Eliciting Preference for Complex Products: A Web-Based Upgrading Method - note sull'articolo di Park, Ding & Rao del 2008

Questa settimana il focus della mia lettura si è concentrato su il recente metodo dell’upgrading adatto per l’analisi delle preferenze dei consumatori in relazione a categorie di prodotti complessi (quali ad esempio le automobili, i cellulari, i personal computer, le macchine fotografiche digitali o comunque tutti quei prodotti con molti attributi e molti livelli) proposto da Ding, Park e Rao nel 2008.

Il metodo dell’upgrading si basa sull’analisi delle scelte effettuate dai partecipanti all’esperimento nel tentativo di migliorare la configurazione basilare di un prodotto complesso (al quale male si adatterebbe la conjoint analysis classica a causa dell’elevato numero di profili da valutare) e viene paragonato dagli autori al più classico e consolidato metodo self-explicated.

Le linee guida adottate dagli autori nella ricerca di una procedura alternativa al metodo self-explicated sono state le seguenti:

• diminuire l’impatto delle caratteristiche limitanti del metodo self-explicated, quali ad esempio l’incapacità di rilevare correttamente funzioni non lineari nell’importanza dei livelli degli attributi del prodotto e la maggiore tendenza dei partecipanti a conformarsi a criteri di accettabilità sociale

• ovviare alla mancanza di una strategia di incentivazione dei partecipanti che premi in modo differenziale l’impegno profuso da ciascuno di essi

• proporre una soluzione di facile comprensione che limiti allo stretto necessario l’impegno dei partecipanti

Il metodo dell’upgrading funziona nel seguente modo:

• a ciascuna partecipante viene fornita una configurazione di base del prodotto da valutare (ad esempio un’automobile con 5 porte, marca Renault, cilindrata 1.500 cmc, ecc…) ed una somma di denaro per potere migliorare la configurazione del prodotto (ad esempio 5.000 Euro)

• alla partecipante viene chiesto di indicare quale attributo del prodotto intende migliorare per primo (ad esempio la cilindrata) e qual è/quali sono, tra i livelli proposti, quello/i che ella intende adottare (ad esempio 2.000 e 2.500 cmc)

• alla partecipante viene chiesto di precisare quale somma di denaro è disposta a spendere per ottenere ciascuno dei livelli che intende adottare (ad esempio 1.000 Euro per 2.000 cmc e 1.500 Euro per 2.500 cmc)

• viene utilizzato un algoritmo proposto da Becker, DeGroot e Marschak (BDM) nel 1964 per definire quali attributi possono essere effettivamente migliorati ed assicurarsi che la partecipante esprima la sua reale volontà. La procedura BDM seleziona un numero casuale partendo da una distribuzione uniforme nella gamma di tutte le possibili somme di denaro espresse per un particolare livello, quindi:

a. se la somma di denaro offerta dal/la partecipante è superiore al valore casuale è possibile aggiornare l’attributo al livello prescelto

b. viceversa, se il valore estratto è superiore alla somma di denaro offerta l’attributo non può essere aggiornato a quel livello

Ciò significa che se un determinato livello (ad esempio 2.500 cmc) di un certo attributo (ad esempio cilindrata) è particolarmente desiderato dal/la partecipante questi sarà incentivato/a ad offrire una porzione più elevata del budget a sua disposizione per migliorare il prodotto in modo da aumentare le probabilità di aggiudicarsi quella caratteristica. Contrariamente, se un livello (ad esempio 2.000 cmc) di un attributo (ad esempio cilindrata) risulta essere meno desiderato (seppur alternativo ad uno più desiderato) allora la/il partecipante sarà incentivato/a ad offrire una porzione meno elevata del budget a sua disposizione per aggiudicarsi tale caratteristica

• un algoritmo sceglie in modo casuale tra i livelli che risultano migliorabili a seguito della procedura BDM quelli che verranno effettivamente inseriti nella nuova configurazione

