il modello con due fattori visto il buon

adattamento ai dati per avere la possibilità di una prima analisi esplorativa. A partire da

un’analisi preliminare delle saturazioni, si è trovato che il secondo fattore è composto dal

prezzo del servizio (D6_1), dalla velocita di navigazione (D6_2), dalla leggibilità delle

informazioni (D6_4), dalla disponibilità di siti e applicazioni (D6_5) e dalla facilita di

navigazione (D6_6). Il prezzo del servizio e la velocita di navigazione presentano

saturazioni incerte su entrambi i fattori, sebbene più elevata in corrispondenza del primo

fattore, decidiamo quindi di inserirla attendendo conferme dall’analisi fattoriale

confermativa. L’affidabilità della connessione (D6_3), invece, compone da solo il primo

fattore (Tabella 5.3).

Factor 1 Factor 2 Unique Var

-------- -------- ----------

D6_1 0.29 0.40 0.59

D6_2 0.36 0.54 0.29

D6_3 0.94 0.03 0.08

D6_4 -0.01 0.85 0.29

D6_5 0.09 0.75 0.34

D6_6 0.02 0.85 0.25

Tabella 5.3: pesi fattoriali con due fattori e sei variabili

Si è quindi stimato il modello fattoriale esplorativo per il secondo fattore misurato

tramite cinque indicatori ottenendo un buon RMSEA, pari a 0.04, per il modello con un

fattore. Osservando le saturazioni di tale modello per tutti gli indicatori troviamo dei valori

superiori a 0.3 e una varianza residua inferiore a 0.7. In definitiva il modello che si ricava

presenta un fattore direttamente misurato dall’indicatore D6_3 che rappresenta la

soddisfazione per l’affidabilità della connessione e un altro composto dalle rimanenti

cinque variabili che si riferiscono alla soddisfazione in termini più generali.

Dall’analisi fattoriale confermativa per il secondo fattore relativo alla soddisfazione,

si nota un buon adattamento ai dati, con un RMSEA pari a 0,04. Analizzando il coefficiente

R2 associato ad ogni variabile, si è trovato che la varianza di ogni variabile spiegata nel

modello di misura è maggiore del 30% della varianza totale (Figura 5.5). Il modello di

misura risultate per il costrutto soddisfazione è quindi composto da un fattore e da cinque

72

indicatori: gli indicatori presentano saturazioni molto elevate, così come i coefficienti R2,

tra cui spicca la D6_6.

Le stesse constatazione in merito al test chi-quadrato ed alle sue varianti, fatta per i

modelli di misura precedenti, valgono nel caso in esame, sottolineando l’utilità di utilizzare

ulteriori indici per la valutazione del modello: il testi chi-quadrato rifiuta l’ipotesi nulla di

corretta specificazione, mentre il suo rapporto per i gradi di libertà accetta tale ipotesi.

Meglio quindi seguire gli indici NNFI e CFI, che con un valore pari a 1 suggeriscono un

adattamento ottimo del modello.

Squared Multiple Correlations for X - Variables

D6_1 D6_2 D6_3 D6_4 D6_5

-------- -------- -------- -------- --------

0.39 0.67 0.70 0.67 0.74

Figura 5.5: modello di misura per il costrutto "soddisfazione"

73

Modello di misura globale

Unendo i risultati ottenuti dalle analisi confermative sui costrutti, si è provato a stimare

un modello di misura globale specificando un modello fattoriale confermativo per i sette

fattori identificati ed i trenta indicatori che li misurano.

L’adattamento in termini di RMSEA che si ricava dal modello di misura globale pari

a 0.05 (Figura 5.6), con gli indice GFI e AGFI, rispettivamente, pari a 0.92 e 0.91. I

coefficienti R2 sono tutti soddisfacenti: sono tutti compresi tra 0.32 e 0.78 (eccetto il D6_3

che misurando direttamente il fattore presenta un R2 pari a uno). Il test chi-quadrato risulta

significativo, indicando una non corretta specificazione, ed il suo rapporto con i gradi di

libertà è pari a 4.8, di poco inferiore al limite massimo proposto da Schumacker e Lomax

(2010). Come sappiamo, però, l’accuratezza dell’approssimazione della statistica chi-

quadrato risulta compromessa dall’elevata numerosità campionaria, spingendo

sistematicamente al rifiuto dell’ipotesi nulla. Analizzando invece gli indici incrementali,

come l’NNFI e il CFI, si ottengono dei risultati molto più positivi: entrambi risultano pari

a 0.98. Passando in rassegna la matrice dei residui, notiamo un RMR pari a 0.044 che

appoggia la tesi di un buon adattamento globale del modello di misura.

74

Figura 5.6: modello di misura globale.

75

Capitolo 6

Stima del modello strutturale

Questo capitolo ha lo scopo di presentare la modello strutturale costruito sulla base del

modello teorico specificato nel Paragrafo 3.1.2 e delle indicazioni fornite dalle analisi

fattoriali svolte nel capitolo precedente. Attraverso la stima di tale modello saranno date

delle risposte alle domande di ricerca formulate nel medesimo paragrafo. Nella prima

sezione si riprendono gli obiettivi di ricerca, connotandoli nell’emergente panorama del

mobile marketing. Nella seconda sezione del capitolo si procede con la presentazione e la

valutazione del modello stimato. Infine nella terza ed ultima sezione e si presentano le stime

dei parametri strutturali - compresi effetti indiretti e totali - e si risponde alle ipotesi di

ricerca formulate precedentemente.

6.1. Caratteristiche e valutazione del modello stimato

Nel capitolo precedente è stato convalidato un modello di misura globale in cui non si

erano ancora specificati i legami causali fra fattori latenti endogeni ed esogeni. Il modello

teorico sottoposto ad analisi è quello riportato nel Paragrafo 3.2 in Figura 3.3, dove nella

parte sinistra sono raggruppate le due variabili endogene.

Attraverso il modello strutturale si possono studiare quali fattori influenzano la

soddisfazione per la navigazione, la qualità percepita delle funzionalità e l’utilità delle app.

Inoltre si può anche capire l’influenza dell’utilità delle app sulla qualità percepita, e la

relazione tra questi due costrutti e la soddisfazione.

Nello specifico, il modello stimato è di tipo ricorsivo, caratterizzato dalla matrice 𝚩

triangolare inferiore con elementi pari a zero lungo la diagonale. La matrice 𝚿 è diagonale

e la matrice 𝚪 non presenta nessun vincolo.

76

Il modello strutturale stimato tramite il software LISREL 8.80 (Figura 6.1) è

esattamente identificato e presenta un RMSEA pari a 0.06. La statistica chi-quadrato pari a

1886.49 con 386 gradi di libertà e rifiuta l’ipotesi di corretta specificazione (per la sua

sensibilità alla numerosità campionaria che in questa analisi è piuttosto elevata), ma il loro

rapporto risulta 4.89, entro il limite suggerito da Schumacker e Lomax (2010) per cui risulta

soddisfacente. Il buon adattamento ai dati viene confermato anche da altre statistiche che

valutano la bontà della stima: i coefficienti R2 associati ad ogni indicatore e ad ogni fattore

endogeno sono tutti superiori a 0.30, l’indice GFI e AGFI risultano, rispettivamente, pari a

0.93 e 0.91, sopra la soglia di 0.90 suggerita da Byrne (1994), l’NNFI e il CFI sono entrambi

pari a 0.97, superiori a 0.95 come suggerito da Schumacker & Lomax (2010). Inoltre si ha

un ECVI uguale a 1.21, inferiore sia al modello saturo sia a quello di totale indipendenza.

Per quanto riguarda i residui, non si ricorre a nessuna standardizzazione, visto che

abbiamo ipotizzato per ciascuna variabile ordinale misurata, una sottostante variabile

latente continua, standardizzata e normalmente distribuita. La distribuzione dei residui

stimati ha infatti una mediana pari a 0, con valore minimo e massimo pari a -0.16 e 0.25:

sono concentrati vicino allo zero, sintomo di un buon adattamento dei dati al modello

specificato. L’indice MRM, che riassume la distribuzione dei residui, è invece pari a 0.055,

molto vicino a zero, confermando la bontà del modello.

Il buon adattamento ai dati da parte del nostro modello teorico è stato confermato dagli

indici di verifica, ci permette quindi di analizzare le stime dei parametri strutturali per

rispondere alle ipotesi di ricerca.

77

Figura 6.1: modello strutturale globale.

78

6.2. Sintesi dei risultati e verifica delle ipotesi di ricerca

In questo capitolo si risponderà alle domande di ricerca formulate nel Capitolo 3,

durante la specificazione del modello teorico. In Tabella 6.1 sono riassunti gli effetti diretti

(presenti nella matrice Γ), indiretti e totali delle variabili esogene sulle variabili endogene.

Fattore influente Fattore ricevente Effetto diretto Effetto indiretto Effetto totale

REL_TECN

FEEDBACK 0.10***

(0.03)

3.28

- - 0.10***

(0.03)

3.28

UTILITÀ

0

(0.03)

0.01

0.05***

(0.02)

3.26

0.05

(0.03)

1.61

QUALITÀ

-0.01

(0.02)

-0.34

0.04**

(0.02)

2.13

0.03

(0.03)

1.20

SODDISFAZIONE_1

0.04**

(0.03)

1.96

0.02

(0.02)

0.93

0.07**

(0.03)

2.25

SODDISFAZIONE_2

0.06**

(0.03)

2.14

0.01

(0.01)

1.11

0.07***

(0.03)

2.49

LIFE_STY

FEEDBACK

0.42***

(0.04)

11.37

- - 0.42***

(0.04)

11.37

UTILITÀ 0.16***

(0.03)

5.28

0.22***

(0.02)

11.04

0.38***

(0.03)

11.98

QUALITÀ 0.23***

(0.03)

8.66

0.28***

(0.02)

11.99

0.51***

(0.03)

16.36

SODDISFAZIONE_1

0.15***

(0.03)

4.77

0.29***

(0.03)

11.57

0.43***

(0.03)

13.29

SODDISFAZIONE_2

0.08***

(0.03)

2.54

0.22***

(0.02)

10.37

0.30***

(0.03)

10.44

Tabella 6.1: sintesi degli effetti diretti, indiretti e totali delle variabili esogene sulle endogene (i tre valori presenti nelle celle si riferiscono a, rispettivamente, stima, standard error e test t. Gli asterischi indicano il livello di significatività della stima: 1% ***, 5% **, 10% *)

Passiamo, quindi, all’analisi delle stime dei parametri strutturali per convalidare le

ipotesi di ricerca che coinvolgevano i fattori esogeni, iniziando dagli effetti dovuti al livello

di relazione con la tecnologia (H1 – H6):

H1: la relazione con la tecnologia ha un effetto positivo sulla qualità percepita.

Come si vede in Tabella 6.6, la stima dell’effetto diretto della relazione con la

tecnologia sulla qualità percepita delle funzionalità presenti su smartphone è pari -0.01, e

79

non risulta significativo al livello del 10%. Possiamo concludere che l’ipotesi formulata

non viene verificata dai dati.

H2: la relazione con la tecnologia ha un effetto positivo sull’utilità percepita.

Anche in questo, la stima dell’effetto diretto della relazione con la tecnologia

sull’utilità percepita è pressoché zero e l’ipotesi non è verificata.

H3: la relazione con la tecnologia ha un effetto positivo sull’utilizzo dei feedback.

Il coefficiente dell’effetto diretto in considerazione ha un valore pari a 0.10,

significativamente diverso da zero al livello del 1%, e permette di concludere che, secondo

i dati, la relazione con la tecnologia influisce positivamente sull’utilizzo dei feedback.

H4: la relazione con la tecnologia ha un effetto positivo sulla soddisfazione.

La soddisfazione, misurata tramite i due fattori, subisce un effetto diretto da parte della

relazione con la tecnologia. Il coefficiente del nesso causale, seppur prossimo allo zero, è

statisticamente significativo sia per quanto riguarda l’affidabilità della connessione

(SODDISFAZIONE_1) sia per il secondo fattore che rappresenta la soddisfazione in forma

più generale.

H5: la relazione con la tecnologia ha un effetto positivo sull’utilità percepita delle

applicazioni mediato dall’utilizzo dei feedback.

Nella sezione effetti indiretti della Tabella 6.6, osserviamo un valore significativo

all’1%, pari a 0.05 per il coefficiente strutturale considerato, mentre l’effetto totale non lo

è. Questo non permette di accettare l’ipotesi H4.

H6: la relazione con la tecnologia ha un effetto positivo sulla qualità percepita delle

applicazioni mediato dall’utilità percepita delle app.

Come per l’ipotesi precedente, un parametro, significativo al 5%, pari a 0.04, ma un

effetto totale non significativo porta a non accettare l’effetto citato.

In sintesi, la relazione con la tecnologia ha effetti diretti positivi sull’utilizzo dei

feedback e sulla soddisfazione. Inoltre esercita due effetti indiretti significativi, ma i relativi

effetti totali non lo sono, non confermando il ruolo di mediatore dell’utilizzo dei feedback

sull’utilità percepita e nei confronti della qualità percepita.

80

Passiamo ora alla convalida delle ipotesi di ricerca riguardanti gli effetti provocati dal

fattore latente stile di vita (H7 – H13):

H7: lo stile di vita ha un effetto positivo sull’utilità percepita.

Il coefficiente dell’effetto diretto tra stile di vita ed utilità percepita presenta un valore

pari a 0.16, significativo al 1%, confermando le ipotesi precedenti che supponevano un

effetto positivo tra i due costrutti.

H8: lo stile di vita ha un effetto positivo sulla qualità percepita.

Anche questo coefficiente è significativo all’1% ed è pari a 0.23, appoggiando la tesi

di un effetto positivo esistente tra i due fattori.

H9: lo stile di vita ha un effetto positivo sull’utilizzo dei “feedback”.

Il parametri strutturale che identifica quest’effetto è pari a 0.42 ed è significativo al

livello dell’1%. Ciò conferma l’ipotesi formulata che prevedeva un effetto positivo dello

stile di vita e l’utilizzo dei feedback.

H10: lo stile di vita ha un effetto positivo sulla soddisfazione.

Il parametro indicante l’effetto ricevuto da SODDISFAZIONE_1 è pari a 0.15,

significativo all’1%, mentre per SODDISFAZIONE_2 è pari a 0.08, significativo

anch’esso all’1%. Come suggerito dalla ricerca di J.D. Power and Associates menzionata

nel Capitolo 3, anche i nostri dati confermano che uno stile di vita “social”, giusto per usare

un termine molto utilizzato nell’ambiente internet, esercita un effetto positivo sul livello di

soddisfazione dei mobile surfer da smartphone.

H11: lo stile di vita ha un effetto positivo sull’utilità percepita mediato dall’utilizzo dei “feedback”.

Guardando l’effetto indiretto presente in Tabella 6.6 osserviamo un parametro

significativo all’1% pari a 0.22 che conferma il ruolo di mediatore dell’utilizzo dei feedback

nell’effetto positivo indiretto tra stile di vita e utilità percepita delle app.

