Linkedin mario bencivinni daniela galati andrea steccati

  • 788 views
Uploaded on

Ricerca di Mercato: Social Network, focus su linkedin

Ricerca di Mercato: Social Network, focus su linkedin

More in: Business
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
No Downloads

Views

Total Views
788
On Slideshare
0
From Embeds
0
Number of Embeds
0

Actions

Shares
Downloads
27
Comments
0
Likes
1

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. INDICE1.  Overview   5  2.  Contesto  di  analisi   6  3.  Focus  su  Linkedin   7  4.  Metodologia  di  raccolta  dei  da<   8  5.  Ricerca  qualita<va   9  6.  Means-­‐end  chain   12  7.  Ricerca  quan<ta<va   13  8.  Variabili  socio-­‐demografiche   16  9.  Social  network  e  professione   20  10. Social  network  e  <tolo  di  studio   21  11. Età  del  campione  di  riferimento   24  12. Variabile  status   25  13. Frequenza  di  u<lizzo  dei  social  network   26  14. Strumen<  per  cercare  lavoro   27  15. Giudizio  sugli  strumen<   28   2  
  • 2. INDICE16. Conoscenza  di  Linkedin   29  18. Mo<vo  di  u<lizzo  di  Linkedin   30  19. Proposte  di  lavoro  ricevute  in  un  mese  tramite  Linkedin   31  20. Diffusione  e  percezione  del  servizio  mobile   32  21. Possesso  dell’account  premium   33  26. Mo<vazione  di  u<lizzo  dei  social  network:  analisi  discriminante   34  28. Mo<vazione  di  u<lizzo  dei  social  network:  regressione   39  29. Analisi  faXoriale   46  30. Cluster  analysis   52  31. Descrizione  dei  cluster   55  32. Regressione  lineare:  Facebook   70  33. Regressione  lineare:  Linkedin   74  34. Regressione  lineare:  TwiXer   77  35. Social  Network  ideale  vs  reali   80       3  
  • 3. INDICE30. Pun<  di  forza  e  debolezza  di  Facebook   84  31. Pun<  di  forza  e  di  debolezza  di  Linkedin   86  32. Pun<  di  forza  e  di  debolezza  di  TwiXer   88  33. Analisi  quan<ta<va:  pun<  di  forza  di  Linkedin   90  34. Analisi  quan<ta<va:  pun<  di  debolezza  di  Linkedin   92  35. Analisi  discriminante   94  36. Implicazioni  di  Marke<ng   111  37. Limi<  della  ricerca   114       4  
  • 4. OVERVIEWQuando   parliamo   di   social   network   ci   riferiamo   ad  unespressione   u<lizzata   in   ambito   anglosassone,   che  indica   una   o   più   re.   sociali.   Grazie   allavvento   di  internet  le  re.  sociali  di  <po  digitale  hanno  conosciuto  un   grande   sviluppo   e   sono   entra<   nel   quo<diano   delle  persone.  Un   social   network   è   in   grado   pertanto   di   collegare   in  molteplici   modi   le   persone   tra   di   loro,   facilitando   la  comunicazione   e   la   fruizione   dellinformazione.   Nei  social  network  si  è  potuto  assistere  alla  nuova  creazione  di  contenu<  e  valore  grazie  allagire  collabora<vo.     5  
  • 5. CONTESTO DI ANALISILa   ricerca   è   stata   condoXa   sugli   uten<   dei   social  network  concentrando  la  nostra  analisi  sugli  u<lizzatori  di   “Linkedin”:   il   social   network   “professionale”.   Lo  studio   è   stato   effeXuato   partendo   da   un’analisi  qualita<va   volta   a   far   emergere   le   caraXeris<che   e   gli  aXribu<   più   rilevan<   dell’oggeXo   di   studio.   A   tal  proposito  sono  sta<  soXopos<  a  interviste  in  profondità  cinque   soggee   par<colarmente   informa<   e   aevi  sull’uso   di   “Linkedin”.   Dai   risulta<   oXenu<   è   stato  possibile   formulare   un   ques<onario   idoneo   a   far  emergere  le  peculiarità  del  social  network  in  ques<one  e  gli  aspee  più  importan<  in  relazione  ai  social  network  più  diffusi:  “Facebook”  e  “TwiXer”.   6  