• i 4 precedenti passaggi vengono ripetuti per tutti gli attributi del prodotto che la partecipante intende migliorare rispetto alla configurazione di base (ad esempio marca, consumi e numero di portiere)

• una partecipante sull’insieme di tutti i partecipanti viene estratta per ricevere in omaggio il prodotto finale configurato

• un modello logit di tipo gerarchico bayesiano con effetti casuali viene utilizzato per stimare l’importanza relativa degli attributi e dei livelli per ciascun/a partecipante

Rispetto al metodo self-explicated, il metodo upgrading fornisce dei risultati migliori in termini di capacità predittiva delle scelte effettuate dai partecipanti su un set di profili di prodotto indipendenti.

Alcune delle limitazioni del metodo upgrading che vengono evidenziate dagli autori sono le seguenti:

• la fornitura di un ammontare di denaro da spendere ad inizio esperimento, se da un lato consente di limitare le risorse a disposizione della partecipante, dall’altro può modificare la sensibilità al prezzo della stessa. Inoltre – aggiungo io – la partecipante potrebbe decidere di adottare una strategia di risparmio in quanto il meccanismo prevede che, in caso di vincita, ella riceva il prodotto configurato più la differenza tra una cifra definita ed il prezzo del prodotto stesso; in tal senso la partecipante potrebbe decidere di limitare le proprie azioni migliorative sul prodotto e quindi risparmiare per ricevere una somma in denaro più elevata

• il modello di analisi proposto dagli autori non tiene conto anche della sequenza di attributi migliorati, ma è molto probabile che il primo attributo che la partecipante intende migliorare è anche quello più importante

• non è ovvio quali siano i livelli meno preferiti (cioè da inserire nella configurazione basilare) per gli attributi senza un ordinamento implicito (ad esempio il colore della carrozzeria di un’automobile)

• nel metodo proposto è soltanto possibile migliorare un attributo del prodotto alla volta, mentre potrebbe essere interessante studiare le possibili interazioni tra gli attributi in modo da consentire il miglioramento di più attributi (i cosiddetti super-attributi) nella medesima azione

• anche se il metodo self-explicated rappresenta uno standard nella valutazione delle preferenze dei consumatori per prodotti complessi esistono altri metodi che presentano caratteristiche interessanti le cui performance dovrebbero essere paragonate a quelle dell’upgrading.

Bibliografia:

Young-Hoon Park, Min Ding, and Vithala R. Rao (2008) Eliciting Preference for Complex Products: A Web-Based Upgrading Method, Journal of Marketing Research, Volume 45, Number 5, October 2008.

Measuring Consumer Preferences Using Conjoint Poker - note sul paper di Toubia, Stieger, de Jong & Fueller (2009)

Riprendo a condividere alcune evidenze derivanti dal materiale che sto studiando. Oggi mi focalizzo sul conjoint poker, una tecnica proposta da Toubia, Stieger, de Jong & Fueller in un paper datato 2009:

• il problema che si pongono i ricercatori è quello del coinvolgimento dei partecipanti ad esperimenti di conjoint analysis e della misurazione dello stesso al fine di rendere più affidabili le stime delle utilità degli attributi che compongono i profili valutati; in altre parole la questione è come sia possibile misurare l'attenzione di (e di conseguenza la qualità del dato fornito da) ciascun partecipante ad esperimenti di conjoint analysis

• il Conjoint Poker da un lato utilizza incentivi per motivare la partecipazione attenta all'esperimento e dall'altro misura l'attenzione prestata da ciascun partecipante

• l'obiettivo finale è quello di ponderare la stima aggregata su tutto il campione delle utilità degli attributi alla base del disegno sperimentale con una misura di attenzione di ciascun partecipante