H12: lo stile di vita ha un effetto positivo sulla qualità percepita mediato dall’utilità percepita.

Nella stessa tabella troviamo per questo parametro un valore pari a 0.28, significativo

al livello dell’1%. Questo conferma la tesi della presenza di un effetto tra i due fattori

mediato dall’utilità percepita delle app.

H13: lo stile di vita ha un effetto positivo sulla soddisfazione mediato dalla qualità percepita.

81

Anche il ruolo di mediatore della qualità percepita nell’esercitare un effetto positivo

tra stile di vita e soddisfazione viene confermato dai due coefficienti, rispettivamente pari

a 0.29 e 0.22, entrambi significativi all’1%.

In sintesi, lo stile di vita, inteso come sicurezza in sé e grado di socialità, ha effetti

diretti positivi su tutti i fattori endogeni, ed esercita tre effetti indiretti significativi, che

confermano il ruolo di mediatore parziale dell’utilizzo dei feedback sull’utilità percepita, e

di questi, a loro volta, nei confronti della qualità percepita, e di tutti e tre relativamente alla

soddisfazione. Il forte ruolo giocato dallo stile di vita è evidenziato anche dalla

significatività di tutti gli effetti totali esercitati sui fattori endogeni considerati.

Si presenta ora, in Tabella 6.2, il riassunto degli effetti diretti (presenti nella matrice

Β), indiretti e totali tra le variabili latenti endogene, e si procede con la verifica delle

rimanenti ipotesi formulate.

Fattore influente Fattore ricevente Effetto diretto Effetto indiretto Effetto totale

FEEDBACK

FEEDBACK - - - - - -

UTILITÀ 0.52***

(0.04)

12.11

- - 0.52***

(0.04)

12.11

QUALITÀ 0.15***

(0.03)

4.81

0.29***

(0.03)

10.12

0.44***

(0.04)

11.55

SODDISFAZIONE_1

-0.09***

(0.03)

-2.91

0.31***

(0.03)

9.76

0.21***

(0.03)

6.52

SODDISFAZIONE_2

-0.05

(0.03)

-1.50

0.23***

(0.03)

9.02

0.18***

(0.03)

9.42

UTILITÀ

FEEDBACK - - - - - -

UTILITÀ - - - - - -

QUALITÀ

0.57***

(0.03

16.21

- - 0.57***

(0.03)

16.21

SODDISFAZIONE_1

0.12***

-0.04

2.76

0.31***

-0.03

9.61

0.44***

(0.04)

11.33

SODDISFAZIONE_2

0.13***

(0.05)

2.80

0.21***

(0.03)

7.07

0.34

(0.04)

9.42***

82

QUALITÀ

FEEDBACK - - - - - -

UTILITA’ - - - - - -

QUALITA' - - - - - -

SODDISFAZIONE 0.56***

(0.05)

11.04

- - 0.56***

(0.05)

11.04

SODDISFAZIONE_2

0.36***

(0.05)

7.55

- - 0.36***

(0.05)

7.55

Tabella 6.2: sintesi degli effetti diretti, indiretti e totali tra le variabili endogene (i tre valori presenti nelle celle si riferiscono a, rispettivamente, stima, standard error e test t. Gli asterischi indicano il livello di significatività della stima: 1% ***, 5% **, 10% *).

.

Procedendo con l’analisi delle stime dei parametri strutturali per convalidare le ipotesi

di ricerca, passiamo ora a valutare gli effetti dovuti all’utilizzo dei feedback (H14 – H18):

H14: l’utilizzo dei “feedback” ha un effetto positivo sull’utilità percepita.

L’effetto diretto quantificato dal coefficiente strutturale risulta significativamente

diverso da zero al livello del 1%, con un valore pari a 0.52. L’effetto dei feedback

sull’utilità percepita, si posiziona al secondo posto in ordine di grandezza, confermando il

contributo di questo fattore sulla percezione dell’utilità derivante dall’utilizzo delle app.

Questo è in linea con la teoria, che conferisce ai feedback un ruolo molto importante nella

percezione, sia dell’utilità che della qualità, da parte degli utenti, basta dare un’occhiata su

Google Play o su Apple Store per verificare che il numero di download è direttamente

correlato con la quantità di recensioni positive presenti.

H15: l’utilizzo dei “feedback” ha un effetto positivo sulla qualità percepita.

Anche quest’effetto diretto risulta significativamente diverso da zero al livello del 1%,

con un valore pari a 0.15, confermando il contributo di questo fattore sulla percezione della

qualità percepita delle diverse funzionalità.

H16: l’utilizzo dei “feedback” ha un effetto positivo sulla soddisfazione.

Uno degli effetti che mostra un segno non conforme con la teoria è proprio questo. I

coefficienti dell’effetto svolto dai feedback sulla soddisfazione risultano pari a -0.09 sul

primo fattore e -0.05 sul secondo, ma soltanto quello relativo alla soddisfazione per

l’affidabilità della connessione risulta significativo. Se consideriamo invece l’effetto totale,

si trova che gli effetti ricevuti sono positivi e significativi per entrambi. Si accetta quindi

l’ipotesi di ricerca formulata, segnalando una forte presenza dei fattori qualità ed utilità

percepita come mediatori.

83

H17: l’utilizzo dei “feedback” ha un effetto positivo sulla qualità mediato dall’utilità percepita.

Come ipotizzato, i feedback hanno un effetto positivo sulla qualità percepita delle

funzionalità mediato dal fattore utilità percepita. Il coefficiente che lo quantifica è pari a

0.29 ed è significativo all’1%. L’utilizzo dei feedback influisce positivamente sulla qualità

e sull’utilità percepita, e quest’ultima a sua volta aumenta ancora la qualità percepita.

Questo può essere dovuto alle numerose app sviluppate che offrono nuovi ed interessanti

servizi che potenziano le funzionalità dello smartphone, aumentando la percezione della

qualità.

H18: l’utilizzo dei “feedback” ha un effetto positivo sulla soddisfazione mediato dall’utilità e qualità

percepita.

Anche i coefficienti di questo effetto indiretto sono positivi e significativi,

convalidando l’ipotesi di ricerca. Come detto precedentemente, nuove app aumentano la

qualità percepita, migliorando la user experience, e di conseguenza la soddisfazione che

l’utente ne trae sia in termini di affidabilità della connessione sia in termini più generali.

Riassumendo, possiamo affermare che l’utilizzo dei feedback, ha effetti totali positivi

su tutti i fattori endogeni, ed esercita tre effetti indiretti significativi. L’effetto diretto svolto

sulla soddisfazione, invece, ha un coefficiente significativo solo per quanto riguarda

l’affidabilità di connessione e non per la soddisfazione in termini più generali, che

sottolinea il ruolo principale svolto dai feedback nell’influenzare l’utilità e la qualità

percepita, sia direttamente che indirettamente.

Procedendo con l’analisi delle stime dei parametri strutturali per convalidare le ipotesi

di ricerca, passiamo ora a valutare gli effetti dovuti all’utilità percepita (H19 – H21):

H19: l’utilità percepita ha un effetto positivo sulla qualità percepita.

L’effetto tra l’utilità e la qualità percepita stimato dal modello presenta il valore più

elevato tra i coefficienti strutturali, risultando pari 0.57 con una significatività al livello del

1%. Questo convalida la nostra ipotesi e conferma il ruolo dell’utilità percepita delle

applicazioni nell’influenzare la qualità percepita delle funzionalità presenti su smartphone.

H20: l’utilità percepita ha un effetto positivo sulla soddisfazione.

Anche i parametri che misurano quest’effetto presentano valori positivi e significativi,

confermando l’ipotesi. Gli effetti diretti sulla soddisfazione risultano, rispettivamente, pari

84

a 0.12 e 0.13, ma bisogna considerare anche l’effetto mediato dalla qualità percepita, che

eleva nettamente di potenza, portando a 0.44 quello sull’affidabilità di connessione e a 0.34

quello sulla soddisfazione generale.

H21: l’utilità percepita ha un effetto positivo sulla soddisfazione mediato dalla qualità percepita.

Come accennato all’ipotesi precedente, l’effetto totale dell’utilità sulla soddisfazione

è per la maggior parte composto dall’effetto mediato dalla qualità. I parametri considerati

sono pari 0.31 e 0.21, e risultano altamente significativi, confermando la nostra tesi.

In sintesi, l’utilità percepita ha effetti diretti positivi sui fattori endogeni ed esercita

effetti indiretti significativi sui fattori legati alla soddisfazione. Questi risultati confermano

il ruolo svolto dall’utilità percepita sulla percezione della qualità e sulla soddisfazione

dell’utente. Tuttavia l’effetto totale sul livello di soddisfazione è maggiormente

assimilabile al ruolo di mediatore parziale svolto dalla qualità.

Terminiamo l’analisi delle stime dei parametri strutturali valutando gli effetti dovuti

alla qualità percepita (H22):

H22: la qualità percepita ha un effetto positivo sulla soddisfazione.

L’ultima ipotesi di ricerca considerata, è sintetizzata da due parametri strutturali

significativo al livello dell’1%, pari a 0.56 e 0.36. Abbiamo quindi la conferma della forza

esercitata dalla qualità percepita, sia in maniera diretta sia nel ruolo di mediatore nei

confronti della soddisfazione, sia intesa come affidabilità della connessione sia a livello più

generale.

Oltre al ruolo di mediatore parziale tra la percezione di utilità nelle app ed il livello di

soddisfazione, la qualità percepita svolge, quindi, un effetto diretto molto forte nei confronti

della soddisfazione. La percezione di un’alta qualità delle potenzialità offerte influenza

positivamente la percezione della user-experience, aumentando così il livello di

soddisfazione.

85

Capitolo 7

Modelli a classi latenti

Dopo avere verificato gli effetti esercitati dall’utilità percepita delle applicazioni sulla

qualità percepita delle funzionalità presenti su smartphone e sul livello di soddisfazione

legato all’esperienza di navigazione, che sottolineano l’importanza dei servizi online nella

diffusione di questo dispositivo, si sposta quindi l’attenzione su un’ulteriore obiettivo, ossia

la segmentazione dell’audience mobile italiana sulla base dell’esperienza di consumo dei

servizi usufruibili online da smartphone.

Appare quindi doveroso presentare le basi teoriche dei modelli che verranno applicati

successivamente. Dopo una introduzione sulla cluster analysis, che verrà utilizzata per una

analisi preliminare dei dati, si procede con la descrizione dei modelli a classi latenti.

7.1. Cluster analysis

Ad oggi, la cluster analysis è una delle tecniche di analisi multivariata più nota ed

utilizzata; essa rappresenta un insieme di tecniche che mirano a raggruppare le unità

statistiche di una popolazione sulla base della loro similarità in termini di valori assunti

dalle variabili osservate. La scelta degli indici di similarità è legata al tipo di variabili che

si hanno a disposizione. Nel caso in esame le variabili sono dicotomiche e presentano una

distribuzione asimmetrica causata da un elevato numero di risposte negative, pertanto si è

scelto di utilizzare come misura di similarità l’indice di Jaccard1.

Idealmente si vorrebbe partizionare la popolazione in modo che unità facenti parte

dello stesso gruppo siano fra loro molto simili mentre unità facenti parte di gruppi diversi

siano fra loro molto dissimili.

1 Il coefficiente di similarità di Jaccard si definisce come 𝑐𝑖𝑗 =

𝑎

𝑎+𝑏+𝑐 con 𝑎, 𝑏 e 𝑐 celle della tabella di

contingenza per le unità 𝑖 e 𝑗.

86

Partendo da un metodo di raggruppamento gerarchico si seleziona il numero di cluster

ottimale tramite la distanza di fusione: se nel passaggio da K gruppi a K+1 si registra un

forte incremento della distanza di fusione si opta per la classificazione a K gruppi. In

generale, questo come altri metodi di scelta del numero di gruppi conducono a risultati

diversi al variare della misura di similarità e dal metodo di legame utilizzati. Inoltre si

basano comunque su una osservazione dei dati alla ricerca di una loro discontinuità, e

questo può risultare una procedura azzardata e soggettiva.

Gli algoritmi gerarchici proposti in letteratura (metodo del legame singolo, del legame

completo, del legame medio, del centroide, di Ward, solo per citarne alcuni) si

differenziano unicamente per il diverso criterio che regola la valutazione delle distanze tra

i gruppi a fini di aggregazione in serie. Nell’applicazione oggetto di studio nel seguente

capitolo si è utilizzato il metodo di Ward che si distingue da tutte le altre in quanto per

valutare la distanza tra cluster utilizza l’analisi della varianza. Ward (1963) propose questa

metodologia di clustering con lo scopo di cercare di formare delle partizioni tali da

minimizzare la perdita informativa associata a ciascun gruppo, e di quantificare quella

perdita in una forma facilmente interpretabile. Nello specifico il metodo si basa sulla

scomposizione della devianza totale nella somma delle devianze entro e tra i cluster. Nel

passare da 𝑘 + 1 a 𝑘 gruppo la devianza entro i cluster aumenta, mentre e quella tra i cluster

diminuisce. Ad ogni tappa del processo, il metodo di Ward aggrega i due gruppi dalla cui

fusione deriva il minimo incremento della devianza entro i gruppi (Fabris,1997).

Una volta selezionato il numero ottimale di gruppi, si procede con l’implementazione

di un algoritmo non gerarchico, in specifico quello delle 𝑘-medie di Lloyd (1957), che mira

a ripartire direttamente le n unita nei g gruppi identificati tramite il metodo gerarchico.

Senza soffermarci troppo sugli algoritmi di raggruppamento, passiamo

immediatamente alla trattazione delle differenze e delle similarità tra questo metodo e

l’analisi a classi latenti. In primo luogo si deve sottolineare che entrambe le tecniche

portano ad una segmentazione del campione ed implicano, inoltre, la massimizzazione di

un qualche criterio per la cluster analysis e della funzione di log-verosimiglianza per

l’analisi a classi latenti.

Nonostante siano individuabili delle caratteristiche comuni ai due metodi, i vantaggi

legati ad un metodo probabilistico, anziché un approccio euristico sono numerosi: minore

arbitrarietà del criterio di raggruppamento, flessibilità nello scegliere diverse distribuzioni

di probabilità, la possibilità di impostare e verificare restrizioni, criteri oggettivi per la

87

selezione del numero delle classi e la possibilità di aggiungere variabili esogene come

covariate, per aiutare la classificazione delle osservazioni e la descrizione dei risultati.

7.2. Analisi a Classi Latenti

Il modello a classi latenti è stato originariamente proposto da Lazarsfeld (1950) sotto

il nome “analisi della struttura latente”. Lazarsfeld la propose per individuare variabili

latenti sulla base di indicatori dicotomici. Successivamente Goodman (1974) estese questo

approccio anche a variabili nominali, alle quali si aggiunsero altre formulazioni per

indicatori ordinali e continui.

