Metodologie di background per il marketing di un nuovo prodotto

Premessa

In questa relazione si sostiene la necessità di pervenire ad una metodologia scientifica di progettazione di campagne di lancio di nuovi prodotti. I passi più importanti in questo nuovo procedimento sono la formulazione e il test del modello di campagna che si intende utilizzare. Per metodologia scientifica viene qui inteso la costruzione di un processo di validazione a priori dei risultati previsti.

Come si vedrà la particolare natura dell'oggetto da studiare comporta la costruzione di un DBM con caratteristiche peculiari, la messa a punto di un meta-modello di campagna di lancio e il ricorso ad opportune tecniche di misura e stima dei fenomeni.

E' noto (cfr.p.es. A. De Luca, 1995, p. 305 e segg.) che le metodologie di determinazione delle potenzialità di mercato di un prodotto possono far riferimento a indicatori, costruiti su base di semplici medie ovvero di analisi multivariate più complesse, oppure a relazioni funzionali specificate da un modello.

A titolo di esempio pensiamo alla domanda del bene più generico che si possa immaginare, la domanda di moneta (Y). Essa è esprimibile secondo una relazione funzionale con il livello del reddito(X₁) e del tasso di interesse(X₂):

Y=b₁X₁-b₂X₂

che formalizza la teoria: la domanda di moneta in termini reali aumenta al crescere del livello del reddito reale e si riduce al crescere del tasso di interesse (cfr. Dornbush, Fischer 1995, p. 125).

Le variabili X sono normalmente dette variabili indipendenti del modello, la Y variabile dipendente. Specificare un modello in sostanza vuol dire scegliere il set delle variabili indipendenti adeguate alla miglior previsione e, in primo luogo, alla miglior simulazione della realtà. Anche se sembra essere a prima vista un compito abbastanza semplice, quasi sempre modelli scarsamente predittivi hanno alla base una cattiva scelta del set. La miglior definizione di questa operazione è data da Ross Ashby (in luogo di modello egli usa l'espressione system e in luogo di realtà real machine):

"Because any real 'machine' has an infinity of variables, from wich different observers (with different aims) may reasonably make an infinity of different selections, there must first be given an observer (or experimenter); a system is then defined as any set of variables that he selects from those available on the real 'machine'. It is thus a list, nominated by the observer and is quite different in nature from the real 'machine'."

È interessante osservare che il modello (system nella citazione) per la propria naturale limitatezza è un'astrazione e non deve essere in nessun caso scambiato con ciò che accade realmente. Un semplice esempio di modello è riportato da De Luca (op. cit. p. 317 e segg.) e riguarda l'analisi di un indice di potenzialità di lettura dei periodici. La variabile dipendente Y è l'indice di vendita dei periodici con diffusione nazionale, le variabili indipendenti sono l'indice percentuale del reddito per provincia (X₁) e l'indice percentuale dei punti vendita dei periodici (X₂).
L'equazione stimata è Y=0.95X₁+0.05X₂².

Un altro esempio di modello è la previsione della propensione di acquisto di prodotti assicurativi non auto per i clienti di una compagnia di assicurazione. Questo lavoro, condotto da METIS, ha portato alla specificazione di un modello che predice la probabilità d'acquisto di una polizza non auto da parte di persone già in portafoglio. In questo caso si misura la potenzialità verso l'acquisto di nuovi prodotti ma la metodologia è trasferibile all'individuazione di un target di nuovi clienti.
Il modello usa come variabili indipendenti:gli anni dall'inizio rapporto, numero persone in famiglia con meno di 14 anni, sesso, professione indipendente, età, cilindrata dell'auto, titolo di studio. La variabile dipendente è l'aver acquistato o meno una polizza non auto.
Un ulteriore esempio di quali problemi comporti la costruzione di un adeguato modello è il lavoro svolto per la definizione di linee di trend di sviluppo degli incassi di agenzie di assicurazione a partire da rilevazioni trimestrali. Come si osserva l'essere troppo realistici qualche volta non favorisce la miglior previsione.
In tab.1 è rappresentata una funzione non lineare le cui stime sono molto vicine ai valori osservati. Nondimeno l'estrapolazione della previsione non ha nulla a che vedere con quanto stimato. Sembra la rappresentazione della traiettoria di una via di roccia in cui vengano all'improvvviso a mancare gli appigli.
Viceversa in tab.2 si rappresenta una funzione lineare che stima valori piuttosto lontani da quelli osservati e nondimeno permette l'estrapolazione di una previsione che più si confà a quanto osservato (una funzione uniformemente crescente).