• la metodologia si basa sul gioco del poker classico (in inglese “Texas hol'em”) ma invece di utilizzare carte definite da 2 attributi, cioé colore (4 livelli) e numeri (13 livelli), vengono utilizzati attributi e livelli caratterizzanti il prodotto/servizio che si intende valutare

• a ciascun partecipante vengono distribuite 7 carte (di cui 5 in comune tra tutti), ciascuna descrittiva di un profilo del prodotto/servizio da valutare

• al/la partecipante viene quindi chiesto di (a) scegliere le 5 carte che compongono la mano e (b) indicare quali tra queste rappresenta il prodotto/servizio preferito, cioé quello che potrà ottenere in omaggio se (1) vincerà la mano e (2) la mano sarà quella selezionata tra tutte quelle giocate

• la strategia di gioco adottata dai partecipanti non sarà dunque quella di inserire nella mano sempre la carta preferita (in quanto ciò potrebbe portare ad una mano “debole”) e neppure quella di scegliere sempre la mano più forte (poiché questa potrebbe non contenere il profilo preferito), ma piuttosto quella di adottare un giusto equilibrio tra le due suddette alternative

• la misurazione dell'attenzione di ciascun partecipante è definita dalla percentuale di mani “dominate” scelte dal partecipante stesso, intendendo per “dominata” quella nella quale sarebbe stato possibile scegliere un'altra mano che comprenda il prodotto/servizio preferito ed ottenere una mano più forte; ad esempio, supponendo che vi sia la possibilità di giocare un poker (4 carte con lo stesso livello nello stesso attributo) oppure un full (3 carte con lo stesso livello nello stesso attributo più 2 carte con un'altro ma uguale livello nello stesso attributo) e che la carta preferita sia parte sia del poker che del full, giocare il full invece del poker rappresenta una strategia dominata

• se si ipotizza che il partecipante si comporti in modo razionale, il prodotto/servizio preferito in una mano non lo è soltanto delle altre 4 carte costituenti la mano stessa, ma anche delle carte costituenti altre mani di uguale o maggiore forza, quindi la matrice informativa può essere estesa oltre le 5 carte scelte per la mano

• utilizzando una procedura gerarchica di Bayes mediante catene di Markow e metodo Monte Carlo è possibile stimare le utilità sottostanti le scelte dei partecipanti

• i ricercatori, paragonando la radice della media del quadrato dello scarto (Root Mean Squared Error) tra le percentuali di scelta di ciascuno di 10 profili (selezionati e sottoposti a ciascun partecipante prima dell'esercizio di Conjoint Poker) e quelle stimate dal modello, concludono che, a parità di sistema di incentivazione, il metodo di ponderazione derivante dall'esperimento di Conjoint Poker restituisce un dato più attendibile rispetto alla più classica Choice-Based Conjoint ed ad alcune varianti di entrambi i metodi

Concludendo, anche se il metodo del Conjoint Poker sembra fornire una prospettiva interessante per potere aumentare la qualità delle stime nell'ambito della conjoint analysis, è possibile individuare spazio per apportare alcune migliorie al metodo stesso, in particolare per quanto riguarda:

• casi nei quali è presente eterogeneità nella struttura di preferenze espresse dal campione rispetto all'utilità di ciascuno degli attributi del prodotto/servizio da valutare

• la possibilità di efficientare i disegni sperimentali alla base del Conjoint Poker

• l'effetto derivante dalla sociabilità che potrebbe instaurarsi nel momento in cui il Conjoint Poker venga “giocato” contro altri partecipanti e non contro il computer (come è il caso in questo esperimento)

• il trattamento dei dati provenienti dai partecipanti meno attenti (fenomeno che tra l'altro è stato dimostrato in questo esperimento non essere correlato alla conoscenza delle regole del gioco stesso)

• la verifica di regole/meccanismi di gioco alternativi sulla qualità del dato derivato

Bibliografia:

Toubia, Stieger, de Jong & Fueller (2009) Measuring Consumer Preferences Using Conjoint Poker – Working Paper