Un nuovo modo di vivere il beauty: analisi dell'impatto del Covid-19 sulle abitudini di acquisto

Per individuare infine il profilo dell’e-commerce ideale per i consumatori, è stata condotta una conjoint analysis, ovvero una tecnica statistica multivariata che consente di disgregare il giudizio globale espresso dai consumatori su un insieme di profili di offerta alternativi, determinando l’importanza dei singoli attributi dell’offerta. Gli attributi scelti e i loro rispettivi livelli sono stati i seguenti: assortimento (base e ampio), consegna (standard e express), assistenza e guida all’acquisto (presente e assente), brand (Sephora e Pink Panda), sconto applicato ai prodotti sul prezzo di listino (0%, 5% e 10%).
Attraverso il disegno ortogonale, sono stati quindi sottoposti ai rispondenti 8 diversi profili di offerta di un e-commerce, per valutarne la probabilità di utilizzo su una scala da 1 a 9, dove 1 sta per probabilità minima e 9 probabilità massima:
- Profilo 1: assortimento base, consegna standard, assistenza e guida all’acquisto presente, brand Sephora, sconto applicato ai prodotti 0%.
- Profilo 2: assortimento base, consegna standard, assistenza e guida all’acquisto assente, brand Pink Panda, sconto applicato ai prodotti 10%.
- Profilo 3: assortimento base, consegna express, assistenza e guida all’acquisto assente, brand Sephora, sconto applicato ai prodotti 5%.
- Profilo 4: assortimento ampio, consegna standard, assistenza e guida all’acquisto assente, brand Sephora, sconto applicato ai prodotti 0%.
- Profilo 5: assortimento base, consegna express, assistenza e guida all’acquisto presente, brand Pink panda, sconto applicato ai prodotti 0%.
- Profilo 6: assortimento ampio, consegna standard, assistenza e guida all’acquisto presente, brand Pink Panda, sconto applicato ai prodotti 5%.
- Profilo 7: assortimento ampio, consegna express, assistenza e guida all’acquisto assente, brand Pink Panda, sconto applicato ai prodotti 0%.
- Profilo 8: assortimento ampio, consegna express, assistenza e guida all’acquisto presente, brand Sephora, sconto applicato ai prodotti 10%.

Ottenute le risposte dal questionario, è stato possibile lanciare la sintassi della Conjoint su SPSS, e quindi trarne i programmi di utilità e i valori di importanza (fig. 2.94).
L’attributo più importante per i consumatori è rappresentato dallo sconto applicato ai prodotti sul prezzo di listino, seguito dall’assistenza e la guida all’acquisto, la consegna, l’assortimento e infine il brand. L’inserimento di “sconto applicato ai prodotti” ha reso possibile fare interpolazione lineare, essendo questo un attributo numerico. È stato infatti possibile calcolare il VMU, il valore economico di uno scarto di utilità, uguale al differenziale tra il livello massimo e minimo di sconto rapportato al differenziale tra il valore massimo e minimo dell’utilità relativa ai livelli di sconto: (0,1 – 0,0) / (1,099 -0,366) = 0,136. Grazie al VMU è possibile stimare il differenziale di sconto che deve essere applicato in seguito ad un peggioramento dell’offerta, per mantenere invariata l’utilità totale. Ad esempio, per poter passare da “consegna express” a “consegna standard” senza per questo diminuire l’utilità totale, andrebbe aumentato lo sconto applicato ai prodotti del 6,12% (=0,45 x 0,136).
Tuttavia, queste informazioni forniscono solo delle indicazioni piuttosto generali sulle utilità e sui valori di importanza: non sono infatti adeguate per comprendere le preferenze dei singoli cluster. Si è quindi di nuovo lanciata la sintassi della conjoint analysis, divisa questa volta per cluster, in modo da osservare i livelli di utilità e i valori di importanza assegnati ai singoli livelli discrezionali (fig. 2.95, 2.96, 2.97, 2.98).

I “faccio da me” conferiscono maggiore importanza, in ordine, all’assistenza e guida all’acquisto, allo sconto applicato ai prodotti, alla consegna, al brand ed infine all’assortimento. Da sottolineare che particolarmente esigua è quella conferita a quest’ultimo attributo.

I “toglietemi tutto ma non l’online” traggono un’utilità minore dall’ampio assortimento e dal più conosciuto brand Sephora. Conferiscono inoltre maggiore importanza allo sconto applicato ai prodotti, poi all’assistenza e guida all’acquisto, alla consegna, all’assortimento ed infine al brand. Le importanze attribuite a questi ultimi due sono decisamente inferiori rispetto ai primi tre attributi.