La notazione vettoriale 𝒚 = [𝑦1, 𝑦2, … , 𝑦𝑝] denota un pattern di risposta. In questa

specificazione, le p variabili manifeste possono assumere solo due valori: 𝒀𝒋 =0 o 𝒀𝒋 =1,

per 𝑗 = 1, … , 𝑝.

L’idea generale di un qualsiasi modello a classi latenti è che la probabilità marginale

di ottenere la modalità di risposta 𝒚, 𝛲𝑟(𝒀 = 𝒚 ) sia una media pesata delle 𝑘 probabilità

condizionate Ρr(𝒀 = 𝒚 |𝑋 = 𝑥 ); il modello può essere quindi così formulato:

𝛲𝑟(𝒀 = 𝒚 ) = ∑ 𝛲𝑟(𝑋 = 𝑥 )

𝑘

𝑥=1

𝛲𝑟(𝒀 = 𝒚 |𝑋 = 𝑥 )

dove 𝛲(𝑋 = 𝑥 ) denota la probabilità di appartenere alla classe latente 𝑥.

Per la formulazione dei modelli a classi latenti è fondamentale l’assunzione di

indipendenza locale: si assume, infatti, che le p variabili osservate siano mutualmente

indipendenti all’interno di ciascuna classe latente e che l’associazione tra le variabili sia

spiegata dalla variabile latente.

Formalmente l’indipendenza locale si può esprimere come segue:

𝛲𝑟(𝒀 = 𝒚 |𝑋 = 𝑥 ) = ∏ 𝛲𝑟(𝒀𝒋 = 𝒚𝒋|𝑋 = 𝑥 )

𝑝

𝑗=1

88

Combinando le due equazioni precedenti si ottiene il modello per la probabilità

marginale di 𝛲(𝒀 = 𝒚 ):

𝛲𝑟(𝒀 = 𝒚 ) = ∑ 𝛲𝑟(𝑋 = 𝑥 )

𝑘

𝑥 =1

∏ 𝛲𝑟(𝒀𝒋 = 𝒚𝒋|𝑋 = 𝑥 )

𝑝

𝑗=1

La distribuzione condizionata delle 𝒀 data 𝑋 è la stessa di una variabile aleatoria

Bernoulliana:

𝛲𝑟(𝒀𝒋 = 𝒚𝒋|𝑋 = 𝑥) = 𝜋𝑗|𝑥 = 𝑝

𝑗|𝑥

𝑦𝑗 (1 − 𝑝𝑗|𝑥 )

1−𝑦𝑗

dove 𝑝𝑖|𝑥 è la probabilità che 𝒚𝒊 =1 quando la variabile latente è 𝑥, mentre la variabile

latente categoriale 𝑋 ha una distribuzione logit multinomiale:

𝛲𝑟(𝑋 = 𝑥) = 𝜋𝑥 =

𝑒𝑥𝑝(𝜂𝑥)

∑ 𝑒𝑥𝑝(𝜂𝑥′)𝑘𝑥′=1

In un modello senza covariate, il termine lineare è dato da 𝜂𝑥 = 𝛼 , che rappresenta

l’intercetta del modello, mentre in un modello con covariate sarà 𝜂𝑥 = 𝛼𝑥 + 𝛽𝑥𝑍, dove 𝑍

rappresenta la matrice delle variabili aggiunte al modello come covariate.

7.2.1. Stima dei parametri

La distribuzione congiunta è la seguente:

𝛲𝑟(𝒀 = 𝒚) = ∑ 𝜋𝑥

𝑘

𝑥=1

∏ 𝜋𝑗|𝑥

𝑝

𝑗=1

= ∑ 𝜋𝑥

𝑘

𝑥=1

∏ 𝑝𝑗|𝑥

𝑦𝑗 (1 − 𝑝𝑗|𝑥 )

1−𝑦𝑗

𝑝

𝑗=1

mentre la probabilità a posteriori che un oggetto appartenga alla generica classe 𝑥 dato il

vettore di osservazioni 𝒚 diventa:

𝑃�̂�(𝑋 = 𝑥|𝒀 = 𝒚) =�̂�𝑥 ∏ �̂�𝑗|𝑥

𝑝𝑗=1

𝛲�̂�(𝒀 = 𝒚)

La stima dei parametri si ottiene massimizzando la funzione di log-verosimiglianza

che si deriva dalla distribuzione congiunta nel caso di 𝑘 classi latenti utilizzando metodi di

ottimizzazione standard. In particolare, la stima può avvenire ricorrendo alla tecnica

Newton-Raphson, oppure all’algoritmo EM (Dempster et al, 1977). Quest’ultimo metodo

risulta meno dispendioso in termini computazionali e riesce a prevenire alcuni problemi

89

sostanziali (Bartholomew et al, 2002) ed è spesso preferito per la stima dei modelli a classi

latenti.

Dalla distribuzione congiunta si ottiene la log-verosimiglianza per un campione

casuale di dimensione n:

𝑙(𝜃)=∑ 𝑙𝑜𝑔 {∑ 𝜋𝑥 𝑘

𝑥=1 ∏ 𝑝𝑗|𝑥

𝑦𝑗 (1 − 𝑝𝑗|𝑥𝑧𝑖 )

1−𝑦𝑗𝑝𝑗=1 }

𝑛𝑖=1

che può essere massimizzata sotto il vincolo ∑ Π𝑥 =𝑘𝑥=1 1.

L’algoritmo EM procede nel modo seguente:

(1) sceglie un insieme di valori iniziali per le probabilità a posteriori ℎ(𝑥|𝒚𝒉)

(2) ottiene una prima approssimazione di �̂�𝑥 e di �̂�𝑖|𝑥 (passo E)

(3) sostituisce queste stime nell’equazione che definisce ℎ(𝑥|𝒚𝒊) per ottenerne una

nuova stima (passo M)

(4) ritorna al punto (2) per ottenere una seconda approssimazione dei parametri e

continua il ciclo finché non si raggiunge la convergenza.

È noto che modelli come questo possono avere più punti di massimo e che

all’aumentare di 𝑘 il numero di questi tende ad aumentare, mentre se aumentiamo la

dimensione campionaria tendono a diminuire (Aitkin et al, 1981).

Per ovviare al problema di interpretare un massimo locale per un punto di massimo

globale, è possibile far convergere l’algoritmo partendo da diversi valori iniziali: un modo

ragionevole di scegliere i valori inziali suggerisce di imporre ℎ(𝑥|𝒚𝒊) = 1 se 𝒚𝒊 viene

assegnata alla classe 𝑥, e ℎ(𝑥|𝒚𝒊) = 0 altrimenti.

Estensioni e sviluppi

Ai tradizionali modelli a classi latenti sono stati proposti numerosi sviluppi, il più

importante è sicuramente l’inclusione di covariate 𝒁, con l’obiettivo di ottenere una più

dettagliata descrizione delle classi.

Nel caso in cui le covariate siano variabili categoriali, si specifica un modello logit

multinomiale per la probabilità di appartenere alla classe latente 𝑥:

𝑃𝑟(𝒀 = 𝒚|𝒁 = 𝒛) = ∑ 𝑃𝑟(𝑋 = 𝑥| 𝒁 = 𝒛)

𝑘

𝑥=1

∏ 𝑃𝑟(𝒀𝒋 = 𝒚𝒋| 𝑋 = 𝑥)

𝑝

𝑗=1

90

Se l’influenza di 𝒁 su 𝒀𝒋 non passa totalmente attraverso la variabile latente 𝑋, ma si

permettono effetti diretti tra covariate ed indicatori, il modello risulta:

𝑃𝑟(𝒀 = 𝒚|𝒁 = 𝒛) = ∑ 𝑃𝑟(𝑋 = 𝑥| 𝒁 = 𝒛)

𝑘

𝑥=1

∏ 𝑃𝑟(𝒀𝒋 = 𝒚𝒋|𝒁 = 𝒛, 𝑋 = 𝑥)

𝑝

𝑗=1

Nel caso in cui il modello a K classi latenti non spiega adeguatamente i dati perché

l’ipotesi di indipendenza locale non è soddisfatta per alcune variabili osservate, si può

procedere seguendo tre strade. La prima consiste nell’aumentare il numero delle classi

latenti, la seconda suggerisce di rilasciare l’ipotesi di indipendenza locale e permettere

effetti diretti tra alcune variabili osservate. L’ultima prevede invece l’aumento del numero

di variabili latenti al posto del numero di classi. Gli ultimi due approcci conducono

tendenzialmente a modelli più parsimoniosi.

7.2.2. Bontà di adattamento

Una volta stimati i parametri, un passo fondamentale nell’analisi a classi latenti

consiste nel valutare la bontà di adattamento del modello che permette la scelta del numero

di classi 𝑘 per cui l’assunzione di indipendenza locale risulta soddisfatta. Le statistiche più

comunemente usate per valutare la bontà di adattamento di un modello a classi latenti

confrontano le differenze tra le frequenze osservate dei valori individuali e quelle teoriche

previste dal modello (Goodman, 1970). Tra queste si trovano il rapporto di verosimiglianza

ed l’indice di Pearson, rispettivamente definiti come:

𝐿2 = 2 ∑ 𝑓𝑗

𝑝

𝑗=1

𝑙𝑜𝑔(�̂�𝑗/𝑓𝑗)

𝑋2 = ∑(𝑓𝑗 − �̂�𝑗)/�̂�𝑗

𝑝

𝑗=1

dove 𝑓𝑗 sono le frequenze osservate e �̂�𝑗 le frequenze teoriche attese. Nel caso in cui �̂�𝑗 =

𝑓𝑗, per ogni j, il modello ha un adattamento perfetto e il valore di queste statistiche risulta

nullo.

In presenza di dati sparsi (problema che si riscontra prevalentemente quando p è

grande o il numero di categorie di queste p variabili è elevato) la distribuzione della

91

statistiche test non è più approssimabile ad un 𝜒2, con un numero di gradi di libertà pari

alla differenza tra il numero totale di combinazioni, 2𝑝, e il numero di parametri meno 1,

𝑘(𝑝 − 1) − 1. La pratica comune vuole che meno del 10-20% delle celle della tabella di

contingenza osservata contengano meno di 5 osservazioni. Generalmente, l’obiettivo si

riduce a selezionare il modello che minimizza 𝐿2 o 𝑋2 senza stimare eccessivi parametri.

Un modo ulteriore per aggirare il problema è quello di considerare un criterio di

informazione, che è anche il modo migliore per coniugare due elementi fondamentali di

ogni modello statistico: l’adattamento e la parsimonia. I metodi più utilizzati nell’analisi a

classi latenti sono il BIC (Raftery, 1986), AIC (Akaike, 1974) e la sua versione penalizzata

CAIC (Bozdogan, 1987), tutti basati sul rapporto di log-verosimiglianza 𝐿2 e definiti,

rispettivamente, come:

𝐵𝐼𝐶𝐿2 = 𝐿2 − log (𝑛)𝑑𝑓

𝐴𝐼𝐶𝐿2 = 𝐿2 − 2𝑑𝑓

𝐶𝐴𝐼𝐶𝐿2 = 𝐿2 − [log(𝑛) + 1]𝑑𝑓

Per gli stessi indici esiste anche una versione più generale basata sulla funzione di log-

verosimiglianza (LL) e sul numero di parametri:

𝐵𝐼𝐶𝐿𝐿 = −2𝐿𝐿 + log (𝑛)𝐾(𝑝 − 1)

𝐴𝐼𝐶𝐿𝐿 = −2𝐿𝐿 + 2𝐾(𝑝 − 1)

𝐶𝐴𝐼𝐶𝐿𝐿 = −2𝐿𝐿 + [log(𝑛) + 1] ∗ 𝐾(𝑝 − 1)

Per la scelta del numero di classi ottimale è da preferirsi il modello che presenta il

minor valore dell’indice BIC e/o AIC. Il BIC è solitamente il più appropriato per i modelli

a classi latenti grazie alla sua relativa semplicità (Lin e Dayton, 1997; Forster, 2000). Il

CAIC invece permette di ovviare al problema di sovrastima del numero delle classi latenti

che notoriamente viene imputato alla statistica AIC (Dias e Vermunt, 2007).

Interpretazione delle classi

Una volta selezionato, sulla base degli indici di adattamento, il numero di classi in

grado di spiegare le relazioni esistenti nei dati risulta necessario interpretarle ed etichettarle.

92

Nel caso si stimino modelli a classi latenti per scopi informativi, sono già note le

caratteristiche che differenziano una classe dall’altra, e quindi l’appartenenza di un

individuo ad un determinato gruppo è noto a priori.

Se lo scopo dell’analisi a classi latenti è invece esplorativo, la segmentazione risultante

può essere interpretata ed etichettata sulla base delle stime �̂�𝑖|𝑥 che emergono dal modello:

se vicino a zero rappresenta che l’attributo appartiene raramente ai membri della classe 𝑥,

al contrario, se vicino a uno è molto probabile che lo possiedano.

93

Capito 8

Segmentazione dei mobile surfer

In questo capitolo si procede con l’applicazione di due metodi di classificazione

introdotti nel capitolo precedente (la cluster analysis e l’analisi a classi latenti) ai

consumatori di servizi online da smartphone. L’analisi proposta vuole innanzitutto

verificare gli effettivi vantaggi legati ad un metodo probabilistico rispetto ad un approccio

euristico come la cluster analysis, e successivamente si vuole tentare di dare una risposta

alle esigenze di segmentazione dell’audience mobile nel mercato italiano, in termini di

omogeneità dei servizi usufruiti e dei contesti d’uso specifico del device, delineando profili

di mobile surfer che possono dare informazioni alle imprese riguardo la potenziale

esposizione del proprio target di riferimento a campagne di mobile marketing.

La prima applicazione proposta è la segmentazione con il metodo della cluster

analysis, seguita da una classificazione probabilistica ottenuta tramite un modello a classi

latenti. Le basi di segmentazione utilizzate sono le 18 variabili dicotomiche relative alle

attività svolte da smartphone. Le elaborazioni successive sono state ottenute con il software

statistico R.

8.1. Classificazione mediante cluster analysis

L’applicazione del metodo gerarchico porta all’individuazione di un possibile

raggruppamento ottimale con 6 classi. Si procede quindi l’analisi applicando il metodo non

gerarchico delle k-medie indicando il numero di gruppi ottimale precedentemente ricavato.

La prima cosa che si nota è che se applichiamo diverse volte l’algoritmo, la dimensione

dei sei gruppi identificati varia in base ai valori iniziali usati come centri dei cluster,

evidenziando la natura altamente soggettiva di questo metodo.

94

Una volta fissati dei valori iniziali, il metodo di segmentazione non gerarchico

identifica 6 gruppi di dimensione compresa tra il 10.7% ed il 24.8% del campione (Tabella

8.1).

