{"id":935,"date":"2024-11-17T14:01:06","date_gmt":"2024-11-17T13:01:06","guid":{"rendered":"https:\/\/www.umana-analytics.com\/?p=935"},"modified":"2024-11-17T14:01:07","modified_gmt":"2024-11-17T13:01:07","slug":"ripensare-gli-strumenti-della-customer-satisfaction","status":"publish","type":"post","link":"https:\/\/www.umana-analytics.com\/en\/ripensare-gli-strumenti-della-customer-satisfaction\/","title":{"rendered":"Non solo neuro: ripensare gli strumenti della customer satisfaction"},"content":{"rendered":"

In questo articolo:<\/strong><\/h2>\n\n\n\n
    \n
  1. L\u2019importanza della customer satisfaction<\/a><\/li>\n\n\n\n
  2. I limiti delle misure tradizionali per lo studio della customer satisfaction<\/a><\/li>\n\n\n\n
  3. \u00a0La Conjoint Analysis per la customer satisfaction<\/a><\/li>\n\n\n\n
  4. L\u2019IAT per la customer satisfaction<\/a><\/li>\n<\/ol>\n\n\n\n

    L\u2019importanza della customer satisfaction<\/strong><\/h2>\n\n\n\n

    Lo studio del comportamento consumatore \u2013 o consumer behavior \u2013 \u00e8 una macro-area di ricerca che si focalizza sulle abitudini di scelta, di acquisto e di consumo. Sia come consumatori che come professionisti di marketing, sappiamo benissimo come le fasi che precedono il consumo o l\u2019esperienza vera e propria \u2013 come la scelta e l\u2019acquisto \u2013 siano delle fasi cruciali. <\/p>\n\n\n\n

    Queste fasi, infatti, ci aiutano a determinare e provare a prevedere il comportamento del consumatore partendo da uno studio accurato di antecedenti al comportamento, come gli atteggiamenti e le intenzioni. Non bisogna, per\u00f2, sottovalutare cosa far\u00e0 un consumatore dopo questa esperienza con il prodotto o il servizio: lascer\u00e0 una recensione positiva o negativa? Cosa lo spinge a farlo? Far\u00e0 del passaparola con i propri amici? Si far\u00e0 promotore del brand sui social? Torner\u00e0 ad acquistare in futuro o gli atteggiamenti \u2013 e quindi le intenzioni e i comportamenti \u2013 sono cambiati in seguito all\u2019acquisto? <\/p>\n\n\n\n

    \u00c8 proprio di questo che si occupa la customer satisfaction, <\/strong>che sebbene abbia ricevuto notevole interesse nello studio delle teorie di marketing gi\u00e0 negli anni \u201960 del Novecento (Giese e Cote, 2000) \u2013 nasce ufficialmente nel 1994 \u2013 con lo sviluppo, ad opera del National Quality Research Center (NQRC) dell\u2019Universit\u00e0 del Michigan, dell\u2019American Customer Satisfaction Index (ACSI), il primo e unico sistema di misurazione della soddisfazione sulla qualit\u00e0 percepita dei prodotti e dei servizi uniforme per tutti i settori di attivit\u00e0 negli Stati Uniti (Fornell et al., 1996). <\/p>\n\n\n\n

    La customer satisfaction riconosce infatti il ruolo centrale del cliente nella definizione del brand e nella ricerca che coinvolge la creazione o il miglioramento del prodotto. Lo scopo principale diventa quindi quello di incontrare le aspettative del consumatore, soddisfarle e, se possibile, anche superarle.<\/p>\n\n\n\n

    I limiti delle misure tradizionali per lo studio della customer satisfaction<\/strong><\/h2>\n\n\n\n

    Uno dei limiti principali della customer satisfaction \u00e8 strettamente legato ai limiti delle misure che vengono generalmente usate per conoscere le opinioni post-acquisto degli utenti.