  • 6. FOCUS SU LINKEDINL’azienda  ormai  è  una  delle  realtà  più  interessan<  (e  concrete)  del  web  con  i  suoi  1800  impiega<,  di  cui  una  decina  a  Milano  (presso  la  sede   aperta   in   data   29/11/11   in   zona   Stazione   Centrale).   La   società  è  quotata  in  borsa  a  New  York  e  la  metà  dei  guadagni  li  oeene  con  le   soluzioni   per   la   ricerca   del   personale   messe   a   disposizione   dei  clien<  (in  Italia  tra  gli  altri  Star  e  Telecom),  un  35%  circa  viene  dalle  soluzioni  di  marke<ng  e,  infine,  poco  meno  di  30  milioni  di  dollari  provengono  dalle  soXoscrizioni  a  pagamento  degli  uten<.  In  Italia,  secondo  i  da<  forni<  da  Albergoni  (Senior  Sales  Manager  presso  “Linkedin  Italia”),  gli  uten<  registra<  sono  circa  due  milioni  con   una   crescita   del   107%   in   un   anno   ed,   effeevamente  l’impressione   comune   è   che   solo   in   quest’ul<mo   periodo   Linkedin  s<a   realmente   prendendo   piede   nel   nostro   paese.   “LItalia,  sos<ene   Albergoni,   è   il   secondo   per   tasso   di   crescita   in   Europa   e  l’apertura  di  un  ufficio  fisico  lo  dimostra”.   7  
  • 7. METODOLOGIA DI RACCOLTA DEI DATI•   Analisi  qualita<va:   –  5  Depth  Interviews  face  to  face  •  Analisi  quan<ta<va:     Somministrazione  di  un  ques<onario  struXurato  in  lingua  italiana  e   -  inglese:                Face  to  face  presso  l’Università  “Luigi  Bocconi”,  il  “Politecnico  di                    Milano”,  l’Università  “CaXolica  del  Sacro  Cuore”  di  Milano  e  in            Corso  Italia  (data  l’alta  concentrazione  di  lavoratori  durante  le  pause      pranzo).      On-­‐Line  tra  i  contae  personali  in  ambito  universitario;  nei  gruppi          di  “Facebook”:  “Ninja  Marketer”,  “Social  Network”,  “Web                Marke<ng”,  “e-­‐Marke<ng  Studies”,  “Web  Marke<ng  Associa<on”;        nei  gruppi  di  “Linkedin”:  “Alumni  Bocconi”  “e-­‐marke<ng  e  Social          Media  Profs”,  “e-­‐MC”,  “e-­‐Marke<ng  Associa<on”,  “Linkedin              Mobile”  e  “Ninja  Marke<ng”.   8  
  • 8. RICERCA QUALITATIVALa   ricerca   qualita<va   è   stata   effeXuata   mediante   cinque   depth   interviews   semi-­‐struXurate   dalle   quali   sono   emerse   le   seguen<   informazioni,   sulle   quali   ci   siamo  focalizza<   per   la   realizzazione   del   ques<onario.   Di   seguito   abbiamo   sinte<zzato   le  domande  e  le  risposte  più  rilevan<  oXenute  mediante  le  interviste:  1.  Qual  è  il  mo<vo  che  l’ha  spinta  ad  iscriversi  ai  social  network?   –  Per  mantenere  i  contae   –  Per  trovare  informazioni  od  opportunità  sul  mondo  del  lavoro  2.  Qual  è  stata  l’impressione  che  ha  avuto  nel  primo  periodo  di  u<lizzo?   –  Possibilità  di  nuove  conoscenze   –  Possibilità  di  avere  una  visibilità  nazionale/internazionale  3.  Qual  è  la  prima  aevità  che  svolgi  subito  dopo  aver  effeXuato  l’accesso?   –  Controllo  eventuali  richieste  di  amicizia  e/o  nuovi  contae   –  Se  ho  ricevuto  nuove  proposte  di  lavoro  4.  Ha  mai  avuto  problemi  tecnici  o  personali  durante  l’u<lizzo?   –  Spam  eccessiva   –  Profili  invasivi   9  
  • 9. RICERCA QUALITATIVACon  par<colare  riferimento  a  linkedin…  5.  Qual  è  stato  il  principale  mo<vo  che  l’ha  spinta  ad  iscriversi  a  Linkedin?   –  Mantenere  i  contae   –  Cogliere  opportunità  lavora<ve   –  Metodo  alterna<vo  ai  canali  off-­‐line  per  la  ricerca  di  un  impiego  7.  Quindi  è  per  lei  importante  avere  una  strada  alterna<va  ai  canali  off-­‐line?   –  Sì,  a  causa  della  difficoltà  odierna  nella  ricerca  di  un  impiego   –  Sì,  per  via  della  maggiore  estensione  della  rete  di  contae  che  esso  comporta  9.  Perché  ri<ene  importante  possedere  una  maggior  rete  di  contae?   –  Possibilità  di  entrare  in  contaXo  con  profili  professionali  che  lavorano  in  diversi   ambi<  lavora<vi  e  che  sono  operan<  anche  all’estero   –  Adesione  ai  gruppi  di  interesse  11.  Per  entrare  in  contaXo  con  i  profili  d’interesse  il  sito  è  sufficientemente  chiaro  e   di  semplice  u<lizzo?   –  Sì,  grazie  alla  grafica  di  chiara  e  facile  comprensione   –  StruXura  completa  e  non  complessa   10  