Gruppo 1 Gruppo 2 Gruppo 3 Gruppo 4 Gruppo 5 Gruppo 6

Dimensione (%) 13,8 15,8 10,7 14,6 24,3 20,8

D7_1 0,0 12,2 14,4 40,5 67,1 86,3

D7_2 0,0 100,0 3,1 3,6 88,8 84,0

D7_4 13,0 27,0 14,4 30,5 55,3 77,3

D7_5 3,9 8,0 13,8 26,8 47,9 76,4

D7_6 6,8 5,5 8,1 13,2 15,1 57,5

D7_7 0,0 19,0 40,0 46,8 72,1 85,0

D7_8 5,8 11,0 16,9 15,5 11,2 46,3

D7_12 8,7 11,0 30,6 14,1 23,3 79,9

D7_13 4,8 3,4 5,6 9,5 8,5 46,3

D7_15 0,0 13,5 100,0 0,0 62,7 89,1

D7_16 5,3 4,2 16,9 9,1 13,7 57,2

D7_18 4,8 1,7 7,5 10,0 8,8 38,3

D7_21 4,8 8,9 11,3 20,5 40,5 69,0

D7_23 3,4 5,5 20,0 25,5 22,2 52,4

D7_24 5,8 5,5 3,8 10,9 9,6 32,6

D7_25 4,8 7,2 8,8 11,8 19,2 48,9

D7_26 7,7 5,9 21,9 14,1 23,3 72,2

D7_27 9,2 2,1 4,4 11,8 16,2 63,3 Tabella 8.1: distribuzione delle risposte affermative nei gruppi individuati (in percentuale)

Il primo è formato da chi non svolge quasi nessuna delle attività specificate, ad

eccezione di pochissimi utenti che utilizzano delle chat online o programmi di instant

messaging (13.8% del campione). Il secondo da chi utilizza il device principalmente per

servizi di social network, ma anche per consultare il meteo ed per utilizzare programmi di

instant messaging (15.8%), mentre i componenti del terzo gruppo usufruiscono dei servizi

di navigazione e di applicazioni per la produttività personale e lavorativa azzardando anche

la lettura di quotidiani (10.7%). Il quarto gruppo invece svolge attività online collegate con

il tempo libero, come guardare video streaming, ascoltare musica, giocare, leggere

quotidiani o chattare tramite programmi di instant messaging (14.6%). Diciamo che per il

quarto cluster lo smartphone è uno strumento di puro intrattenimento. Pure il quinto gruppo

usufruisce del servizio mobile principalmente per il tempo libero, ma anche per ricercare

informazioni organizzative o consultare app di informazione, facendone un utilizzo più

95

diversificato (24.3%). Infine si trova il gruppo dei tutto fare (20.8%). Essi utilizzano lo

smartphone come lettore mp3, navigatore, mezzo d’informazione e di comunicazione con

amici, ma anche per utilizzare servizi bancari e di acquisto online.

Le indicazioni fornite da queste analisi segnalano poca stabilità nel numero e nella

dimensione dei cluster, probabilmente causata dall’arbitrarietà insita nel metodo di

segmentazione della cluster analysis, in particolare nella fase di decisione del numero

ottimale di gruppi: non è da trascurare la scelta operata dal metodo gerarchico che preferisce

una suddivisione semplice e intuitiva.

8.2. Segmentazione con l’approccio a classi latenti

Gli indicatori inseriti nel modello corrispondono alle basi di segmentazione utilizzate

per la cluster analysis, ma nell’approccio a classi latenti sono anche state inserite cinque

covariate (𝑍): il sesso, la classe d’età, l’occupazione, lo stato civile e il livello di istruzione.

Il modello è stato stimato per un diverso numero di classi latenti, ed ogni

specificazione è stata replicata in modo da evitare l’individuazione di punti di ottimo locale

durante la minimizzazione della funzione di verosimiglianza.

Per prima cosa, se guardando i gradi di libertà dei diversi modelli stimati si trovano

dei valori molto vicini alla numerosità campionari, il che segnala la possibile presenza di

dati sparsi dovuti all’elevato numero di indicatori inseriti. Questo risultato rende le

statistiche 𝑋2 e 𝐿2 non approssimabili alla distribuzione χ2.

Nella Tabella 8.2 è stato riportato il riassunto delle statistiche di bontà di adattamento

per modelli da uno a dodici classi latenti: è stato selezionato il modello con il numero di

classi latenti che presenta il valore minimo del CAIC e del BIC. Oltre agli indici utilizzati

per la selezione del numero di classi, sono indicati l’AIC, la statistica 𝑋2 e quella 𝐿2, oltre

al numero di parametri stimati dal modello. Se considerassimo il valore minimo dell’AIC

o delle statistiche 𝑋2 e 𝐿2 per la selezione del modello, la specificazione con cinque classi

latenti parrebbe ottimale. Per valutare quale tra i due modelli indicati è più appropriato

conviene verificare se l’inserimento di due classi latenti, e quindi l’aggiunta di complessità

che ne deriva, sia strettamente necessario. Per fare questo è possibile utilizzare la statistica

𝐿2, confrontando la riduzione percentuale del suo valore provocata dal modello a tre e a

96

cinque classi rispetto al benchmark con una classe. Il modello con tre classi provoca una

riduzione del 37%, contro il 38.8% provocata da quello a cinque classi, una riduzione

talmente esigua da non rendere necessaria un’ulteriore complicazione del modello. Questo

risultato conferma la scelta effettuata in precedenza sulla base del BIC e del CAIC.

Per legittimare la scelta ottimale del numero di classi indicata dagli indici

precedentemente citati si ha però la necessità di interpretare i gruppi determinati dal

modello con tre e verificare se l’aggiunta di ulteriori due classi favorisce la classificazione

degli individui ad esse appartenenti, ed in questo caso si sceglierà la specificazione più

complessa, in caso contrario, si opterà per la soluzione più parsimoniosa.

CAIC AIC BIC Chi-square 𝐿2 Npar

1 classe 29143.14 29029.48 29125.14 1.79E+10 10187.059 18 2 classi 26219.51 25884.85 26166.52 4.77E+05 7027.638 53 3 classi 25874.9 25319.21 25786.89 4.69E+05 6413.715 88 4 classi 25978.07 25201.38 25855.07 3.25E+05 6304.736 123 5 classi 26133.2 25135.5 25975.2 3.22E+05 6236.38 158 6 classi 30407.75 29189.04 30214.75 1.40E+08 8864.312 193 7 classi 30689.36 29249.65 30461.37 1.18E+10 9938.704 228 8 classi 31046.49 29385.77 30783.49 1.34E+10 9988.472 263 9 classi 31296 29414.26 30998 1.20E+10 9974.35 298 10 classi 31604.35 29501.6 31271.35 1.78E+10 10101.353 333 11 classi 31890.38 29566.62 31522.38 8.60E+09 10041.257 368 12 classi 32162.4 29617.65 31759.41 6.59E+09 9922.527 403

Tabella 8.2: riassunto delle statistiche di bontà di adattamento per i modelli a classi latenti stimati.

Nel caso di tre classi, considerando la prima classe come base, i parametri del modello

logit multinomiale stimato per predire i cluster come funzioni delle covariate, presentano

numerosi valori non significativi. Questo sottolinea come non vi sia prevalenza di effetti

significativi nella composizione delle classi in relazione alle modalità della variabili

istruzione, stato civile e occupazione. L’unica variabile categoriale con modalità

significative è la classe d’età ed il sesso.

Stessa situazione si evidenzia per la specificazione a cinque classi che presenta un gran

numero di parametri non significativi per le covariate inserite nel modello, confermando la

stessa constatazione fatta per la specificazione a tre classi, che sancisce la presenza di effetti

dovuti soltanto alla variabile classe d’età e sesso.

97

Descrizione ed interpretazione delle classi

Uno dei vantaggi da sottolineare dell’analisi a classi latenti consiste nell’oggettività

dei gruppi identificati e quindi della loro dimensione, a differenza della cluster analysis,

nella quale la dimensione dei gruppi varia in base ai valori iniziali usati come centri dei

cluster.

Nella Tabella 8.3 si riporta la dimensione dei gruppi ottenuti nella specificazione con

tre classi (definita come probabilità di appartenenza ad una determinata classe), e inoltre

sono presenti anche le probabilità di risposta affermativa ai diversi indicatori condizionate

alla classe di appartenenza. Con l’ausilio di queste informazioni, di quelle ricavate dalle

covariate e apportate da ulteriori variabili di interesse non inserite nel modello, ma presenti

nel questionario, si cercherà di dare una interpretazione dei gruppi emersi in seguito alla

stima del modello.

Classe 1 Classe 2 Classe 3

Pr(X=x) 0,56 0,34 0,10

D7_1 0,20 0,69 0,92

D7_2 0,39 0,74 0,90

D7_4 0,02 0,05 0,25

D7_5 0,15 0,53 0,88

D7_6 0,07 0,25 0,83

D7_7 0,27 0,73 0,91

D7_8 0,10 0,20 0,68

D7_12 0,12 0,44 0,12

D7_13 0,04 0,16 0,75

D7_15 0,24 0,70 0,92

D7_16 0,06 0,28 0,72

D7_18 0,04 0,16 0,59

D7_21 0,11 0,51 0,73

D7_23 0,12 0,29 0,72

D7_24 0,06 0,13 0,53

D7_25 0,07 0,28 0,62

D7_26 0,09 0,42 0,76

D7_27 0,06 0,29 0,81

Tabella 8.3: probabilità condizionate 𝑃𝑟 (𝒀𝒋 = 𝑆Ì |𝒁 = 𝒛, 𝑋 = 𝑥) per i diversi indicatori.

La prima classe è la più numerosa ed è composta da utenti che utilizzano i servizi

internet da smartphone in maniera sporadica e cauta, svolgendo le attività più semplici e

98

maggiormente diffuse tra i mobile surfer, come guardare video in streaming, accedere ai

social network, consultare il meteo ed utilizzare il navigatore. Questo segmento è formato

principalmente da casalinghe, pensionati e lavoratori autonomi, il 60% ha più di 35 anni e

complessivamente questa classe contiene il 75% degli over 55 intervistati. Si evidenzia una

netta predominanza di donne (il 62% del campione intervistato contro il 52% degli uomini).

Per quanto riguarda invece la variabile istruzione, si osserva una prevalenza di diplomi di

scuola elementare e media, pari al 50% di tutto il campione, e di diplomi di scuola media

superiore, pari al 57%.

Tra le altre variabili non inserite nel modello, quella relativa alla frequenza di

connessione ad internet restituisce informazioni circa la composizione del segmento. In

particolare questa classe è costituita da utenti che risiedono in centri abitati medio-piccoli,

infatti è formato dal 60% degli intervistati residenti in comuni con meno 20000 abitanti.

Inoltre contiene il 69% degli intervistati che dichiara di navigare con una frequenza

inferiore alle tre volte a settimana. Infine vi appartengono oltre il 60% degli utenti mobile

che non possiedono una connessione fissa in casa e si connettono solamente da smartphone.

Nella classe 2, seconda per dimensione, si trovano principalmente gli utenti di mobile

internet che, oltre a svolgere le attività precedentemente citate per la prima classe,

utilizzano lo smartphone anche per ascoltare musica in streaming, per ricercare

informazioni organizzative e per giocare. Inoltre utilizzano applicazioni o siti di utilità e

produttività personale per organizzare il lavoro o lo studio. Sono per la maggior parte

studenti o lavoratori dipendenti, con età compresa tra 16 e 44 anni e livello di istruzione

mediamente più elevato rispetto alla classe 1.

Il 93% dei componenti dischiara di navigare in internet tutti i giorni e l’80% possiede

nella propria abitazione una connessione internet a banda larga.

L’ultima classe individuata ha dimensione nettamente inferiore rispetto alle

precedenti. Oltre ad eseguire le attività diffuse tra i componenti della classe precedente, gli

appartenenti alla terza classe utilizzano lo smartphone come fosse un vero e proprio pc

portatile: consultano siti e app di informazione e d’attualità, leggono quotidiani e periodici,

utilizzano siti e app legati alla loro banca, visualizzano i cataloghi dei prodotti, ricercano

informazioni turistiche, fanno acquisti online di prodotti fisici ed utilizzano app legate ai

loro interessi personali.

Gli appartenenti a questa classe hanno mediamente un titolo di studio più elevato

rispetto alle due precedenti, con età compresa tra 25 e 44 anni. La variabile sesso evidenzia

una predominanza di utenti di sesso maschile, pari al 64%. Per quanto riguarda la variabile

99

occupazione si trova che il 41% sono lavoratori dipendenti di medio livello e il 16%

studenti.

Il 100% dei componenti della terza classe dichiara di connettersi tutti i giorni e l’85%

possiede una connessione con linea fissa a banda larga per la navigazione da casa. È

interessante evidenziare che il 53% risiede in un comune con più di 30000 abitanti, di cui

il 60% risiede in grandi centri urbani.

Si passa ora alla specificazione con cinque classi latenti, per verificare se l’aggiunta di

ulteriori due classi favorisce la classificazione degli individui ad esse appartenenti, in caso

contrario, si opterà per la soluzione più parsimoniosa precedentemente interpretata.

In Tabella 8.4 riporta sia la probabilità di appartenere ad ogni classe individuata sia le

probabilità di risposta affermativa ai diversi indicatori condizionate alla classe di

appartenenza. Concentrando l’attenzione sulla classe 1 si osserva immediatamente che essa

rimane pressoché immutata rispetto alla specificazione precedente, sia dal punto di vista

della dimensione sia delle probabilità condizionate che risultano di un certo rilievo soltanto

per gli indicatori D7_1, D7_2, D7_7 e D7_15.

La stessa cosa si osserva anche per la classe 3, che esprime una elevatissima

somiglianza al corrispondente gruppo della specificazione a tre classi. Le uniche differenze

si osservano nelle classi 2, 4 e 5: esse non sono altro che una miglior specificazione della

seconda classe della tabella 8.2, che viene ulteriormente segmentata in tre gruppi, ognuno

dei quali non apporta significative informazioni in merito alla classificazione degli utenti

ad essa appartenenti. Tanto meno con l’ausilio delle covariate o di importanti variabili

escluse dal modello, come l’ampiezza del centro di residenza, la frequenza di connessione

ad internet o il tipo di linea internet posseduta nell’abitazione di residenza, si riesce ad

ottenere qualche informazione aggiuntiva per interpretarle. Questo risultato appoggia

quindi quanto suggerito degli indici CAIC e BIC che indicavano la scelta di tre classi e

confermano quanto ipotizzato nel paragrafo precedente dove si valutava la riduzione

percentuale della statistica 𝐿2, una riduzione del 37% apportata dalla specificazione a tre

classi, contro il 38.8% provocata da quella a cinque classi non rendere necessaria

un’ulteriore complicazione del modello.