TAB. 1 - Modello di simulazione non lineare trend incassi

TAB. 2 - Modello di simulazione lineare trend incassi

Nel caso particolare della costruzione di un modello adeguato alla determinazione delle potenzialità di mercato di un nuovo prodotto occorrerà tenere conto delle caratteristiche oggettive del mercato medesimo e delle strategie di promozione e lancio più opportune.

L'insieme dei due tipi di caratteristiche fornirà il set di variabili indipendenti del modello di previsione delle probabilità di successo del nuovo prodotto.
Oltre che dal set delle variabili il modello è caratterizzato dall'oggetto di osservazione e dalla prospettiva in cui viene osservato, ovvero dal livello di analisi.
Nel primo esempio, quello relativo all'elasticità della domanda rispetto al reddito ed al tasso di interesse, l'analisi verterà su serie storiche di dati di contabilità nazionale, gli oggetti osservati saranno gli anni e la prospettiva potrà essere di volta in volta, annuale o pluriennale con periodo prefissato. Di solito il periodo è determinato dal periodo di pubblicazione dei dati e da esigenze di ordine statistico: a volte è preferibile un periodo di tempo più lungo per evitare eccessive oscillazioni dovute a ragioni strutturali o congiunturali note a priori.
Nel secondo esempio, quello relativo alla previsione delle propensioni d'acquisto, l'oggetto di osservazione è costituita da polizze osservate dalla prospettiva della persona (Codice Fiscale) che le ha stipulate.
Il terzo esempio è di nuovo basato su osservazioni compiute nel tempo, ma su osservazioni ripetute per ciascuna agenzia. Il periodo è in questo caso inferiore all'anno.
Infine una precisione: pur essendo potenzialmente infinite le caratteristiche osservabili di un oggetto, non sono per gran parte comuni ad oggetti tra loro diversi. Ovvero il modello non è limitato soltanto, come sottolinea Ashby, dall'osservatore, ma anche dalla natura dell'oggetto osservato.

Il DBM

Ogni modello ha dunque alla base la definizione dell'opportuno set di variabili indipendenti. Non solo: ogni modello analizza un aspetto particolare della realtà, ha cioè un oggetto suo proprio che analizza secondo una particolare prospettiva, cioè considerando uno specifico livello di analisi. L'insieme delle variabili indipendenti utilizzabili per gli n modelli utili nelle analisi di mercato, relative a specifici oggetti, osservati ad un determinato livello di analisi costituiscono il DBM, Data Base per il Marketing. Nel caso particolare che ci concerne, l'analisi del successo potenziale di un prodotto sul mercato non implica solo l'analisi delle caratteristiche relative al suo futuro posizionamento tra prodotti analoghi preesistenti, la disponibilità di canali distributivi adeguati, l'individuazione del target potenzialmente interessato al prodotto, ma anche la messa a punto dell'opportuna campagna promozionale che tenga nel dovuto conto gli elementi predetti. Di modo che il modello che dovrà predire il successo del lancio di un prodotto dovrà comprendere tutti gli aspetti elencati. Ovvero il set delle variabili indipendenti dovrà essere estratto da ciascuno degli insiemi originati dai diversi tipi di caratteristiche elencate.