  • 10. RICERCA QUALITATIVA9.  Precedentemente  ha  affermato  che  il  network  in  ques<one  le  permeXe  di   entrare  in  contaXo  con  profili  professionali,  per  lei  è  quindi  importante  la   credibilità  dei  suoi  contae?   –  Sì,  per  l’oXenimento  di  informazioni  veri<ere   –  Sì  perché  nel  caso  io  ricevessi  una  reale  proposta  di  lavoro  mi  sen<rei  appagato  e   soddisfaXo  11.  Le  è  mai  capitato  di  essere  contaXato  da  profili  falsi  e/o  invasivi?   –  No,  in  quanto  l’aXenta  tutela  della  privacy  crea  un  forte  senso  di  sicurezza  13.  In  conclusione  si  ri<ene  complessivamente  soddisfaXa  dal  servizio  offerto?   –  Sì,  sopraXuXo  nel  momento  in  cui  ricevo  concrete  proposte  di  lavoro   –  Sì,  perché  mi  permeXe  di  avere  ampia  visibilità  in  un  contesto  internazionale   11  
  • 11. MEANS-END CHAIN Valori   Autos<ma   Appagamento   Serenità   terminali   Valori   Riconoscimento  strumentali   Benefici   Maggiore   Maggiore   Profili  credibili   tranquillità  psicologici   visibilità   Opportunità  di   lavoro   Semplice  u<lizzo   Mantenere  i  contae   Benefici   Semplificazione   funzionali   ricerca  impiego   Informazioni   Estensione  rete   veri<ere   Maggiore  sicurezza   contae   del  sito   AXribu<   astrae  e   Professionalità   Forte  tutela   Grafica  chiara   Alterna<vità   concre<   del  sito   della  privacy   12  
  • 12. RICERCA QUANTITATIVAAl   fine   di   oXenere   i   da<   necessari   per   svolgere   la   nostra   analisi,   abbiamo  somministrato  un  ques<onario  struXurato  composto  da  22  domande  a  217  individui  di  età  compresa  tra  i  16  e  i  58  anni  aXraverso  la  modalità  dell’auto-­‐compilazione.  Il  suddeXo  ques<onario  è  stato  così  suddiviso:  1.  Informazioni  sulle  abitudini  di  u<lizzo  dei  social  network:    Dopo  una  domanda  di  screening  che  ci  ha  consen<to  di  individuare  gli  u<lizzatori  dei  tre  social        network  abbiamo  rilevato:   –  Mo<vo  di  u<lizzo   –  Frequenza  di  u<lizzo   –  Modalità  di  ricerca  di  un  nuovo  impiego  2.  Informazioni  specifiche  su  “Linkedin”:   –  Modalità  di  contaXo   –  Mo<vo  di  u<lizzo   –  Numerosità  dei  feedback  lavora<vi   –  U<lizzo  dell’applicazione  Mobile   –  Pun<  di  forza  e  di  debolezza   –  U<lizzo  dell’account  Premium   13  
  • 13. RICERCA QUANTITATIVA3.  Valutazioni  di  importanza  sugli  aXribu<  e  Customer  Sa<sfac<on:   –  Individua<   12   Items   emersi   come   rilevan<   dall’analisi   qualita<va,   è   stato  chiesto  all’intervistato  di  aXribuirne  un  giudizio  di  importanza   su   una   scala   da   1   a   9   (1-­‐3   Poco   Importante,   4-­‐6   Abbastanza   importante  e  7-­‐9  Molto  Importante).   –  All’intervistato   viene   inoltre   richiesto   di   aXribuire   una   valutazione   di   soddisfazione   rela<vamente   ai   tre   social   network   presi   in   considerazione   (“Facebook”   Linkedin”   e   “Twi5er”)   in   merito   ai   12   items   considera<   precedentemente   e   un   giudizio   sinte<co   sulla   soddisfazione  globale  dei  social  network.   –  Infine   i   12   Items   sono   sta<   u<lizza<   per   ricavare   un   giudizio   sulle   caraXeris<che  ricercate  in  un  profilo  di  social  network  ideale.   14  
  • 14. RICERCA QUANTITATIVA4.  Informazioni  Socio-­‐demografiche:   –  Sesso   –  Età   –  Professione   –  Titolo  di  studio   –  Status  sociale  (verificato  mediante  il  possesso  di   determina<  beni  in  ambito  domes<co)   –  Provincia  di  residenza   15  
  • 15. VARIABILI SOCIO-DEMOGRAFICHE SESSO$•  Sesso   –  Maschi:  126  (58,1%)   –  Femmine:  91  (41,9%)   41,90% Maschi Femmine –  Totale  risposte  valide:  217   58,10% ETA%DEL%CAMPIONE% 1,40%& 2,30%& 0,50%& 5,10%& Per  quanto  riguarda  i  social  network   2,30%& 4,60%& 16,20&ANNI& 21,25&ANNI& in   generale   la   fascia   d’età   più   26,30&ANNI& numerosa   risulta   essere   quella   tra   i   24%& 31,35&ANNI& 36,40&ANNI& 21   e   i   25   anni   (59,9%)   seguita   dalla   59,90%& 41,45&ANNI& fascia   26-­‐30   anni   (24%).   La   meno   46,50&ANNI& 56,60&ANNI& numerosa  invece  va  dai  56-­‐60  anni.   16  
