IL PROCESSO DI SCELTA DEL CONSUMATORE NELL’HOME DELIVERY: IL CASO PIZZABO.IT

  • 764 views
Uploaded on

L’obiettivo principale di questa ricerca è l’analisi della dinamica concorrenziale del settore delle pizzerie di asporto. …

L’obiettivo principale di questa ricerca è l’analisi della dinamica concorrenziale del settore delle pizzerie di asporto.


In particolare è stato condotto uno studio sulla significatività e sulle modalità di impatto della piattaforma di intermediazione online PizzaBo.it sui processi decisionali di scelta.

  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
764
On Slideshare
0
From Embeds
0
Number of Embeds
1

Actions

Shares
Downloads
5
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Presentata da: Relatrice: Luca Risi Prof.ssa Elisa Montaguti Corso di laurea magistrale: Statistica Economia e Impresa Anno Accademico 2010/2011 – II sessione
  • 2. L’obiettivo principale di questa ricerca èl’analisi della dinamica concorrenziale delsettore delle pizzerie di asporto.In particolare è stato condotto uno studio sulla significatività esulle modalità di impatto della piattaforma di intermediazioneonline PizzaBo.it sui processi decisionali di scelta.
  • 3. Per raggiungere questo scopo sono stati implementati tremodelli statistici:MODELLO VAR. DIPENDENTE1) Regressione lineare Distanza dalla pizzeria multipla su dati panel2) Regressione logistica Fedeltà del consumatore3) Regressione logistica Popolarità del punto vendita
  • 4. PizzaBo.it è un innovativo sistema di ordinazione on-line di pizza adomicilio, paragonabile ad un motore di ricerca per le pizzerie d’asporto.Dall’inizio del 2009 oltre 11.000 utenti si sono registrati ed hannoacquistato tramite il sito, che attualmente coinvolge più di 50 attivitàcommerciali di Bologna e provincia.Nel mese di ottobre 2011 il servizio è stato esteso alla città di Pisa. Visitatori Giornalieri = 481 Alexa Rank in IT = 9.478 Alexa Rank in BO = 463 Google Page Rank = 1
  • 5.  Il dataset utilizzato per le analisi è costituito da 6.714 ordinazionieffettuate da 1.713 individui. L’intervallo temporale a cui le transazioni fanno riferimento va dall’1ottobre 2009 al 13 aprile 2010. Le 6.714 ordinazioni comprendono 15.358 prodotti per una spesacomplessiva di 63.929,60 € e sono state inoltrate presso 34 dellepizzerie affiliate a PizzaBo. In media ognuno dei clienti ha realizzato 3,9 acquisti nel periodo diosservazione ed il 62,1% ha compiuto più di un acquisto. Il 29,9% dei consumatori ha mostrato un tasso di fedeltà ad unapizzeria superiore all’80%.
  • 6. Il sito offre l’opportunità di valutare le possibili alternativeconfrontando simultaneamente diverse caratteristicheprecedentemente non note ai clienti oppure di non immediatareperibilità.I principali attributi utilizzabili per la scelta sono: Rating (scala da 1 a 5)  Tempo di consegna Numero di voti espressi  Costo di consegna Assortimento  Promozioni (omaggi/sconti/menù) Distanza  Orario d’apertura
  • 7. Il modello di regressione lineare per dati panel è stato implementatoutilizzando la procedura Time Series Cross Section Regression.È stata posta come dipendente la variabile Distanza del cliente dallapizzeria al fine di indagare come le informazioni messe a disposizione degliutenti del sito influenzano la scelta di una pizzeria più o meno distantedalla propria abitazione.N = 6.064 ordinazionieffettuate dai 1.063 clienti che hanno realizzato almeno due acquistiSono stati testati i modelli ad effetti casuali e ad effetti fissi ad una via.
  • 8. Statistiche di adattamento R2 SSE MSE RMSE DFE 0,594 1027,957 0,206 0,454 4997Stime dei parametri Variabili β S.E. DF Valore t Pr > |t| Intercetta 1,015 0,448 1 2,27 0,0233 Rating 0,307 0,048 1 6,37 < ,0001 Omaggi 0,152 0,024 1 6,4 < ,0001 N° ordini 0,122 0,008 1 15,4 < ,0001 Prezzi -0,288 0,051 1 -5,61 < ,0001 CS1 -0,147 0,414 1 -0,35 0,7238 CS2 0,408 0,331 1 1,23 0,2180 ...... CS1061 -0,265 0,415 1 -0,64 0,5236 CS1062 1,278 0,454 1 2,81 0,0049