100

Classe 1 Classe 2 Classe 3 Classe 4 Classe 5

Pr(X=x) 0,54 0,20 0,10 0,09 0,07

D7_1 0,20 0,80 0,93 0,73 0,21

D7_2 0,39 0,85 0,91 0,44 0,62

D7_4 0,02 0,01 0,26 0,08 0,09

D7_5 0,15 0,65 0,88 0,18 0,43

D7_6 0,07 0,21 0,81 0,15 0,40

D7_7 0,26 0,71 0,91 0,64 0,80

D7_8 0,09 0,15 0,68 0,29 0,23

D7_12 0,09 0,40 0,88 0,64 0,34

D7_13 0,04 0,14 0,76 0,10 0,22

D7_15 0,21 0,73 0,93 0,74 0,54

D7_16 0,04 0,22 0,71 0,33 0,37

D7_18 0,03 0,12 0,59 0,12 0,31

D7_21 0,11 0,64 0,74 0,21 0,31

D7_23 0,10 0,15 0,71 0,30 0,71

D7_24 0,05 0,04 0,51 0,06 0,48

D7_25 0,07 0,34 0,63 0,16 0,15

D7_26 0,08 0,45 0,78 0,47 0,19

D7_27 0,05 0,31 0,80 0,18 0,27 Tabella 8.4: probabilità condizionate 𝑃𝑟(𝒀𝒋 = 𝑆Ì|𝒁 = 𝒛, 𝑋 = 𝑥) per i diversi indicatori.

La descrizione delle classi precedentemente effettuata sulla base degli indicatori, delle

covariate e di importanti variabili non incluse nel modello rende possibile la formulazione

di alcune ipotesi sul significato strategico ai fini di marketing della struttura dei segmenti.

La dimensione molto importante del primo segmento, costituito principalmente da

casalinghe, pensionati e lavoratori autonomi con un livello di istruzione medio o basso ed

un’età compresa tra 40 e 75 anni, fornisce un’importante informazione circa la diffusione

dei servizi online usufruibili da smartphone. Con una numerosità pari al 56% degli

intervistati, esso sottolinea la scarsa attitudine dei mobile surfer italiani ad utilizzare

appieno le funzionalità offerte dai nuovi device. Un elemento positivo sta nel fatto che

questo segmento contiene il 75% degli over 55 presenti nel campione. Gli utenti di questo

segmento si possono definire come “light users” e considerando che più del 50% dei

componenti supera i 40 anni risulta molto improbabile che il loro atteggiamento nei

confronti dei nuovi servizi internet offerti possa cambiare. Il fatto che in questa classe si

trovino principalmente intervistati risiedenti in piccoli centri urbani conduce ad una

riflessione riguardo la diffusione delle nuove tecnologie: molto spesso infatti la rete mobile

non è disponibile al di fuori delle metropoli, oppure ha una velocità molto limitata e

101

l’affidabilità della connessione certamente non è il massimo. Questo fattore può quindi

fungere da deterrente al diffondersi della tecnologia mobile.

Le precedenti informazioni, unite alla bassa frequenza d’utilizzo della navigazione

dichiarata dagli appartenenti a questa classe, la rendono quindi di scarso interesse come

target raggiungibile tramite azioni di mobile marketing per aziende che vogliono sfruttare

in maniera efficiente il moderno canale digitale.

La seconda classe individuata presenta una dimensione relativamente amplia (34% del

campione) e gli individui che la compongono hanno delle caratteristiche più interessanti:

sono per la maggior parte studenti e lavoratori dipendenti di basso livello, con età

maggiormente concentrata tra i 16 id i 40 anni e livello di istruzione mediamente più elevato

rispetto agli “light users”, dai quali si differenziano, inoltre, per un utilizzo più variegato

dei servizi online indicati. Gli utenti appartenenti a questa classe si possono quindi definire

“medium users”. Se si aggiunge l’abitudine a connettersi ogni giorno ed il background

fornito dall’utilizzo del web tramite pc all’interno delle mura domestiche, si ottiene un

segmento di un certo rilievo per le strategie di marketing multicanale: le aziende possono

fare leva sull’utilità percepita dei servizi per creare un nuovo canale di contatto con i propri

clienti.

L’ultimo segmento emerso è quello degli “heavy users”. Si tratta di utenti internet

molto preparati, con una conoscenza specifica delle potenzialità e dell’utilità intrinseca dei

servizi usufruibili via smartphone, in particolare studenti e lavoratori dipendenti di medio

e alto livello, con età compresa tra i 25 e i 45 anni. Queste caratteristiche lo rendono un

target ad altissimo potenziale per ogni strategia di marketing che punti sull’iterazione con

il cliente per avere feedback circa i pregi ed i difetti dell’offerta proposta. Nonostante la

piccola dimensione, questo segmento può diventare un valore aggiunto per qualsiasi

impresa che intenda sfruttare il canale mobile per aumentare la propria visibilità e la propria

reputazione, magari affiancando un servizio digitale al cliente che permetta di gestire i

reclami in maniera efficiente e poco onerosa.

102

103

Conclusioni

Lo scopo principale di questo lavoro di tesi è stato quello di investigare il comportamento dei

mobile surfer italiani identificando le variabili latenti che esercitano un effetto alla soddisfazione

percepita per la user-experience tramite smartphone e proponendo una segmentazione basata sui

contesti d’uso specifici dei servizi usufruibili online.

Si è verificato empiricamente il modello teorico specificato sulla base del buon senso e di

informazioni provenienti dagli studi presenti in letteratura per spiegare le relazioni causali fra i

costrutti proposti, che si riferivano ai concetti di relazione con la tecnologia, stile di vita, feedback,

utilità percepita, qualità percepita e soddisfazione. L’analisi ha individuato effetti positivi e

significativi esercitati dalla variabile latente relazione con la tecnologia sulla soddisfazione, ma il loro

valore risulta molto prossimo allo zero, sottolineando quanto la semplicità d’uso di questo dispositivo

aiuti l’utente a percepire un buon livello di qualità e di soddisfazione per le funzionalità offerte anche

senza avere un’esperienza pregressa nella navigazione tramite computer.

Lo stile di vita, inteso come grado di socialità, presenta effetti positivi e significativi su tutte le

variabili endogene. Certamente questo risultato non sorprende, visto che si sta analizzando la

soddisfazione per l’utilizzo di un dispositivo progettato appositamente per agevolare la

comunicazione tra persone: gli individui con un elevato grado di socialità troveranno molto utili le

funzionalità offerte che permettono di massimizzare i contatti con amici e conoscenti, ma anche con

reti di utenti che presentano gli stessi interessi, tutto tramite uno unico strumento che permette di

avere in qualsiasi momento una porta d’accesso sul Word Wide Web.

Una componente innovativa dell’analisi presentata è l’inclusione nel modello di una fattore

legato ai feedback: essi esercitano effetti diretti positivi sia sull’utilità sia sulla qualità percepita. Il

nesso causale più importane si riferisce però all’utilità percepita delle applicazione, per la quale

l’utilizzo dei feedback svolge un ruolo molto importante nel convincere un utente al download della

app. L’effetto esercitato dai feedback sulla soddisfazione presenta invece coefficienti negativi:

l’utilizzo dei feedback crea nelle persone delle aspettative in merito all’esperienza di navigazione via

mobile che spesso non trovano conferma nel momento dell’esperienza di consumo.

Come auspicabile l’effetto indiretto dei feedback sulla qualità percepita mediato dall’utilità delle

applicazioni e quello dell’utilità sulla qualità mediato dai feedback presentano un effetti positivi, in

quanto è possibile elevare la qualità grazie alla presenza di app che integrano servizi non presenti

104

direttamente sullo smartphone. Il coefficiente di questo effetto indiretto risulta significativo e

conferma il ruolo di mediatore parziale dell’utilità e dei feedback sulla qualità: nuove app aumentano

la qualità percepita, migliorando la user-experience, e di conseguenza la soddisfazione che l’utente

ne trae.

Passando poi in rassegna gli effetti dovuti all’utilità percepita, si nota subito il ruolo chiave

giocato da questo fattore sia sulla qualità percepita sia sulla soddisfazione, sottolineando il ruolo

chiave delle applicazioni di terze parti nella personalizzazione del device. Le potenzialità di

personalizzazione e di implementazione di servizi aggiuntivi garantiscono all’utente quella flessibilità

d’uso che rende lo smartphone uno strumento estremamente versatile ed apprezzato, influendo

notevolmente sull’elevato tasso di penetrazione subito da questo strumento negli ultimi anni.

Chiaramente quest’aspetto influisce positivamente sia sulla qualità percepita sia sulla soddisfazione.

Infine si è verificato come la percezione di un’alta qualità delle potenzialità offerte influenzi

positivamente la percezione della user-experience, aumentandone il livello di soddisfazione. Il gran

numero di attività online usufruibili via smarphone conduce l’utente verso una specie di adattamento,

autoindotto dall’efficacia raggiunta nello svolgerle tramite i nuovi device intelligenti.

L’analisi ha quindi individuato effetti positivi ed altamente significativi esercitati dall’utilità

percepita delle applicazioni sulla qualità percepita delle diverse funzionalità presenti sul device,

confermando l’importanza dei servizi online nella rapida diffusione di questo dispositivo, siano essi

siti ottimizzati che applicazioni.

I risultati ottenuti dall’analisi sull’esperienza di navigazione hanno evidenziato il ruolo chiave

delle app nell’elevare la qualità percepita ed il livello di soddisfazione, fornendoci informazioni utili

circa la possibile base da utilizzare per una segmentazione dell’audience mobile. Si è quindi eseguita

un’analisi di segmentazione dei mobile surfer incentrata sui contesti d’uso specifici tramite i quali

l’utente entra in contatto con il mondo online.

Le indicazioni fornite dalla cluster analysis segnalano poca stabilità nel numero e nella

dimensione dei cluster, probabilmente causata dall’arbitrarietà insita nel metodo di segmentazione,

in particolare nella fase di decisione del numero ottimale di gruppi, suggerendo la necessità di un

metodo probabilistico che permetta un approccio inferenziale per la selezione del numero di gruppi.

Il modello a classi latenti stimato in base agli indicatori relativi ai contesti d’uso specifici dei

servizi online, suggerisce la presenza di tre segmenti, facilmente descrivibili. Il primo risultato

rilevante riguarda l’elevato numero di consumatori di servizi mobile classificati come “light users”,

principalmente casalinghe, pensionati e lavoratori autonomi con un livello di istruzione medio o basso

ed un’età compresa tra 40 e 75 anni, che conferma la scarsa abitudine alla connessione via smartphone

105

(per la maggior parte di questa classe meno di tre volte a settimana) e alla fruizione di servizi mobile

innovativi, quali ad esempio il mobile banking.

Il secondo risultato apprezzabile è insito nell’identificazione della seconda classe, formata dai

“medium users”, per la maggior parte studenti e lavoratori dipendenti di basso livello, con un’età

media inferiore rispetto alla precedente (maggiormente concentrata tra i 16 id i 40 anni) ma livello di

istruzione mediamente più elevato. Queste persone si stanno affacciando con cautela nel mondo

mobile e costituiscono un segmento di un certo rilievo per tutte le aziende che vogliono utilizzare una

strategia di marketing multicanale per instaurare un dialogo diretto ed interattivo con i potenziali

clienti.

L’ultimo segmento identificato è quello degli “heavy users”: sono utenti internet coscienti delle

potenzialità specifiche del dispositivo e dell’utilità insita nei servizi usufruibili online, in particolare

studenti e lavoratori dipendenti di medio e alto livello, con un titolo di studio alto ed età compresa tra

i 25 e i 45 anni. Nonostante la piccola dimensione questo è un target ad altissimo potenziale per ogni

strategia di marketing che punti sull’iterazione con il cliente. Questo segmento può diventare un

valore aggiunto per qualsiasi impresa che intenda sfruttare il canale mobile per aumentare la propria

visibilità e la propria reputazione, magari affiancando un servizio digitale di attenzione al cliente che

permetta di gestire i reclami in maniera efficace e garantisca un flusso continuo di feedback per

supportare lo sviluppo della strategia di business.

106

107

Appendice A

Di seguito si riportano gli items selezionati dal questionario per l’analisi della

soddisfazione per la navigazione da smartphone:

Atteggiamenti nei confronti delle nuove tecnologie in generale

Vorrei sapere quanto ritieni che le frasi elencate sotto rispondano al tuo modo di

essere. Dovresti dare per ogni frase un voto da 1 a 10, dove 1 indica che non ti riconosci

per nulla nella frase e 10 che la frase rispecchia al 100% il tuo modo di essere.

D1_1: Sono molto informato su ciò che mi circonda

D1_2: Attendo che le novità del mercato siano usate da un po' di gente prima di rischiare

io di persona

D1_3: I miei amici mi chiedono spesso consigli su come comportarsi

D1_4: Prima di parlare cerco di essere bene informato sull'argomento

D1_5: Gli altri stanno attenti a ciò che dico io

D1_6: Compro spesso prima di altri i prodotti nuovi, le nuove uscite

D1_7: Quando sento o leggo qualcosa che ritengo interessante non resisto e la comunico

a tutti i miei amici

D1_8: Per non prendere fregature chiedo sempre il giudizio di altri su prodotti e servizi

D1_9: Sono molto stimato nel mio gruppo di amici

D2_1. Mi piace distinguermi dagli altri

D2_2. Sono sicuro di me stesso

D2_3. La mia vita sociale è molto importante per me

D2_4. La carriera è un mio obiettivo importante

D2_5. Mi piace uscire e divertirmi

108

Considera queste affermazioni sulla pubblicità e le marche in generale. Quanto ti trovi

d’accordo sul fatto che esprimano il tuo punto di vista? Per ciascuna indica un punteggio

da 1 a 10, 1 non è per niente d’accordo e 10 è completamente d’accordo.

D5_1: Su internet comparo i prezzi e prodotti delle marche di mio interesse

D5_2: Online leggo le opinioni di altri sulle marche, prodotti e aziende

D5_3: Partecipo attivamente a discussioni su blog, forum e social network circa

marche e prodotti di mio interesse

D5_4: Mi attivo a segnalare alle aziende la mia soddisfazione o la mia

insoddisfazione circa prodotti o servizi acquistati

D5_5: Commento un prodotto o un’azienda in siti di recensioni (Ciao, Kelcoo…)

Atteggiamenti nei confronti dello smartphone

Pensando in generale al cellulare/smartphone, in che misura sei d’accordo con le

seguenti affermazioni? Per ciascuna indica un punteggio da 1 a 10, 1 non è per niente

d’accordo e 10 è completamente d’accordo.

D3_1: Per me il cellulare è uno strumento di intrattenimento e divertimento: posso

giocare, guardare video/foto, ascoltare musica ecc.