  • 16. FACEBOOKSulla   totalità   del   campione   è   stato   verificato   che   l’88%   degli  intervista<   u<lizza   facebook   e   il   12%   non   lo   u<lizza.   Con  riferimento   alle   classi   d’età   il   59,9%   degli   u<lizzatori  appar<ene   alla   fascia   d’età   21-­‐25   anni   e   il   24%   appar<ene   alla  fascia   26-­‐30.   Per   pra<cità   analizziamo   nel   deXaglio   solo  queste  due  classi  che  congiuntamente  rappresentano  l’83,9%  delle  informazioni.  Fascia  21-­‐25:  il  91,5%  u<lizza  Facebook,  l’8,5%  non  lo  u<lizza.  Fascia  26-­‐30:  l’86,5%  u<lizza  Facebook,  il  13,5%  non  lo  u<lizza.   17  
  • 17. LINKEDIN•  È   stato   verificato   che   il   62,2%   degli   intervista<   u<lizza   Linkedin   e   il   37,8%   non   lo   u<lizza.   Le   classi   numericamente   più   rilevan<   u<lizzano   il   social   network   con   le   seguen<   percentuali:   –  Fascia  21-­‐25:  il  56,2%  u<lizza  Linkedin,  il  43,8%  non  lo  u<lizza.   –  Fascia  26-­‐30:  il  75%  u<lizza  Linkedin,  il  25%  non  lo  u<lizza.  •  È  opportuno  soXolineare  come  al  crescere  della  fascia  d’età   aumen<  la  percentuale  di  u<lizzatori  all’interno  della  classe,   seppur  risul<no  essere  meno  numerose.   –  Fascia   31-­‐35:   il   90%   u<lizza   Linkedin,   il   10%   non   lo   u<lizza   (10   osservazioni).   –  Fascia  36-­‐40:  il  100%  u<lizza  Linkedin  (5  osservazioni).   –  Fascia  46-­‐50:  il  100%  u<lizza  Linkedin  (5  osservazioni).     18  
  • 18. TWITTER•  È   stato   verificato   che   il   30,4%   degli   intervista<   u<lizza   TwiXer   e   il   69,6%   non   lo   u<lizza.   Le   classi   numericamente   più   rilevan<   u<lizzano   il   social   network   con   le   seguen<   percentuali:   –  Fascia  21-­‐25:  il  28,5%  u<lizza  Linkedin,  il  71,5%  non  lo  u<lizza.   –  Fascia  26-­‐30:  il  40,4%  u<lizza  Linkedin,  il  59,6%  non  lo  u<lizza.   SINTESI Dall’analisi   emerge   quindi   che   il   social   network   più   diffuso   è   Facebook   seguito   da   Linkedin   e   TwiXer.   TuXavia   è   u<le   osservare   come  la  percentuale  degli  u<lizzatori  di  Linkedin  aumen<  al  crescere   dell’età   (fenomeno   che   conferma   la   specificità   del   social   network   riguardante   l’inserimento   nel   mondo   lavora<vo   o   le   opportunità   ad   esso  connesse).   19  
  • 19. SOCIAL NETWORK vs PROFESSIONEPer   quanto   riguarda   i   da<   aggrega<  no<amo   che   il   numero   di   u<lizzatori  di   Facebook   presenta   dei   valori  eleva<   per   quanto   riguarda   gli  studen<  o  gli  impiega<.  Le   altre   professioni   presentano   una  percentuale   di   osservazioni   scarse  che   rendono   impossibile   un’analisi  s t a < s < c a m e n t e   s i g n i fi c a < v a .  TuXavia,   con   riferimento   a   Linkedin,  si  osserva  che  per  le   Facebook   Linkedin   TwiHer  professioni  più       Sì   No   Sì   No   Sì   No  qualificate  la   Impiegato   84,60%  15,40%   75%   25%   34,60%  65,40%  percentuale  di  u<lizzo   Studente   93,20%   6,80%       57,30%  42,70%       28,20%  71,80%   Facebook   Linkedin   TwiHer  si  aXesta  al  1  00%.     Sì   No   Sì   No   Sì   No   Dirigente                                                   0,5%   0   100%   100%   0   0   100%   Doc.  Universitario                   0,5%   100%   0   100%   0   0   100%   Imprenditore                                   0,9%   0   100%   100%   0   100%   0   Libero  professionista         5,1%   9,10%   90,90%       90,90%   9,10%       45,50%   54,50%   20  
  • 20. SOCIAL NETWORK vs TITOLO DI STUDIO 21  
  • 21. SOCIAL NETWORK vs TITOLO DI STUDIO DIPLOMATI   FACEBOOK( LINKEDIN TWITTER&17,60% 14,70% 29,40% USANOFACEBOOK USANOLINKEDIN USANOTWITTER NONUSANOFACEBOOK NONUSANOLINKEDIN NONUSANOTWITTER 70,60% 82,40% 85,30% LAUREATI  DI  1°  LIVELLO   FACEBOOK( LINKEDIN TWITTER& 7,10%& 36,70%& 32,70% USANO&FACEBOOK& USANO&LINKEDIN& USANOTWITTER NON&USANO&FACEBOOK& NON&USANO&LINKEDIN& NONUSANOTWITTER 63,30%& 67,30% 92,90%& 22  
  • 22. SOCIAL NETWORK vs TITOLO DI STUDIO LAUREATI  DI  2°  LIVELLO   FACEBOOK( LINKEDIN TWITTER&13,60% 18,20%& 22,70%& USANOFACEBOOK USANO&LINKEDIN& USANO&TWITTER& NONUSANOFACEBOOK NON&USANO&LINKEDIN& NON&USANO&TWITTER& 86,40% 81,80%& 77,30%& LAUREA  SUPERIORE   FACEBOOK( LINKEDIN TWITTER& 5,90% 29,40%& USANOFACEBOOK USANO$LINKEDIN$ USANO&TWITTER& NONUSANOFACEBOOK NON$USANO$LINKEDIN$ NON&USANO&TWITTER& 70,60%& 94,10% 100%$ 23  