  • 9. Lo scopo di questo modello è prevedere la probabilità degli individui diessere fedeli ad una pizzeria ed individuare le caratteristiche chedeterminano una maggiore fidelizzazione della clientela.La variabile dipendente Fedeltà assume valore 1 per gli utenti chehanno effettuato almeno l’80% dei loro acquisti nella stessa pizzeria evalore 0 per tutti gli altri.N = 1.063 individui che hanno effettuato almeno 2 ordiniLe variabili esplicative sono state calcolate aggregando (attraverso unamedia aritmetica semplice) i singoli record appartenenti ad ognuno deiri-acquirenti del sito.
  • 10. Statistiche di adattamento Matrice di corretta classificazione -2 Log Cox & Nagelkerke Previstilikelihood Snell R2 R2 Osservati Fedeltà % Corretti 1168 0,115 0,163 PCC = 72,25% 0 1 0 698 47 93,7% PCM = 65,66% Fedeltà 1 248 70 22,0% PRE = 19,19%Stime dei parametri Variabili β S.E. Wald DF Sig. Exp(β) Intercetta -19,43 6,01 10,47 1 0,001 0,000 Rating Rating 7,88 1,35 34,29 1 0,000 2632,706 Assortimento Assortimento 2,44 0,67 13,14 1 0,000 11,509 Menù App 0,19 0,12 2,8 1 0,094 1,214 Numero Voti 0,05 0,01 63,57 1 0,000 1,056 Tempo consegna 0,03 0,01 5,06 1 0,024 1,034 Rating * N°voti -0,01 0 60,02 1 0,000 0,986 Numero ordini -0,32 0,11 8,05 1 0,005 0,725 Somma Ore -0,68 0,14 23,18 1 0,000 0,508 Distanza Distanza -0,88 0,22 16,27 1 0,000 0,414 Prezzi Prezzi -1,78 0,56 10,17 1 0,001 0,169
  • 11. In questo modello è stata analizzata la probabilità degli utenti di scegliere negoziappartenenti a due diverse categorie, “Popolari” e “Non Popolari”, individuateattraverso una cluster analysis realizzata con il metodo delle k-medie. Variabili di segmentazione Cluster Dimensione N° ordini (std.) N° Voti 1 5 1,676 276,9 2 28 0,484 185,7 N = 6.059 transazioni effettuate da 1.641 clienti Distribuzione: Binomiale Funzione di collegamento: Logit Metodo di stima: GEE (Generalized Estimating Equations)
  • 12. Stime dei parametri GEE Wald 95% Limiti di Chi- Pr > Chi-Variabili β S.E. exp(β) confidenza quadrato quadrato Intercetta 27,683 4,372 19,114 36,252 6,33 < ,0001 1,05E+12Omaggi = 0 Omaggi = 0 1,146 0,161 0,830 1,4615 7,11 < ,0001 3,15 Omaggi = 1 0 0 0 0 . . 1,00 Costo consegnaCosto consegna 0,764 0,106 0,556 0,9724 7,19 < ,0001 2,15 Total Amount 0,025 0,008 0,010 0,0402 3,33 0,0009 1,03Rating Rating -4,598 0,960 -6,480 -2,716 -4,79 < ,0001 0,01Hours Sum Hours Sum -1,171 0,010 -1,367 -0,976 -11,74 < ,0001 0,64 Menù App -0,451 0,062 -0,572 -0,329 -7,25 < ,0001 0,31NOTA: è stata modella la probabilità dell’evento CLUSTER = ‘2 (Non Popolare) Matrice di corretta classificazione Previsti PCC = 86,12% Osservati Cluster %Corretti 1 2 PCM = 57,62% 1 1733 723 70,6% Cluster 2 118 3485 96,7% PRE = 67,25%
  • 13.  Il continuo e crescente aumento  del numero di utenti registrati (11.082 in data 23/7/2011)  del tasso di riutilizzo dei servizi offerti (72,39%)  e della frequenza di transazioni giornaliere (203,1)possono senza ombra di dubbio convalidare l’utilità del servizi offertidalla piattaforma PizzaBo.it e la loro adeguatezza ai bisogni deiconsumatori del settore. Uno dei vantaggi evidenziati è la capacità di PizzaBo di estendere il“raggio competitivo” e quindi il bacino d’utenza delle pizzerie.
  • 14.  Dai riscontri empirici spicca sopra tutte le altre la variabile Rating,che risulta significativa nello spiegare tutte e tre le variabili risposta deimodelli implementati. PizzaBo.it è anche un ottimo strumento di benchmarking chepermette di confrontare e monitorare nel tempo le peculiarità deipropri competitors diretti ed indiretti, al fine di ottimizzare al meglio lapropria offerta e le iniziative pubblicitarie e promozionali.
  • 15. Grazie dell’attenzione