D3_2: Considero il cellulare il migliore strumento per tenermi costantemente informato

sulle news di cronaca, sport, meteo, economia…

D3_3: Mi piace collegarmi a internet dal cellulare per condividere in qualsiasi momento

foto e video, postare commenti ed esprimere le mie opinioni

D3_4: Avere il cellulare mi dà un senso di libertà, sento di poter fare tutto

D3_5: Da quando ho il cellulare posso fare a meno di comprare il giornale, accendere la

radio, guardare la tv: faccio tutto lì

D4_1: Da cellulare le app sono più semplici da utilizzare dei siti Web

D4_2: Le app danno servizi che sui siti Web da cellulare non trovo

D4_3: Le app sono più sicure dei siti Web da cellulare

109

Atteggiamenti nei confronti del mobile internet da smartphone

Pensa ora in generale alla tua attuale esperienza di navigazione in internet da

cellulare/smartphone. Nel rispondere utilizza una scala da 1 a 10 dove 1 corrisponde a

“PER NIENTE SODDISFATTO” e 10 a “COMPLETAMENTE SODDISFATTO”. Puoi

utilizzare voti intermedi per graduare il giudizio. Quanto ti ritieni soddisfatto per …

D6_1: Il prezzo del servizio per navigare in internet da cellulare/smartphone

D6_2: la velocità di navigazione in Internet dal cellulare/smartphone

D6_3: l’affidabilità della connessione di rete (cadute di linea, copertura del segnale,

ecc.)

D6_4: la leggibilità delle informazioni visualizzate sullo schermo del

cellulare/smartphone

D6_5: la disponibilità di siti o applicazioni adatti per la fruizione dal

cellulare/smartphone

D6_6: la facilità di navigazione (digitare l’indirizzo web sul cellulare/smartphone,

selezionare e cliccare sui link, navigare e spostarsi all’interno del sito/app,

ecc.)

110

111

Appendice B

Di seguito si riportano gli items del questionario relativi alle attività svolte da

smartphone tramite sia app sia siti ottimizzati.

Quali di queste attività ti è capitato di svolgere almeno 1 volta nell’ultimo mese dal

tuo smartphone. Considera sia le attività svolte sui siti ottimizzati che quelle svolte con le

app.

D7_1: Guardare video (Youtube, ecc.), canali in streaming, programmi di canali tv

D7_2: Accedere ai social network (Facebook, Twitter, Google+, Instagram, Foursquare)

D7_3: Accedere a servizi di incontri / dating / glamour / o a contenuti per soli adulti,

vietati ai minori di 18 anni (meno rilevante degli altri)

D7_4: Chattare o usare programmi di instant messaging (ad es. skype, what’s app,

windows messenger, ecc.) escludendo twitter e facebook

D7_5: Ascoltare musica (dal web o da applicazioni)

D7_6: Consultare siti e app di informazione, d'attualità generaliste o su temi verticali,

specifici, tecnici (ad es. gossip, sport, salute, viaggi, animali, casa, moda, finanza

e economia, …)

D7_7: Consultare il meteo

D7_8: Consultare l'area personale di siti e app legati alla propria banca

D7_9: Consultare l'area personale di siti e app legati alla propria assicurazione, telco,

utility

D7_10: Consultare l'area personale di siti e app legati a trasporti e viaggi (ad es.

prenotazione, check-in, carta di imbarco, ecc.)

D7_11: Consultare l'area personale di siti e app legati a punti vendita/retail/GDO (ad

esempio, accesso a carta fedeltà e saldo punti)

112

D7_12: Ricercare informazioni organizzative (ad esempio orari dei treni/mezzi pubblici,

prezzi, orari di apertura negozi, programmazione cinema, indirizzi, n° di

telefono, ristoranti e locali, negozi, traffico, ecc.)

D7_13: Consultare cataloghi prodotti

D7_14: Consultare l’oroscopo

D7_15: Consultare mappe, navigazione

D7_16: Ricercare informazioni turistiche, legate a viaggi o su posti non conosciuti (anche

in ambienti social come Tripadvisor / guide varie)

D7_17: Fare acquisti di servizi/biglietti che non necessitano di spedizione (biglietti aereo,

treno, alberghi, coupon)

D7_18: Fare acquisti online di prodotti fisici che poi mi vengono spediti (libri, abiti,

spesa…)

D7_19: Acquistare musica o altri contenuti digitali (video, giochi, ecc.)

D7_20: Scaricare applicazioni a pagamento o pagare per contenuti interni alle

applicazioni (che posso acquistare mentre sto usando l’app, il cosiddetto in-app

billing o in-app purchase)

D7_21: Giocare (sia scaricare giochi che giocare on-line)

D7_22: Giocare a giochi d’azzardo, con vincita in denaro (poker, gratta e vinci,

scommesse, ecc.)

D7_23: Leggere quotidiani

D7_24: Leggere periodici (settimanali o mensili)

D7_25: Utilizzare applicazioni utili per personalizzare il cellulare (emoticons, suonerie,

sfondi, ecc.) o visualizzare siti di loghi e suonerie

113

D7_26: Utilizzare applicazioni o navigare siti di utilità e produttività personale per il

lavoro/studio e la gestione delle proprie attività (agenda, calendario, note per

appunti, registratori di spesa, traduttore, calcolatrice, sveglia, organizer,

registratore, lista della spesa, antivirus, ecc.)

D7_27: Utilizzare applicazioni legate ai propri interessi/hobby (sport, cucina, benessere,

fitness)

114

115

Appendice C

Di seguito si presentano gli istogrammi relativi a tutti gli indicatori utilizzati

nell’analisi della soddisfazione per la navigazione da smartphone. Inoltre si riportano i

boxplot delle distribuzioni condizionate di ogni variabile (D1_1 – D5_6) agli items riferiti

alla soddisfazione (D6_1 – D6_6). Tutte queste rappresentazioni grafiche vengono

suddivise secondo i costrutti teorici che intendono misurare.