  • 23. ETA’ DEL CAMPIONE DI RIFERIMENTOLa  fascia  d’età  più  numerosa  risulta  essere  quella  compresa  tra  i  21  e  i  25  anni  (53,9%)  e  quella  tra  i  26  e  i  30  anni  (24%)  con  un  peso  aggregato  sul  totale  del  campione  del  77,9%.   ETA%DEL%CAMPIONE% 1,40%& 2,30%& 0,50%& 5,10%& 2,30%& 16,20&ANNI& 4,60%& 21,25&ANNI& 26,30&ANNI& 24%& 31,35&ANNI& 36,40&ANNI& 59,90%& 41,45&ANNI& 46,50&ANNI& 56,60&ANNI& 24  
  • 24. CAMPIONE DI RIFERIMENTO: VARIABILE STATUSAbbiamo  aXribuito  al  possesso  di  un  oggeXo  di  status  un  valore  pari  a  uno,  lo  status  sociale  è  dato  da:  STATUS=  Σ  n°  oggee  possedu<.    Sulla   totalità   del   campione   la   media   e   la   deviazione   standard   della   variabile   STATUS   sono  μ=3,36  e  σ=2,141.  Mediana=3.  La  suddeXa  distribuzione  è  asimmetrica  verso  sinistra  in  quanto  si  rilevano  più  osservazioni  di  soggee  con  uno  status  <  3  rispeXo  alle  persone  che  hanno  uno  status  maggiore.  Prendendo  in  considerazione  gli  u<lizzatori  di  Linkedin  si  osserva  che  la  media  e  la  deviazione  standard  si  aXestano  a  μ=3,53  e  σ=2,065.  Mediana=3.  La  media  è  leggermente  maggiore  e  la  distribuzione   è   asimmetrica   a   sinistra   in   quanto   anche   in   questo   caso   la   maggioranza   dei  soggee  hanno  uno  status  <  3  rispeXo  a  quelli  che  hanno  uno  status  maggiore.   μ"TOTALE"CAMPIONE 3,36 μ"UTILIZZATORI"LINKEDIN 3,53 σ"TOTALE"CAMPIONE 2,141 σ"UTILIZZATORI"LINKEDIN 2,065 25  
  • 25. CAMPIONE DI RIFERIMENTO: FREQUENZA DI UTILIZZO SOCIAL NETWORKAbbiamo  riclassificato  la  variabile  “frequenza  di  u<lizzo  social  network”  con  i  seguen<  valori:  ogni  giorno=1,  più  di  una  volta  a  seemana=2,  meno  di  una  volta  a  seemana=3  e  meno  di  una  volta  al  mese=4.  Abbiamo  considerato  l’intervallo  1-­‐4  come  una  variabile  numerica  con<nua  e  poi   abbiamo   calcolato   media   e   deviazione   standard   in   riferimento   all’u<lizzo   di   tue   e   tre   i  social  network  oXenendo  i  seguen<  risulta<:   FACEBOOK LINKEDIN TWITTER μ 1,19 2,21 2,54 σ 0,461 0,961 1,138Dalla   tabella   emerge   che   Facebook   è   mediamente   u<lizzato   ogni   giorno   (in   quanto   1,19   è  approssimabile  a  1),  Linkedin  viene  u<lizzato  mediamente  più  di  una  volta  a  seemana  (2,21  approssimabile  a  2)  mentre  TwiXer  presenta  un  valore  vicino  alla  media  tra  l’u<lizzo  del  social  network   più   di   una   volta   a   seemana   e   meno   di   una   volta   a   seemana.   Su   TwiXer   è  importante   notare   che   la   deviazione   standard   presenta   il   valore   maggiore   dei   tre   quindi   la  variabilità   delle   risposte   è   superiore   rispeXo   all’u<lizzo   degli   altri   social   network.   Inoltre   la  distribuzione   di   TwiXer   è   asimmetrica   a   destra.   Mediana=3   e   Media=2,54.   Questo   significa  che  ci  sono  più  soggee  che  lo  u<lizzano  raramente  rispeXo  a  coloro  i  quali  lo  u<lizzano  più  frequentemente.   26  
  • 26. CAMPIONE DI RIFERIMENTO: QUALI STRUMENTI VENGONO UTILIZZATI PER TROVARE LAVORO CANALI&OFF)LINE& KIJIJI$ TROVA&LAVORO& 20,30%& 24,40%& UTILIZZANOCANALIOFF5 UTILIZZANO&TROVA&43,80% LINE UTILIZZANO&KIJIJI& LAVORO& 56,20% NONUTILIZZANOCANALI NON&UTILIZZANO&KIJIJI& NON&UTILIZZANO&TROVA& OFF5LINE LAVORO& 79,70%& 75,60%& LINKEDIN GAZZETTA&DEL&LAVORO& MONSTER( 14,70% 35,50% UTILIZZANOLINKEDIN UTILIZZANOGAZZETTA 29,50% UTILIZZANOMONSTER DELLAVORO NONUTILIZZANO NONUTILIZZANO NONUTILIZZANO 64,50% LINKEDIN GAZZETTADELLAVORO MONSTER 70,50% 85,30%Dall’analisi   si   può   notare   che   i   metodi   di   ricerca   impiego   che   presentano   una   percentuale  maggiore   sono   i   CANALI   OFF-­‐LINE   e   LINKEDIN.   Tale   risultato   è   in   linea   con   l’immagine   di  alterna<vità  tra  i  due  canali  emersa  durante  le  interviste  effeXuate  .     27  
