La soddisfazione per la navigazione da smartphone.tesi.cab.unipd.it/45278/1/Bono__Marco.pdf ·...
-
Upload
hoangkhanh -
Category
Documents
-
view
214 -
download
0
Transcript of La soddisfazione per la navigazione da smartphone.tesi.cab.unipd.it/45278/1/Bono__Marco.pdf ·...
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.