Relazione con la tecnologia Vs soddisfazione

D1_1

Fre

quenza

2 4 6 8 10

0100

250

D1_2

Fre

quenza

2 4 6 8 10

050

150

D1_3

Fre

quenza

2 4 6 8 10

0100

200

300

D1_4

Fre

quenza

2 4 6 8 10

0100

250

D1_5

Fre

quenza

2 4 6 8 10

0100

250

D1_6

Fre

quenza

2 4 6 8 10

050

150

D1_7

Fre

quenza

2 4 6 8 10

0100

200

300

D1_8

Fre

quenza

2 4 6 8 10

0100

200

D1_9

Fre

quenza

2 4 6 8 10

0100

300

116

1 3 5 7 9

24

68

10

D6_1 Vs D1_1

1 3 5 7 9

24

68

10

D6_2 Vs D1_1

1 3 5 7 9

24

68

10

D6_3 Vs D1_1

1 3 5 7 9

24

68

10

D6_4 Vs D1_1

1 3 5 7 9

24

68

10

D6_5 Vs D1_1

1 3 5 7 92

46

810

D6_6 Vs D1_1

1 3 5 7 9

24

68

10

D6_1 Vs D1_2

1 3 5 7 9

24

68

10

D6_2 Vs D1_2

1 3 5 7 9

24

68

10

D6_3 Vs D1_2

1 3 5 7 9

24

68

10

D6_4 Vs D1_2

1 3 5 7 9

24

68

10

D6_5 Vs D1_2

1 3 5 7 9

24

68

10

D6_6 Vs D1_2

117

1 3 5 7 9

24

68

10

D6_1 Vs D1_3

1 3 5 7 9

24

68

10

D6_2 Vs D1_3

1 3 5 7 9

24

68

10

D6_3 Vs D1_3

1 3 5 7 9

24

68

10

D6_4 Vs D1_3

1 3 5 7 9

24

68

10

D6_5 Vs D1_3

1 3 5 7 9

24

68

10

D6_6 Vs D1_3

1 3 5 7 9

24

68

10

D6_1 Vs D1_4

1 3 5 7 9

24

68

10

D6_2 Vs D1_4

1 3 5 7 9

24

68

10

D6_3 Vs D1_4

1 3 5 7 9

24

68

10

D6_4 Vs D1_4

1 3 5 7 9

24

68

10

D6_5 Vs D1_4

1 3 5 7 9

24

68

10

D6_6 Vs D1_4

118

1 3 5 7 9

24

68

10

D6_1 Vs D1_5

1 3 5 7 9

24

68

10

D6_2 Vs D1_5

1 3 5 7 9

24

68

10

D6_3 Vs D1_5

1 3 5 7 9

24

68

10

D6_4 Vs D1_5

1 3 5 7 9

24

68

10D6_5 Vs D1_5

1 3 5 7 9

24

68

10

D6_6 Vs D1_5

1 3 5 7 9

24

68

10

D6_1 Vs D1_6

1 3 5 7 9

24

68

10

D6_2 Vs D1_6

1 3 5 7 9

24

68

10

D6_3 Vs D1_6

1 3 5 7 9

24

68

10

D6_4 Vs D1_6

1 3 5 7 9

24

68

10

D6_5 Vs D1_6

1 3 5 7 9

24

68

10

D6_6 Vs D1_6

119

1 3 5 7 9

24

68

10

D6_1 Vs D1_7

1 3 5 7 9

24

68

10

D6_2 Vs D1_7

1 3 5 7 9

24

68

10

D6_3 Vs D1_7

1 3 5 7 9

24

68

10

D6_4 Vs D1_7

1 3 5 7 9

24

68

10

D6_5 Vs D1_7

1 3 5 7 9

24

68

10

D6_6 Vs D1_7

1 3 5 7 9

24

68

10

D6_1 Vs D1_8

1 3 5 7 9

24

68

10

D6_2 Vs D1_8

1 3 5 7 9

24

68

10

D6_3 Vs D1_8

1 3 5 7 9

24

68

10

D6_4 Vs D1_8

1 3 5 7 9

24

68

10

D6_5 Vs D1_8

1 3 5 7 9

24

68

10

D6_6 Vs D1_8

120

1 3 5 7 9

24

68

10

D6_1 Vs D1_9

1 3 5 7 9

24

68

10

D6_2 Vs D1_9

1 3 5 7 9

24

68

10

D6_3 Vs D1_9

1 3 5 7 9

24

68

10

D6_4 Vs D1_9

1 3 5 7 9

24

68

10D6_5 Vs D1_9

1 3 5 7 9

24

68

10

D6_6 Vs D1_9

121

Stile di vita Vs soddisfazione

D2_1

Fre

quenza

2 4 6 8 10

050

100

150

200

250

300

D2_2

Fre

quenza

2 4 6 8 10

050

100

150

200

250

300

D2_3

Fre

quenza

2 4 6 8 10

050

100

150

200

250

300

D2_4

Fre

quenza

2 4 6 8 10

050

100

150

200

250

300

D2_5

Fre

quenza

2 4 6 8 10

050

100

150

200

250

300

350

122

1 3 5 7 9

24

68

10

D6_1 Vs D2_1

1 3 5 7 9

24

68

10

D6_2 Vs D2_1

1 3 5 7 9

24

68

10

D6_3 Vs D2_1

1 3 5 7 9

24

68

10

D6_4 Vs D2_1

1 3 5 7 9

24

68

10D6_5 Vs D2_1

1 3 5 7 9

24

68

10

D6_6 Vs D2_1

1 3 5 7 9

24

68

10

D6_1 Vs D2_2

1 3 5 7 9

24

68

10

D6_2 Vs D2_2

1 3 5 7 9

24

68

10

D6_3 Vs D2_2

1 3 5 7 9

24

68

10

D6_4 Vs D2_2

1 3 5 7 9

24

68

10

D6_5 Vs D2_2

1 3 5 7 9

24

68

10

D6_6 Vs D2_2

123

1 3 5 7 9

24

68

10

D6_1 Vs D2_3

1 3 5 7 9

24

68

10

D6_2 Vs D2_3

1 3 5 7 9

24

68

10

D6_3 Vs D2_3

1 3 5 7 9

24

68

10

D6_4 Vs D2_3

1 3 5 7 9

24

68

10

D6_5 Vs D2_3

1 3 5 7 9

24

68

10

D6_6 Vs D2_3

1 3 5 7 9

24

68

10

D6_1 Vs D2_4

1 3 5 7 9

24

68

10

D6_2 Vs D2_4

1 3 5 7 9

24

68

10

D6_3 Vs D2_4

1 3 5 7 9

24

68

10

D6_4 Vs D2_4

1 3 5 7 9

24

68

10

D6_5 Vs D2_4

1 3 5 7 9

24

68

10

D6_6 Vs D2_4

124

1 3 5 7 9

24

68

10

D6_1 Vs D2_5

1 3 5 7 9

24

68

10

D6_2 Vs D2_5

1 3 5 7 9

24

68

10

D6_3 Vs D2_5

1 3 5 7 9

24

68

10

D6_4 Vs D2_5

1 3 5 7 9

24

68

10D6_5 Vs D2_5

1 3 5 7 9

24

68

10

D6_6 Vs D2_5

125

Qualità ed utilità percepita Vs soddisfazione

D3_1

Fre

quenza

2 4 6 8 10

050

150

250

D3_2

Fre

quenza

2 4 6 8 10

050

150

250

D3_3

Fre

quenza

2 4 6 8 10

050

150

D3_4

Fre

quenza

2 4 6 8 10

0100

200

D3_5

Fre

quenza

2 4 6 8 10

0100

200

D4_1

Fre

quenza

2 4 6 8 100

50

150

250

D4_2

Fre

quenza

2 4 6 8 10

0100

200

D4_3

Fre

quenza

2 4 6 8 10

0100

200

300

126

1 3 5 7 9

24

68

10

D6_1 Vs D3_1

1 3 5 7 9

24

68

10

D6_2 Vs D3_1

1 3 5 7 9

24

68

10

D6_3 Vs D3_1

1 3 5 7 9

24

68

10

D6_4 Vs D3_1

1 3 5 7 9

24

68

10D6_5 Vs D3_1

1 3 5 7 9

24

68

10

D6_6 Vs D3_1

1 3 5 7 9

24

68

10

D6_1 Vs D3_2

1 3 5 7 9

24

68

10

D6_2 Vs D3_2

1 3 5 7 9

24

68

10

D6_3 Vs D3_2

1 3 5 7 9

24

68

10

D6_4 Vs D3_2

1 3 5 7 9

24

68

10

D6_5 Vs D3_2

1 3 5 7 9

24

68

10

D6_6 Vs D3_2

127

1 3 5 7 9

24

68

10

D6_1 Vs D3_3

1 3 5 7 9

24

68

10

D6_2 Vs D3_3

1 3 5 7 9

24

68

10

D6_3 Vs D3_3

1 3 5 7 9

24

68

10

D6_4 Vs D3_3

1 3 5 7 9

24

68

10

D6_5 Vs D3_3

1 3 5 7 9

24

68

10

D6_6 Vs D3_3

1 3 5 7 9

24

68

10

D6_1 Vs D3_4

1 3 5 7 9

24

68

10

D6_2 Vs D3_4

1 3 5 7 9

24

68

10

D6_3 Vs D3_4

1 3 5 7 9

24

68

10

D6_4 Vs D3_4

1 3 5 7 9

24

68

10

D6_5 Vs D3_4

1 3 5 7 9

24

68

10

D6_6 Vs D3_4

128

1 3 5 7 9

24

68

10

D6_1 Vs D3_5

1 3 5 7 9

24

68

10

D6_2 Vs D3_5

1 3 5 7 9

24

68

10

D6_3 Vs D3_5

1 3 5 7 9

24

68

10

D6_4 Vs D3_5

1 3 5 7 9

24

68

10D6_5 Vs D3_5

1 3 5 7 9

24

68

10

D6_6 Vs D3_5

1 3 5 7 9

24

68

10

D6_1 Vs D4_1

1 3 5 7 9

24

68

10

D6_2 Vs D4_1

1 3 5 7 9

24

68

10

D6_3 Vs D4_1

1 3 5 7 9

24

68

10

D6_4 Vs D4_1

1 3 5 7 9

24

68

10

D6_5 Vs D4_1

1 3 5 7 9

24

68

10

D6_6 Vs D4_1

129

1 3 5 7 9

24

68

10

D6_1 Vs D4_2

1 3 5 7 9

24

68

10

D6_2 Vs D4_2

1 3 5 7 9

24

68

10

D6_3 Vs D4_2

1 3 5 7 9

24

68

10

D6_4 Vs D4_2

1 3 5 7 9

24

68

10

D6_5 Vs D4_2

1 3 5 7 9

24

68

10

D6_6 Vs D4_2

1 3 5 7 9

24

68

10

D6_1 Vs D4_3

1 3 5 7 9

24

68

10

D6_2 Vs D4_3

1 3 5 7 9

24

68

10

D6_3 Vs D4_3

1 3 5 7 9

24

68

10

D6_4 Vs D4_3

1 3 5 7 9

24

68

10

D6_5 Vs D4_3

1 3 5 7 9

24

68

10

D6_6 Vs D4_3

130

Feedback Vs soddisfazione

D5_1

Fre

quenza

2 4 6 8 10

050

100

150

200

250

300

D5_2

Fre

quenza

2 4 6 8 10

050

100

150

200

250

300

D5_3

Fre

quenza

2 4 6 8 10

050

100

150

200

250

300

350

D5_4

Fre

quenza

2 4 6 8 10

050

100

150

200

D5_5

Fre

quenza

2 4 6 8 10

050

100

150

200

250

300

350

131

1 3 5 7 9

24

68

10

D6_1 Vs D5_1

1 3 5 7 9

24

68

10

D6_2 Vs D5_1

1 3 5 7 9

24

68

10

D6_3 Vs D5_1

1 3 5 7 9

24

68

10

D6_4 Vs D5_1

1 3 5 7 9

24

68

10

D6_5 Vs D5_1

1 3 5 7 9

24

68

10

D6_6 Vs D5_1

1 3 5 7 9

24

68

10

D6_1 Vs D5_2

1 3 5 7 9

24

68

10

D6_2 Vs D5_2

1 3 5 7 9

24

68

10

D6_3 Vs D5_2

1 3 5 7 9

24

68

10

D6_4 Vs D5_2

1 3 5 7 9

24

68

10

D6_5 Vs D5_2

1 3 5 7 9

24

68

10

D6_6 Vs D5_2

132

1 3 5 7 9

24

68

10

D6_1 Vs D5_3

1 3 5 7 9

24

68

10

D6_2 Vs D5_3

1 3 5 7 9

24

68

10

D6_3 Vs D5_3

1 3 5 7 9

24

68

10

D6_4 Vs D5_3

1 3 5 7 9

24

68

10D6_5 Vs D5_3

1 3 5 7 9

24

68

10

D6_6 Vs D5_3

1 3 5 7 9

24

68

10

D6_1 Vs D5_4

1 3 5 7 9

24

68

10

D6_2 Vs D5_4

1 3 5 7 9

24

68

10

D6_3 Vs D5_4

1 3 5 7 9

24

68

10

D6_4 Vs D5_4

1 3 5 7 9

24

68

10

D6_5 Vs D5_4

1 3 5 7 9

24

68

10

D6_6 Vs D5_4

133

1 3 5 7 9

24

68

10

D6_1 Vs D5_5

1 3 5 7 9

24

68

10

D6_2 Vs D5_5

1 3 5 7 9

24

68

10

D6_3 Vs D5_5

1 3 5 7 9

24

68

10

D6_4 Vs D5_5

1 3 5 7 9

24

68

10

D6_5 Vs D5_5

1 3 5 7 9

24

68

10

D6_6 Vs D5_5

134

135

Appendice D

Di seguito si riportano i boxplot delle distribuzioni degli indicatori D7_1 – D7_27

condizionate agli items riferiti alla soddisfazione (D6_1 – D6_6).

No Sì

24

68

10

D6_1 Vs D7_1

No Sì

24

68

10

D6_2 Vs D7_1

No Sì

24

68

10

D6_3 Vs D7_1

No Sì

24

68

10

D6_4 Vs D7_1

No Sì

24

68

10

D6_5 Vs D7_1

No Sì

24

68

10

D6_6 Vs D7_1

No Sì

24

68

10

D6_1 Vs D7_2

No Sì

24

68

10

D6_2 Vs D7_2

No Sì

24

68

10

D6_3 Vs D7_2

No Sì

24

68

10

D6_4 Vs D7_2

No Sì

24

68

10

D6_5 Vs D7_2

No Sì

24

68

10

D6_6 Vs D7_2

136

No Sì

24

68

10

D6_1 Vs D7_3

No Sì

24

68

10

D6_2 Vs D7_3

No Sì

24

68

10

D6_3 Vs D7_3

No Sì

24

68

10

D6_4 Vs D7_3

No Sì

24

68

10

D6_5 Vs D7_3

No Sì

24

68

10

D6_6 Vs D7_3

No Sì

24

68

10

D6_1 Vs D7_4

No Sì

24

68

10

D6_2 Vs D7_4

No Sì

24

68

10D6_3 Vs D7_4

No Sì

24

68

10

D6_4 Vs D7_4

No Sì

24

68

10

D6_5 Vs D7_4

No Sì

24

68

10

D6_6 Vs D7_4

137

No Sì

24

68

10

D6_1 Vs D7_5

No Sì

24

68

10

D6_2 Vs D7_5

No Sì

24

68

10

D6_3 Vs D7_5

No Sì

24

68

10

D6_4 Vs D7_5

No Sì

24

68

10

D6_5 Vs D7_5

No Sì

24

68

10

D6_6 Vs D7_5

No Sì

24

68

10

D6_1 Vs D7_6

No Sì

24

68

10

D6_2 Vs D7_6

No Sì

24

68

10

D6_3 Vs D7_6

No Sì

24

68

10

D6_4 Vs D7_6

No Sì

24

68

10

D6_5 Vs D7_6

No Sì

24

68

10

D6_6 Vs D7_6

138

No Sì

24

68

10

D6_1 Vs D7_7

No Sì

24

68

10

D6_2 Vs D7_7

No Sì

24

68

10

D6_3 Vs D7_7

No Sì

24

68

10

D6_4 Vs D7_7

No Sì

24

68

10

D6_5 Vs D7_7

No Sì

24

68

10

D6_6 Vs D7_7

No Sì

24

68

10

D6_1 Vs D7_8

No Sì

24

68

10

D6_2 Vs D7_8

No Sì

24

68

10D6_3 Vs D7_8

No Sì

24

68

10

D6_4 Vs D7_8

No Sì

24

68

10

D6_5 Vs D7_8

No Sì

24

68

10

D6_6 Vs D7_8

139

No Sì

24

68

10

D6_1 Vs D7_9

No Sì

24

68

10

D6_2 Vs D7_9

No Sì

24

68

10

D6_3 Vs D7_9

No Sì

24

68

10

D6_4 Vs D7_9

No Sì

24

68

10

D6_5 Vs D7_9

No Sì

24

68

10

D6_6 Vs D7_9

No Sì

24

68

10

D6_1 Vs D7_10

No Sì

24

68

10

D6_2 Vs D7_10

No Sì

24

68

10

D6_3 Vs D7_10

No Sì

24

68

10

D6_4 Vs D7_10

No Sì

24

68

10

D6_5 Vs D7_10

No Sì

24

68

10

D6_6 Vs D7_10

140

No Sì

24

68

10

D6_1 Vs D7_11

No Sì

24

68

10

D6_2 Vs D7_11

No Sì

24

68

10

D6_3 Vs D7_11

No Sì

24

68

10

D6_4 Vs D7_11

No Sì

24

68

10

D6_5 Vs D7_11

No Sì

24

68

10

D6_6 Vs D7_11

No Sì

24

68

10

D6_1 Vs D7_12

No Sì

24

68

10

D6_2 Vs D7_12

No Sì

24

68

10D6_3 Vs D7_12

No Sì

24

68

10

D6_4 Vs D7_12

No Sì

24

68

10

D6_5 Vs D7_12

No Sì

24

68

10

D6_6 Vs D7_12

141

No Sì

24

68

10

D6_1 Vs D7_13

No Sì

24

68

10

D6_2 Vs D7_13

No Sì

24

68

10

D6_3 Vs D7_13

No Sì

24

68

10

D6_4 Vs D7_13

No Sì

24

68

10

D6_5 Vs D7_13

No Sì

24

68

10

D6_6 Vs D7_13

No Sì

24

68

10

D6_1 Vs D7_14

No Sì

24

68

10

D6_2 Vs D7_14

No Sì

24

68

10

D6_3 Vs D7_14

No Sì

24

68

10

D6_4 Vs D7_14

No Sì

24

68

10

D6_5 Vs D7_14

No Sì

24

68

10

D6_6 Vs D7_14

142

No Sì

24

68

10

D6_1 Vs D7_15

No Sì

24

68

10

D6_2 Vs D7_15

No Sì

24

68

10

D6_3 Vs D7_15

No Sì

24

68

10

D6_4 Vs D7_15

No Sì

24

68

10

D6_5 Vs D7_15

No Sì

24

68

10

D6_6 Vs D7_15

No Sì

24

68

10

D6_1 Vs D7_16

No Sì

24

68

10

D6_2 Vs D7_16

No Sì

24

68

10D6_3 Vs D7_16

No Sì

24

68

10

D6_4 Vs D7_16

No Sì

24

68

10

D6_5 Vs D7_16

No Sì

24

68

10

D6_6 Vs D7_16

143

No Sì

24

68

10

D6_1 Vs D7_17

No Sì

24

68

10

D6_2 Vs D7_17

No Sì

24

68

10

D6_3 Vs D7_17

No Sì

24

68

10

D6_4 Vs D7_17

No Sì

24

68

10

D6_5 Vs D7_17

No Sì

24

68

10

D6_6 Vs D7_17

No Sì

24

68

10

D6_1 Vs D7_18

No Sì

24

68

10

D6_2 Vs D7_18

No Sì

24

68

10

D6_3 Vs D7_18

No Sì

24

68

10

D6_4 Vs D7_18

No Sì

24

68

10

D6_5 Vs D7_18

No Sì

24

68

10

D6_6 Vs D7_18

144

No Sì

24

68

10

D6_1 Vs D7_19

No Sì

24

68

10

D6_2 Vs D7_19

No Sì

24

68

10

D6_3 Vs D7_19

No Sì

24

68

10

D6_4 Vs D7_19

No Sì

24

68

10

D6_5 Vs D7_19

No Sì

24

68

10

D6_6 Vs D7_19

No Sì

24

68

10

D6_1 Vs D7_20

No Sì

24

68

10

D6_2 Vs D7_20

No Sì

24

68

10D6_3 Vs D7_20

No Sì

24

68

10

D6_4 Vs D7_20

No Sì

24

68

10

D6_5 Vs D7_20

No Sì

24

68

10

D6_6 Vs D7_20

145

No Sì

24

68

10

D6_1 Vs D7_21

No Sì

24

68

10

D6_2 Vs D7_21

No Sì

24

68

10

D6_3 Vs D7_21

No Sì

24

68

10

D6_4 Vs D7_21

No Sì

24

68

10

D6_5 Vs D7_21

No Sì

24

68

10

D6_6 Vs D7_21

No Sì

24

68

10

D6_1 Vs D7_22

No Sì

24

68

10

D6_2 Vs D7_22

No Sì

24

68

10

D6_3 Vs D7_22

No Sì

24

68

10

D6_4 Vs D7_22

No Sì

24

68

10

D6_5 Vs D7_22

No Sì

24

68

10

D6_6 Vs D7_22

146

No Sì

24

68

10

D6_1 Vs D7_23

No Sì

24

68

10

D6_2 Vs D7_23

No Sì

24

68

10

D6_3 Vs D7_23

No Sì

24

68

10

D6_4 Vs D7_23

No Sì

24

68

10

D6_5 Vs D7_23

No Sì

24

68

10

D6_6 Vs D7_23

No Sì

24

68

10

D6_1 Vs D7_24

No Sì

24

68

10

D6_2 Vs D7_24

No Sì

24

68

10D6_3 Vs D7_24

No Sì

24

68

10

D6_4 Vs D7_24

No Sì

24

68

10

D6_5 Vs D7_24

No Sì

24

68

10

D6_6 Vs D7_24

147

No Sì

24

68

10

D6_1 Vs D7_25

No Sì

24

68

10

D6_2 Vs D7_25

No Sì

24

68

10

D6_3 Vs D7_25

No Sì

24

68

10

D6_4 Vs D7_25

No Sì

24

68

10

D6_5 Vs D7_25

No Sì

24

68

10

D6_6 Vs D7_25

No Sì

24

68

10

D6_1 Vs D7_26

No Sì

24

68

10

D6_2 Vs D7_26

No Sì

24

68

10

D6_3 Vs D7_26

No Sì

24

68

10

D6_4 Vs D7_26

No Sì

24

68

10

D6_5 Vs D7_26

No Sì

24

68

10

D6_6 Vs D7_26

148

No Sì

24

68

10

D6_1 Vs D7_27

No Sì

24

68

10

D6_2 Vs D7_27

No Sì

24

68

10

D6_3 Vs D7_27

No Sì

24

68

10

D6_4 Vs D7_27

No Sì

24

68

10

D6_5 Vs D7_27

No Sì

24

68

10

D6_6 Vs D7_27

149

150

149

Elenco delle figure

1.1 Evoluzione globale del traffico trimestrale dati e voce dal 2007 al 2013 ................. 10

1.2 Tempo di utilizzo di smartphone per categoria di attività ......................................... 10

1.3 Prime 10 attività svolte dai mobile surfer in Europa (EU5). ..................................... 12

3.1 Numero totale di app scaricate per sistema operativo................................................. 23

3.2 Numero totale di app disponibili per sistema operativo ........................................... 24

3.3 Modello teorico di riferimento ................................................................................... 26

5.1 Modello di misura per il costrutto "rapporto con la tecnologia" ................................ 65

5.2 Modello di misura per il costrutto "stile di vita" ........................................................ 67

5.3 Modello di misura per i costrutti "qualità percepita delle funzionalità" e “utilità

percepita delle app” .................................................................................................. 69

5.4 Modello di misura per il costrutto "feedback" ........................................................... 70

5.5 Modello di misura per il costrutto "soddisfazione" .................................................... 72

5.6 Modello di misura globale ......................................................................................... 74