  • 27. CAMPIONE DI RIFERIMENTO: COME SONO GIUDICATI I SERVIZI OFFERTI DAGLI STRUMENTI IN QUESTIONE μ σ La   distribuzione   delle   valutazioni   sui   canali   off-­‐line   è  CANALI(OFF+LINE 5,71 2,24 asimmetrica   a   destra   ossia   sono   presen<   più  KIJIJI 4,15 2,048 valutazioni   migliori   rispeXo   ai   giudizi   bassi,   così   come   per   quanto   riguarda   i   giudizi   sul   trova   lavoro   e   su  TROVA(LAVORO 4,38 2,116 Monster.   La   distribuzione   dei   giudizi   su   Linkedin   (che  LINKEDIN 6,12 1,977 presenta   la   media   maggiore   e   uno   scarto   minore  GAZZETTA(DEL(LAVORO 4,04 2,027 rispeXo   agli   altri   metodi   di   ricerca   di   un   impiego)   è  MONSTER 5,21 2,28 molto  asimmetrica  a  destra.   Ra<ng  in  ordine  di  preferenza:   1.  LINKEDIN   2.  CANALI  OFF-­‐LINE   3.  MONSTER   4.  TROVA  LAVORO   5.  KIJIJI   6.  GAZZETTA  DEL  LAVORO   28  
  • 28. CAMPIONE DI RIFERIMENTO: CONOSCENZA DI LINKEDIN DA#AMICI/FAMILIARI# DA#SCUOLE/UNIVERSITA# MASS$MEDIA(TRADIZIONALI( 3,70%& 16,60%& 35,90% SI SI& SI& NO NO& NO& 64,10% 83,40%& 96,30%& SU#INTERNET# DA#DATORI#DI#LAVORO/COLLEGHI# 12%$ 32,70% SI SI$ NO NO$ 67,30% 88%$ Come  evidenziato  dai  risulta<  oXenu<  la  promozione  di  Linkedin  risulta  efficace  per  quanto   riguarda   internet   e   il   passaparola   (valori   superiori   al   30%)   mentre   le   scuole,   le   università,   i   datori   di   lavoro   e   i   colleghi   rivestono   un   ruolo   marginale   (valori   compresi   tra   12%   e   16,6%)   mentre  il  canale  dei  mass-­‐media  tradizionali  non  risulta  sfruXato  dall’azienda  in  quanto  solo  il   3,7%  degli  intervista<  ha  dichiarato  di  esserne  venuto  a  conoscenza  grazie  a  essi.   29  
  • 29. CAMPIONE DI RIFERIMENTO: MOTIVO DI UTILIZZO DI LINKEDINSi   osserva   che   il   mo<vo   principale   di   u<lizzo   di   Linkedin   risulta   essere   il   mantenere   le  relazioni   in   ambito   lavora<vo   con   una   percentuale   superiore   al   58%.   La   seconda  mo<vazione  in  ordine  di  importanza  è  per  trovare  nuove  opportunità  di  lavoro  (54,4%).  Per   mantenere   i   contae   ricopre   un   ruolo   marginale   se  paragonato   alle   prime   due   scelte   degli   intervista<   infae   si   PER$MANTENERE$LE$RELAZIONI$IN$ AMBITO$LAVORATIVO$aXesta   al   12,9%.   Tra   gli   uten<   che   hanno   indicato   “Altro”   le  risposte   più   interessan<   sono:   “per   raccogliere   informazioni”,  “ho  scelto  di  iscrivermi  perché  può  essere  un  opportunità  come   41,90% SIunaltra,   ma   è   una   cosa   che   non   ritengo   funzionale   e   non   credo   58,10% NOpossa  portare  a  veri  risulta<”  e  “per  i  gruppi”.   PER$TROVARE$NUOVE$ PER$MANTENERE$I$CONTATTI$ ALTRO& OPPORTUNITA$DI$LAVORO$ 12,90% 5,10%& SI SI& 45,60%& SI& NO NO& 54,40%& NO& 87,10% 94,90%& 30  
  • 30. CAMPIONE DI RIFERIMENTO: QUANTE PROPOSTE HANNO RICEVUTO IN UN MESE ATTRAVERSO LINKEDINAbbiamo   trasformato   le   variabili   in   oggeXo   in   un   segmento   Non  considerando  i  missing  values  si  con<nuo  così  composto:  1  =  0  proposte,  2  =  1  o  2  proposte,   oeene  una  distribuzione  così  formata:  3  =  3  o  4  proposte  e  4  =  più  di  4  proposte.    Abbiamo   oXenuto   151   risposte   in   merito   alla   suddeXa   QUANTEPROPOSTEDILAVOROHAinformazione   e   abbiamo   rilevato   66   missing   values.   Le   risposte   RICEVUTO?osservate   presentano:   media   =   1,58   (il   campione   dichiara   di   aver   5,30% 3,30%ricevuto   mediamente   un   ammontare   di   proposte   pari   a   zero,   una   o   0PROPOSTEal  massimo  due  offerte  di  impiego);  e  σ  =  0,743.  La  distribuzione  è   DA1A2PROPOSTEfortemente   asimmetrica   a   sinistra   ossia   mol<   soggee   non   hanno   37,70% 53,60% DA3A4PROPOSTEricevuto  proposte  rispeXo  a  coloro  i  quali  ne  hanno  ricevute.   PIUDI4PROPOSTE PERSONECHEHANNO EFFETTIVAMENTETROVATOLAVORO GRAZIEALINKEDIN Escludendo   i   soggee   che   hanno   risposto   nega<vamente   18,65% alla   precedente   domanda   (0   offerte   di   impiego   ricevute)   SI abbiamo   s<mato   quante   persone   hanno   effeevamente   81,40% NO trovato  lavoro  dopo  le  proposte  ricevute  grazie  a  Linkedin:   31  