    a) Un esempio su tutti, \u00e8 l\u2019effetto selezione<\/strong> (o distorsione da selezione, o selection bias) che colpisce, ad esempio, i campioni di recensioni disponibili online \u2013 come conseguenza della tendenza dei consumatori a lasciare una recensione solo se l\u2019esperienza \u00e8 stata negativa \u2013 forniscono un quadro completamente distorto dell\u2019esperienza generale.<\/p>\n\n\n\n

    b) Ma non sono solo i problemi di campionamento \u2013 ovviamente \u2013 a rendere difficile una misurazione oggettiva della soddisfazione del cliente: sappiamo ormai molto bene, ad esempio, che non siamo molto bravi a fornire spiegazioni <\/strong>a posteriori.<\/em><\/strong> O meglio, siamo molto bravi a fornire spiegazioni costruite ad hoc<\/em> affinch\u00e9 combacino con l\u2019idea che vogliamo dare di noi stessi o che pensiamo possano compiacere lo sperimentatore (o la societ\u00e0 si aspetti da noi, come nel caso del bias di desiderabilit\u00e0 sociale<\/strong>).

    A riguardo, vi consigliamo la visione di     questo esperimento<\/a> (Johansson et al., 2005).<\/p>\n\n\n\n

    Come avete visto, lo sperimentatore chiede ai partecipanti di scegliere il volto pi\u00f9 affidabile tra i due volti riportati su una coppia di carte. Dopo la scelta, per\u00f2, lo sperimentatore inverte le carte e consegna al partecipante la carta rappresentante il volto non selezionato, chiedendo di motivare la sua scelta. Non accorgendosi dello scambio, ecco che il partecipante si trover\u00e0 a motivare in maniera convincente una scelta\u2026che in realt\u00e0 non ha fatto!<\/p>\n\n\n\n

    c) Lo stesso avviene per la difficolt\u00e0 che incontriamo quando dobbiamo dare delle valutazioni assolute e non relative<\/strong>, ad esempio quando ci viene richiesto un feedback o una valutazione su un prodotto singolo. Nella realt\u00e0 dei fatti, ogni nostro confronto avviene in un contesto in cui tutti i prodotti e i servizi vengono continuamente confrontati con altri. Non si tratta sempre di altri prodotti effettivamente presenti, ad esempio, su uno scaffale, ma anche di immagini mentali come un prodotto ideale. Fare dei confronti relativi e non assoluti \u00e8 inoltre pi\u00f9 efficace a livello pratico: banalmente, pensate di dover rispondere alla domanda \u201cQuanto ti piace la pasta da 1 a 5?\u201d e poco dopo alla domanda \u201cQuanto ti piace la pizza da 1 a 5?\u201d. Difficilmente da queste due domande emerger\u00e0 una preferenza netta e si verificher\u00e0 un effetto detto \u201ceffetto tetto\u201d o \u201csoffitto\u201d. Ad esempio, entrambi i cibi vengono valutati 4 o 5, senza una differenza particolarmente significativa tra le due valutazioni. Costretti a scegliere tra pasta e pizza invece, dando quindi una valutazione assoluta<\/strong>, veniamo posti di fronte alla necessit\u00e0 di esprimere una preferenza che \u2013 seppur minima \u2013 pu\u00f2 dichiarare un prodotto vincitore sull\u2019altro. <\/p>\n\n\n\n

    d) Ancora, siamo facilmente manipolabili e condizionabili<\/strong> anche da noi stessi. Ad esempio potremmo convincerci \u2013 sempre a posteriori \u2013 che il prodotto che abbiamo acquistato sia certamente di qualit\u00e0 maggiore semplicemente perch\u00e9 lo abbiamo pagato di pi\u00f9 e non perch\u00e9 sia necessariamente cos\u00ec, solo per giustificare a noi stessi la spesa fatta.  <\/p>\n\n\n\n