6.1 Modello strutturale globale......................................................................................... 77

150

151

Elenco delle tabelle

3.1 Composizione del campione dichiaratosi navigatore via mobile .............................. 34

3.2 Composizione del campione per sesso e stato civile ................................................ 34

3.3 Composizione del campione per sesso e titolo di studio .......................................... 34

3.4 Composizione del campione per sesso e professione ............................................... 35

3.5 Composizione del campione per fascia d’età e sistema operativo ............................ 35

3.6 Composizione del campione per fascia d’età e spesa d’acquisto dello smartphone...36

3.7 composizione del campione per fascia d’età e operatore .......................................... 36

3.8 Acquisti online (sia tramite smartphone sia con pc o notebook) per categoria

merceologica ........................................................................................................... 37

3.9 Indici di posizione e di forma per gli indicatori selezionati per l’analisi della

soddisfazione dei mobile surfer .................................................................................. 38

3.10 Risposte affermative assegnate ai diversi indicatori selezionati come basi di

segmentazione per l’audience mobile ...................................................................... 39

5.1 Pesi fattoriali con due fattori e nove variabili ........................................................... 64

5.2 Pesi fattoriali con tre fattori e dieci variabili ............................................................. 68

5.3 Pesi fattoriali con due fattori e sei variabili .............................................................. 71

6.1 Sintesi degli effetti diretti, indiretti e totali delle variabili esogene sulle

endogene...................................................................................................................78

6.2 Sintesi degli effetti diretti, indiretti e totali tra le variabili endogene ....................... 82

8.1 Distribuzione delle risposte affermative nei gruppi individuati (in percentuale) ...... 94

8.2 Riassunto delle statistiche di bontà di adattamento per i modelli a classi latenti

stimati......................................................................................................................... 96

152

8.3 Probabilità condizionate 𝑃𝑟(𝒀𝒋 = 𝑆Ì |𝒁 = 𝒛, 𝑋 = 𝑥) per i diversi indicatori ........... 97

8.4 Probabilità condizionate 𝑃𝑟(𝒀𝒋 = 𝑆Ì|𝒁 = 𝒛, 𝑋 = 𝑥) per i diversi indicatori .......... 100

155

Bibliografia

Aitkin, M., Anderson, D. & Hinde, J. [1981]. Statistical Modelling of Data on Teaching Styles.

Journal of the Royal Statistical Society, A, 144, pp. 419-461.

Akaike, H. [1974]. A New Look at the Statistical Model Identification. IEEE Transaction on

Automatic Control, 19, 6, pp. 716-723.

Baggio, R. [2010]. Recensioni online: una rassegna della ricerca scientifica. Firenze: BTO

Educational Working Papers.

Bartholomew, D.J., Steele, F., Moustaki, I. & Galbraith, J. [2002]. The Analysis and Interpretation

of Multivariate Data for Social Scientists. Chapman and Hall, London.

Bass, F. M. [1969]. A New Product Growth Model for Consumer Durables. Management Science,

15(5), pp 215-227.

Benchmark Research [2005]. Tecnologia e social sharing.

Bentler, P. M. & Bonnett, D. G. [1980]. Significance test and goodness of fit in analysis of

covariance structure. Psychological Bulletin, 88, pp 588-606.

Bentler, P. M. [1990]. Comparative fit indexes in structural models. Psychological Bulletin, Vol

107(2), 238-246.

Boaretto, A., Noci, G. & Pini, F. M. [2011]. Mobile marketing. Oltre le App… per una vera

strategia multicanale. Il Sole 24 Ore Libri (collana Marketing e comunicazione).

Gruppo24Ore, Milano.

Boomsma, A. [1983]. On the Robustness of LISREL (Maximum Likelihood Estimation) against

Small Simple Size and Nonnormality. Sociometric Research Foundation.

Bozdogan, H. [1987]. Model Selection and Akaike’s Information Criterion (AIC): The General

Theory and its Analytical Extensions. Psychometrika, 52(3), pp. 345-370.

Browne, M. W. & Cudeck, R. [1989]. Single sample cross-validation index for covariance structure.

Multivariate Behavioral Research, 24, pp. 445-455.

156

Browne, M. W. [1982]. Covariance structures. In D. M. Hawkins, ed., Topics in multivariate analysis.

Cambridge University Press, pp 72-141.

Browne, M. W., & Cudeck, R. [1993]. Alternative ways of assessing model fit. In K. A. Bollen & J.

S. Long (Eds.), Testing structural equation models. Newsbury Park, CA: Sage, pp. 136-162

Byrne, B. M. [1994]. Structural equation modeling with EQS and EQS/Windows. Thousand Oaks,

CA: Sage Publications.

Compuware [2013]. Survey Report: Mobile Apps. What Consumers Really Need and Want. A Global

Study of Consumers’ Expectations and Experiences of Mobile Applications.

Comrey, A.L. & Lee H. B. [1995], Introduzione all’analisi fattoriale. Led, Milano.

ComScore [2012]. MobiLens. Ottobre 2012.

Corbetta, P. [2002]. Metodi di analisi multivariata per le scienze sociali. Il Mulino, Bologna, 2a ed.

Dempster, A.P., Laird, N.M. & Rubin, D.B. [1977]. Maximum Likelihood from Incomplete Data via

the EM Algorithm (with Discussion). Journal of the Royal Statistical Society B, 39, pp. 1-38.

Dias, J.G. & Vermunt, J.K. [2007]. Latent Class Modelling of Website Users’ Search Patterns:

Implications for Online Market Segmentation. Journal of Retailing and Consumer Services,

14(6), pp. 359-368.

Dichter, E. [966]. How word-of-mouth advertising works. Harvard Business Review, 44(6), pp 147-

160.

Dolan, C. V. [1994]. Factor analysis of variables with 2, 3, 5, and 7 response categories: A comparison

of categorical variable estimators using simulated data.British Journal of Mathematical and

Statistical Psychology, 47, pp 309–326.

Downes, L. & Mui, C. [2000]. Unleashing the Killer App: Digital Strategies for Market Dominance.

Harvard Business School Pr.

Erickson [2013]. Erickson Mobility Report: on the pulse of the networked society. Novembre 2013.

Fabris, G. [2003]. Il nuovo consumatore: verso il postmoderno. FrancoAngeli, Milano.

Fabris, L. [1997]. Statistica multivariata. Analisi esplorativa dei dati. McGraw-Hill, Milano.

ForeSee [2013]. Mobile Satisfaction Index. Media and entertainment edition.

157

Forster, M. R. [2000]. “Key Concepts in Model Selection: Performance and Generalizability.”

Journal of Mathematical Psychology 44, pp. 205–231.

Gasparini G. [2000], La dimensione sociale del tempo, FrancoAngeli.

Gladwell, M. [2000]. Il punto critico. I grandi effetti dei piccoli cambiamenti (The Tipping Point:

How Little Things Can Make a Big Difference). Little Brown.

Godin, S. [1999]. Permission Marketing: Turning Strangers into Friends and Friends into

Customers. Simon & Schuster Ed.

Goodman, L.A. [1970]. The Multivariate Analysis of Qualitative Data: Interactions among Multiple

Classifications. Journal of the American Statistical Association 65, pp. 226–256.

Hancock, G. R. & Muller, R. O. [2006]. Structural equation modeling. A second course. Greenwich,

Connecticut: Information Age Publishing.

International Telecommunication Union [2013]. Measuring the Information Society.

Istat [2013]. Infrastrutture e trasporti, Gli spostamenti quotidiani di studenti e occupati.

J.D. Power & Associates [2011]. U.S. Wireless Smartphone Customer Satisfaction Study, Volume 1

Jöreskog, K. G. & Sörbom, D. [1988]. Lisrel 7. A guide to the program and application. Spss Inc.

Joreskog, K. G., & Sorbom, D. [1986]. ¨ LISREL VI: Analysis of linear structural relationships by

maximum likelihood and least square methods. Mooresville, IN: Scientific Software, Inc.

Kampen, J. & Swyngedouw, M. [2000]. The Ordinal Controversy Revisited. Quality and quantity.

Volume 34.

Kotler, P. [1973]. Atmosphere as a marketing tool. Journal of retailing, 49(4), pp 48-64.

Lin, T. H. & Dayton, C. M. [1997]. Model Selection Information Criteriafor Non-Nested Latent

Class Models.” Journal of Educational and Behavioral Statistics 22(3), pp. 249–264.

Lloyd, S. P. [1982] Least squares quantization in PCM. IEEE Transactions on Information Theory

28, pp. 128–137.

Mandelli, A. [1998]. Internet marketing. McGraw-Hill, Milano.

Martone, D. & Furlan, R. [2007]. Online Market Research Tecniche e metodologia delle ricerche di

mercato tramite Internet. FrancoAngeli, Milano.

158

Mehrabian, A., & Russell, J. [1974]. An approach to environmental psychology. Boston, MA: MIT

Press.

Mobile Statistics [2012]. http://www.mobilestatistics.com/mobile-statistics/

Morace, F. [2004]. Società felici. La morte del marketing post-moderno e il ritorno dei grandi valori.

Libri Scheiwiller.

Negroponte, N. [1995]. Being Digital. Vintage Books.

OECD [2012]. OCSE Broadband statistics, Dicembre 2012.

Olsson U. [1979b]. Maximum likelihood estimation of polychoric correlation coefficient.

Psycometrika, 44, pp 443-460.

Olsson, U. [1979a]. On the robustness of factor analysis against crude classification of the

observations. Multivariate Behavioral Research, 14, 481–500.

Osservatorio Mobile Internet, Content & Apps [2011]. Mobile Internet, Content & Apps: il

laboratorio della Digital Economy. Osservatori ICT e Management della School of

Management del Politecnico di Milano. http://www.osservatori.net.

Osservatorio Mobile Marketing & Service [2012]. Mobile marketing & service: finalmente

un’accelerazione. Osservatori ICT e Management della School of Management del Politecnico

di Milano. http://www.osservatori.net.

Osservatorio Mobile Marketing & Service [2013]. Mobile Marketing & Service: crederci per fare il

salto! Osservatori ICT e Management della School of Management del Politecnico di Milano.

http://www.osservatori.net.

Pace, L. e Salvan, A. [2001]. Introduzione alla statistica - II - Inferenza, verosimiglianza, modelli.

Cedam, Padova.

Peppers, D. & Rogers, M. [1997]. Enterprise One to One. Dobleday, New York.

Prandelli, E. & Verona, G. [2006]. Marketing in Rete: oltre internet verso il nuovo Marketing.

McGraw-Hill, Milano.

Raftery, A.E. [1986]. Choosing Models for Cross-Classifications. American Sociological Review,

51, 1, pp. 145-146.

159

Rust, R. T. & Oliver, R. L. [1994]. Service quality: Insight and managerial implication from the

frontier. Service Quality: New direction in theory and practice. Thousand Oaks, CA: Sage

Publications, pp. 1-19.

Schumacker RE., Lomax R.G. [2010]. A beginner's guide to structural equation modeling. London

and New York: Routledge. Third Ed.

Shapiro, C. & Varian, H. R. [1999]. Information Rules. Le regole dell'economia dell'informazione.

Traduzione a cura di Lupi P. & Manenti F.

Steiger, J. H. [1990]. Structural model evaluation and modification: An interval estimation

approach. Multivariate Behavioural Research, 25, pp. 173-180.

Steiger, J. H., & Lind, J. C. [1980]. Statistically based tests for the number of common factors.

Paper presented at the annual meeting of the Psychometric Society, Iowa City, IA.

Steiger, J. H., Shapiro, A. & Browne, M. W. [1985]. On the Multivariate Asymptotic Distribution of

Sequential Chi-Square Statistics. Psychometrika, 50, pp 253-264.

Steinbock, D. [2005]. The Mobile Revolution. The making of mobile services worldwide. London

and Sterling, VA: Kogan Page.

The Nielsen Company [2013]. The mobile consumer. A global snapshot.

Ullman, J. B. [2001]. Structural equation modeling. In B. G. Tabachnick & L. S. Fidell (2001).

Using Multivariate Statistics (4th ed; pp 653- 771). Needham Heights, MA: Allyn & Bacon.

Ward, J.H. [1963]. Hierarchical Grouping to Optimize an Objective Function. J. Am. Statist. Assoc.

58.

Wellman, B. [2001]. Computer Networks as Social Networks. Science 293, pp. 2031-2034.

Zokem Research [2011]. Zokem Mobile Media Tracker Research Framework Wins Best Paper

Award at PTC’11. http://www.zokem.com/ zokem-mobile-media-tracker-research-

framework-wins-best-paper-award-at-pct’11.

160

161

Ringraziamenti Quando ho iniziato a lavorare a questa tesi, scrivere i ringraziamenti mi sembrava un momento

così lontano. E, invece, eccolo qui. Non sempre è stato tutto semplice ma, sicuramente, l’esperienza

universitaria è stata e rimarrà unica, un’esperienza che mi ha portato a conseguire un obiettivo molto

importante, per me e per chi mi sta vicino.

Se sono arrivato fino a questo punto il merito non è esclusivamente mio. Senza il sostegno di

tutti coloro che mi sono stati accanto, ognuno a suo modo, non ce l’avrei fatta. Non è facile citare e

ringraziare in queste poche righe tutte le persone che hanno contribuito alla nascita e allo sviluppo di

questa tesi di laurea: chi con una collaborazione costante, chi con un impegno morale ed economico,

chi con suggerimenti o solo con parole di incoraggiamento.

Innanzitutto dedico un sincero e profondo ringraziamento al professor Bruno Scarpa per la sua

cordiale competenza messa a disposizione in ogni situazione critica, per i sui preziosi suggerimenti e

per tutto quello che ho avuto la possibilità di imparare in questo percorso di crescita.

Ringrazio, inoltre, i docenti del corso di laurea in Scienze statistiche dell’Università Degli Studi

di Padova per gli insegnamenti, non solo accademici, ricavati dalle loro lezioni in questi duri ma

formativi anni di vita universitaria. Ringrazio anche il personale del Dipartimento di Scienze

Statistiche per il supporto fornitomi nella fase conclusiva del lavoro di tesi.

Un grazie di cuore va alla mia famiglia che mi ha sostenuto in tutto il mio percorso universitario.

Il suo costante supporto e incoraggiamento sono stati fondamentali per permettermi di raggiungere

questo importante traguardo e dalle cui sorprendenti manifestazioni di affetto ho tratto la forza per

superare i momenti difficili e ho ritrovato gli stimoli per dedicarmi a questa tesi di laurea.

A conclusione di questo lavoro è doveroso porre i miei più sentiti ringraziamenti e tutti gli amici

che mi sono stati vicini in questi ultimi mesi e alle persone che ho avuto modo di conoscere in questo

importante periodo della mia vita e che mi hanno aiutato a crescere sia dal punto di vista intellettuale

sia dal punto di vista umano. E’ difficile in poche righe ricordare tutti coloro che, a vario titolo, hanno

contribuito a rendere migliore questo periodo.