  • 31. CAMPIONE DI RIFERIMENTO: DIFFUSIONE E PERCEZIONE DEL SERVIZIO MOBILEAbbiamo   riscontrato   che   il   25,3%   degli   u<lizzatori   di   PERSONECHEUTILIZZANOLinkedin   possiede   anche   l’applicazione   mobile.   Il   LAPPLICAZIONEMOBILEgiudizio,   espresso   su   una   scala   da   1   a   9,   risulta   avere  media   =   5,03   ossia   si   reputano   abbastanza   soddisfae.  Lo  scarto  quadra<co  e  pari  a  σ  =  1,899.  Il  restante  74,7%   25,30% SIdegli  intervista<  non  possiede  l’applicazione  mobile.     NOCiononostante  il  16,1%  di  chi  dichiara  di  non  possedere   74,70%l’applicazione  la  giudica  ugualmente.  La  media  risultante  da   queste   valutazioni   è   4   (ossia   inferiore   rispeXo   al  valore  precedentemente  iden<ficato).   PERSONECHENONPOSSIEDONOCon  riferimento  a  questo  16,1%,  il  69%  di  essi  dichiara  di   LAPPLICAZIONEMOBILEMALApossedere  oggee  quali  smartphone  oppure  I-­‐pad  quindi   GIUDICANOUGUALMENTEpossiamo   supporre   che,   essendo   in   possesso   di  disposi<vi   mobile   abbiano   posseduto   l’applicazione   di  Linkedin   ma,   giudicandola   nega<vamente,   abbiano   31%$ POSSIEDONO$DISPOSITIVI$smesso   di   u<lizzarla   dopo   un   periodo   di   prova   a   causa   MOBILI$dell’insufficiente   soddisfazione   legata   alla   scarsa   69%$ NON$POSSIEDONO$ DISPOSITIVI$MOBILI$funzionalità  percepita.  Il  restante  31%  la  giudica  pur  non  essendo  in  possesso  di  disposi<vi  mobili.   32  
  • 32. CAMPIONE DI RIFERIMENTO: POSSESSO DELL’ACCOUNT PREMIUM All’interno  del  campione  analizzato  abbiamo  oXenuto  179  risposte  e  38  missing  values.  Per   quanto  riguarda  le  osservazioni  valide  si  riscontra  la  seguente  distribuzione:   POSSESSORIDELLACCOUNT PREMIUM 2,20%% SI% NO% 97,20%% 33  
  • 33. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORKAbbiamo  chiesto  ai  nostri  intervista<  di  rispondere  ad  una  domanda  struXurata  rela<va  al  mo<vo  che  li  spinge  all’u<lizzo  dei  diversi  Social  Network.  Si  rilevano  436  osservazioni  valide  e  in  un  solo  caso  viene  riscontrato  almeno  una  variabile  discriminante  mancante   Analysis/Case/Processing/Summary Unweighted/Cases N PercentValid 436 67Excluded Missing/or/out3of3range/group/codes 0 0 At/least/one/missing/discriminating/variable 1 0,2 Both/missing/or/out3of3range/group/codes/and/at/least/one/missing/discriminating/variable 214 32,9 Total 215 33Total 651 100 Il  potere  discriminante  delle  variabili   TestsofEqualityofGroupMeans esplica<ve  segue  l’ordine  (dal  più   WilksLambda F df1 df2 Sig. importante  al  meno  importante)  Nuove_Conoscenze_FB 0,954 10,44 2 433 0 secondo  il  valore  di  F.  Tanto  più  è  Mantenere_Contatti_FB 0,531 191,289 2 433 0 elevato  F  tanto  più  discriminan<  sono  Informarti_FB 0,921 18,513 2 433 0 gli  item,  abbiamo  evidenziato  in  giallo  Opportunità_Lavoro_FB 0,467 246,803 2 433 0 le  due  variabili  maggiormente   discriminan<.   34  
  • 34. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK Eigenvalues(b) Function Eigenvalue %/of/Variance Cumulative/% Canonical/Correlation 1 1,890a 70,9 70,9 0,809 2 ,776a 29,1 100 0,661Si  nota  come  le  prime  due  funzioni  discriminan<  risul<no  più  che  sufficien<  per  l’analisi  in  quanto  se  considerate  congiuntamente  permeXono  di  spiegare  il  100%  della  varianza  dei  gruppi.   Wilks%Lambda Test%of%Function(s) Wilks%Lambda Chi:square df Sig. 1"through"2 0,195 705,694 8 0 2 0,563 247,786 3 0Il  P-­‐value  pari  a  zero  che  emerge  aXraverso  il  test  Lambda  di  Wilks  conferma  che  le  variabili  in  ques<one  sono  significa<ve.   35  