    Ma com\u2019\u00e8 possibile \u2013 allora \u2013 togliere questa serie di distorsioni nell\u2019ambito della customer satisfaction? Come sappiamo, in campo degli studi di economia comportamentale e neuroeconomia, \u00e8 possibile applicare alcune tecniche e pratiche neuroscientifiche al marketing, ma non sono solo queste le risorse che \u00e8 possibile mettere in campo. Esistono infatti alcuni task comportamentali che possono fornirci le misurazioni di cui abbiamo bisogno in modo estremamente funzionale, anche se il neuromarketing fatto di strumenti non fa per te. Vediamo quali sono quelli pi\u00f9 adatti a misurare la customer satisfaction.<\/p>\n\n\n\n

    La conjoint analysis per la customer satisfaction<\/strong><\/h2>\n\n\n\n

    La conjoint analysis (o analisi congiunta) \u00e8 una tecnica di analisi statistica multivariata<\/strong> che \u2013 applicata alle ricerche di mercato \u2013 consente di misurare il valore attribuito dai consumatori alle singole caratteristiche del prodotto o del servizio che vogliamo esaminare. Un\u2019analisi multivariata \u2013 appunto \u2013  consente di prendere in considerazione l\u2019effetto e la combinazione di diverse variabili e attributi legati al prodotto (come ad esempio confezione, prezzo, struttura, ecc).<\/p>\n\n\n\n

    Con l\u2019analisi congiunta il cliente viene messo di fronte ad una serie di scenari dove vengono proposti dei prodotti o dei servizi uguali tra loro per ogni attributo, tranne uno. Presentando al cliente ogni singola possibile combinazione tra attributi e livelli, l\u2019analisi congiunta permette di estrapolare l\u2019importanza di ogni singolo attributo e l\u2019impatto che un cambiamento in quella specifica caratteristica del prodotto potrebbe avere sulla propensione all\u2019acquisto (o Willingness to Buy) del consumatore.<\/p>\n\n\n\n

    Facciamo un esempio vinicolo (che abbiamo davvero messo in pratica per un nostro cliente<\/a>): per prima cosa, scegliamo gli attributi che vogliamo valutare, ad esempio il vitigno, la regione di produzione o l\u2019etichetta. Per ogni attributo definiamo diverse varianti (o livelli, come ad esempio diverse fasce di prezzo, le diverse etichette, le diverse regioni e vitigni d\u2019interesse). Ad ogni partecipante viene richiesto di valutare una serie di bottiglie di volta in volta identiche se non per un singolo livello di un singolo attributo, indicando una scala da zero a cento la probabilit\u00e0 con la quale acquisterebbero la bottiglia presentata nella scheda. Confrontando l\u2019effetto delle singole caratteristiche sulla intenzione d\u2019acquisto (tramite, appunto, una regressione lineare multipla), possiamo generare una funzione di preferenza che ci dir\u00e0 esattamente qual \u00e8 l\u2019impatto di ogni singola caratteristica sulla decisione d\u2019acquisto.<\/p>\n\n\n\n

    Questo strumento diventa molto efficace per la customer satisfaction, proprio perch\u00e9 permette molti dei limiti che abbiamo elencato poco fa, tra cui la nostra difficolt\u00e0 nel fornire valutazioni assolute e non relative.<\/p>\n\n\n\n

    Volendo prendere un esempio classico della letteratura scientifica, lo studio di Neslin (1983) ha adottato la conjoint analysis per la progettazione di un ambulatorio sanitario, che avrebbe previsto degli specifici servizi per la popolazione del New Jersey. In particolare, bisognava indagare il livello di soddisfazione nei confronti di alcuni servizi, in modo da mettere in atto un programma di miglioramento della qualit\u00e0 generale della struttura sanitaria. La conjoint analysis viene effettuata quindi su diversi scenari ipotetici che sono poi serviti per lo sviluppo delle combinazioni di servizi ottimali per incontrare i bisogni espressi dai clienti.<\/p>\n\n\n\n

    Per cominciare, quindi, gli sperimentatori hanno condotto un focus group con alcuni membri della popolazione locale e hanno individuato alcuni punti che venivano ritenuti fondamentali dai consumatori stessi per un servizio sanitario ottimale e che sono state successivamente utilizzati per l\u2019esperimento vero e proprio:<\/p>\n\n\n\n