La forma dell'informazione

Dal momento che si tratta di studiare campagne di lancio per nuovi prodotti e dal momento che queste ultime sono processi compositi, che coinvolgono molti savoir faire, dalla statistica alla pubblicità, la base dei dati di riferimento risulterà altrettanto composita. Comprenderà, o almeno sarà capace di contenere, ogni sorta di documento memorizzabile su supporto magnetico: immagini, video, suoni, testi e numeri. La caratteristica del DBM è la sua ipertestualità e multimedialità. Come si sa historia magistra vitae: la memorizzazione di una campagna di lancio di un prodotto che ne comprenda tutte le componenti, dagli studi di mercato preliminari, alla campagna pubblicitaria, all'analisi delle vendite, al target teorico e al target osservato è l'utile strumento per conoscere in anticipo gli esiti di una campagna. Per arrivare a questo risultato ci troviamo di fronte la necessità di archiviare e di rendere elettronicamente accessibili l'insieme più ampio possibile di campagne, costituendo queste ultime l'unità d'analisi. La definizione di un modello teorico di campagna da testare in anticipo è infatti il modo per arrivare alla stima potenziale del successo del nuovo prodotto. Un'adeguata base dati permetterà di definire una campagna virtuale, eventualmente prendendo spunto e costruendo un mix di più campagne. La campagna virtuale sarà in seguito usata come benchmark per il modello.
L'ipertestualità e multimedialità del DBM è dunque una necessità dovuta alla natura del problema da studiare.

I contenuti

Dipendono in parte dal prodotto che si vuol promuovere, in parte da considerazioni di ordine più generale, che si riferiscono a quanto detto a proposito del modello. Non è il caso di soffermarsi qui a dettagliare liste di variabili ben note a chi si occupa di analisi di mercato (cfr. Bonifacio-Porreca, 1999). Riporto soltanto in TAB. 3 l'esito di una scelta da noi fatta per il DBM di Reale Mutua.

TAB. 3 - Esempio di DBM con variabili relative al mercato assicurativo

In questo contesto è importante sottolineare che l'analisi del successo della campagna di lancio e delle potenzialità di un nuovo prodotto implica la costruzione di un modello che ha per oggetto le campagne già realizzate. Dove cioè le campagne realizzate e le loro caratteristiche rilevanti costituiscono il record, per sua natura ipertestuale, come si è visto. Le prospettive di analisi, ovvero il livello di analisi sarà anch'esso complesso ed n-dimensionale. Ci saranno informazioni raccolte al livello delle persone, delle località di residenza, delle unità di vendita, degli strumenti usati nelle promozioni, ecc. Tutto ciò farà diventare l'oggetto specifico di studio ed il record che vi corrisponde nulla di più di un'unità logica. I veri oggetti da modellare saranno le entità fisiche che lo costituiscono. Abbiamo in sostanza in mente un meta-modello che in realtà ne contiene molti altri e che di volta in volta può operare (simulare e prevedere) vestendo i panni di ciascuno dei modelli 'fisici' che lo costituiscono.

Le tecniche

L'analisi di un modello così concepito si rifà a tecniche di analisi statistica multivariata (analisi fattoriali, discriminanti, di cluster) ed a tecniche di stima che di volta in volta varieranno tenendo conto delle misure a disposizione: dalla regressione lineare a regressioni logistiche, dalle tecniche di analisi neuronali ai modelli loglineari, e così via.
Non penso sia il caso qui di dilungarsi in questioni tecniche. Semplicemente posso ricordare che gli strumenti di Data Mining oggi sul mercato consentono un approccio sufficientemente disinvolto e laico ad ogni tipo di tecnica.

Conclusione

L'identificazione dei bisogni del consumatore e la stima delle potenzialità di successo di un nuovo prodotto non stanno tanto in una tecnica particolare, quanto nell'utilizzo di più tecniche all'interno di un processo complesso. Questo processo è mutuato dalle metodologie usate nelle scienze sociali, in particolare in economia (modelli di simulazione e previsione) e dai nuovi strumenti atti a navigare tra masse di dati di forme e contenuti diversi. Come esemplificano bene DATA WHAREHOUSE e DATA MINING anche questi ultimi non sono strumenti semplici, ma mosaici di tecniche interconnesse.

Bonifacio, F. Porreca O. 1999, Eziologia di una query: dalle esigenze di una nuova strategia di marketing al database Data Base Marketing, Milano 11-12 Marzo, Atti del convegno

De Luca, A. 1995 Le applicazioni dei metodi statistici alle analisi di mercato, F.Angeli, Milano

Dornbush, R. Fischer, S. 1995 Macroeconomia, Il Mulino, Bologna