I “non mi serve altro” danno maggiore importanza all’assistenza e guida all’acquisto, seguita dallo sconto applicato ai prodotti, dall’assortimento, dal brand e dalla consegna. Le importanze attribuite da questo cluster risultano abbastanza omogeneamente distribuite.

I “se proprio devo” infine, come i “toglietemi tutto ma non l’online”, traggono un’utilità minore dal brand Sephora, e, diversamente da tutti, conferiscono all’assistenza e guida all’acquisto un’utilità maggiore. Come i “non mi serve altro”, i “se proprio devo” distribuiscono piuttosto equamente l’importanza tra i vari attributi, tenendo conto primariamente dell’assortimento, poi della consegna, dell’assistenza e guida all’acquisto, dello sconto applicato ai prodotti e infine del brand.

A partire dai risultati fin qui ottenuti dall’analisi congiunta, è stato possibile implementare dei modelli che simulano il processo di scelta dei potenziali consumatori, consentendo di stimare la quota degli stessi che verosimilmente sceglierebbero un particolare profilo d’offerta, descritto ovviamente dagli stessi attributi studiati nella conjoint analysis. Attraverso la simulazione del lancio di 3 nuovi profili di offerta, frutto delle considerazioni sui risultati derivanti dall’analisi congiunta, si sono quindi ottenute le quote di preferenza secondo 3 metodi: first choice, BTL e Logit. Il primo metodo è poco attendibile in quanto generalmente sovrastima le quote di preferenza, ipotizzando che ciascuna persona selezioni sicuramente il profilo di offerta che gli conferisce la più alta utilità totale, portandolo quindi a scartare un’altra che presenta un valore utilità di pochissimo inferiore. Il modello BTL è un modello di natura probabilistica: le probabilità di scelta di un profilo di offerta sono determinate dal rapporto tra il valore di utilità dello stesso e la sommatoria dei valori utilità di tutti i profili di offerta; in questo modo si tende a sottostimare la quota del profilo vincente, perché si attribuisce una probabilità di scelta anche al profilo che presenta un’utilità di molto inferiore. Il modello Logit, anch’esso di natura probabilistica, definisce le quote di preferenza come media delle probabilità soggettive di scelta di ogni profilo di offerta, ovviando quindi ai limiti dei precedenti modelli perché propone una trasformazione esponenziale dei valori delle utilità totali. I profili simulati sono stati i seguenti (da notare l’invarianza dello sconto e della consegna, scelti in base alle maggiori utilità definite da ogni cluster):
- Profilo 1: assortimento ampio, consegna express, assistenza e guida all’acquisto assente, brand Pink Panda, sconto applicato ai prodotti 10%;
- Profilo 2: assortimento base, consegna express, assistenza e guida all’acquisto assente, brand Sephora, sconto applicato ai prodotti 10%;
- Profilo 3: assortimento ampio, consegna express, assistenza e guida all’acquisto presente, brand Sephora, sconto applicato ai prodotti 10%.

Il profilo di offerta che, tramite il modello Logit, ha visto la probabilità di preferenza più alta è stato il profilo numero 3 (fig. 2.99).
Per riassumere, l’analisi congiunta ha permesso di valutare quantitativamente le utilità derivanti da alcune variabili dell’offerta di un e-commerce, e di simularne alcune alternative, utili per valutare coscientemente l’impatto delle possibili implicazioni manageriali. Svolgendola per ogni cluster è stato possibile constatare come le importanze e le stime di utilità delle caratteristiche varino tra gruppi. La simulazione ha risolto ogni dubbio: per raggiungere le preferenze della maggior parte dei consumatori è opportuno implementare un profilo di offerta che sia caratterizzato da un assortimento ampio, una consegna express, un’assistenza e guida all’acquisto, un brand noto come quello di Sephora ed uno sconto sul prezzo di listino dei prodotti rivenduti del 10%. Non ha avuto senso testare le probabilità di preferenza di ogni cluster, in quanto un e-commerce è unico, né scegliere un solo gruppo come target di riferimento, perché le precedenti analisi permettono di affermare con serenità che potenzialmente chiunque potrebbe acquistare cosmetici in un e-commerce, e perché, con le giuste accortezze esplorate nel prossimo capitolo, è possibile raggiungerli tutti.