  • 35. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK Functions9at9Group9Centroids I   valori   espressi   dalla   tabella   riportata   esprimono   i   punteggi   Function standardizza<   e   le   coordinate   sulla   mappa   di   posizionamento  Brand 1 2 dei   brand   (valori   presi   dalle   funzioni   dei   baricentri   dei   gruppi)  FACEBOOK #1,109 0,918 rispeXo   alle   funzioni   lineari   discriminan<.   La   mappa   di  LINKEDIN 1,689 #0,226 posizionamento   viene   costruita   u<lizzando   i   punteggi,   rispeXo  TWITTER #0,33 #1,87 alle  prime  due  funzioni  discriminan<  degli  aXribu<  (dato  preso  Unstandardized5canonical5discriminant5 dalla  matrice  di  struXura  e  degli  oggee).   functions5evaluated5at5group5meansLa  matrice  di  struXura  ruotata   Matrice*di*struttura*ruotataindica  i  coefficien<  di   Funzionecorrelazione  tra  i  valori  della   * 1 2variabile  e  fra  i  valori  delle   Opportunità*di*Lavoro 0,853 0,02funzioni  discriminan<.  Il  potere   Mantenere*Contatti 80,167 0,809discriminante  della  variabile  è   Informarti 80,118 80,303direXamente  proporzionale  alla   Nuove*Conoscenze 0,156 0,19grandezza  (in  valore  assoluto)  del  valore  della  correlazione.  Abbiamo  evidenziato  i  due  risulta<  più  significa<vi.   36  
  • 36. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK 37  
  • 37. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK 38  
  • 38. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORKCome   si   evince   dalla   Mappa   di   Posizionamento   i   tre   social   network   sono   percepi<   come  piaXaforme  che  offrono  un  diverso  servizio  e  hanno  un  diverso  <po  di  potenziale:    FACEBOOK:   Si   posiziona   nel   quadrante   in   cui   si   collocano   i   Social   Network   con   un   alto      potenziale  sociale;  anali<camente  è  percepito  come  il  miglior  Social  da  poter  u<lizzare    per  mantenere  i  propri  conta>.    LINKEDIN:   Si   posiziona   nel   quadrante   in   cui   si   collocano   i   Social   Network   con   un   alto       potenziale   lavora?vo   (e   risulta   avere   anche   un   discreto   potenziale   informa?vo);     anali<camente   risulta   essere   percepito   come   il   miglior   Social   da   poter   sfruXare   per    cogliere  opportunità  nel  mondo  del  lavoro  e  per  fare  nuove  conoscenze.    TWITTER:   Si   posiziona   nel   quadrante   in   cui   si   collocano   i   Social   Network   con   un   alto     potenziale   informa?vo;   anali<camente   è   percepito   come   il   miglior   Social   da   poter    u<lizzare  per  tenersi  informa?  (seguito  da  Facebook).   39  
  • 39. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK: REGRESSIONE LINEARE FACEBOOKIn  seguito  alla  domanda  volta  a  far  emergere  le  mo<vazioni  che  spingono  gli  uten<  all’u<lizzo  dei  diversi   Social   Network   (che   prevedeva   come   risposte:   u?lizzo   il   social   network   in   ques?one   per  mantenere  i  miei  conta>,  per  fare  nuove  conoscenze,  per  cogliere  opportunità  nel  mondo  del  lavoro  e   per   tenermi   informato)   abbiamo   infine   chiesto   di   dare   un   giudizio   sulla   soddisfazione   globale  verso  il  social  network.  L’analisi   di   regressione   lineare   serve   ad   individuare   la   relazione   esistente   tra   una   variabile  dipendente  (variabile  obieXvo,  nel  nostro  caso  soddisfazione  globale  verso  il  Social  Network)  e  un  insieme  di  variabili  indipenden<  (variabili  esplica.ve).  Abbiamo   u<lizzato   la   tecnica   Stepwise   in   quanto   consente   di   oXenere   output   molto   precisi   dal  momento  che  alterna  automa<camente  e  nel  modo  più  opportuno  passi  forward  e  passi  backward  ed   include   nell’analisi   solamente   gli   item   che   impaXano   significa<vamente   sulla   soddisfazione  globale.  Abbiamo  u<lizzato  la  stessa  tecnica  per  tue  e  tre  i  social  network.   Model VARIABILI,UTILIZZATE Le   variabili   prese   in   considerazione   vengono   escluse   dal   1 Mantenere_Contatti_FB modello  se  il  livello  di  significa<vità  del  loro  F  è  maggiore   2 Informarti_FB o  uguale  a  0,10  E  vengono  inserite  nel  modello  se  il  livello   3 Nuove_Conoscenze_FB di  significa<vità  di  F  è  inferiore  o  uguale  a  0,08.   a.,Dependent,Variable:,Giudizio_Globale_FB 40  
  • 40. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK: REGRESSIONE LINEARE FACEBOOK ModelSummary 2   Il   valore   R   indica   la   significa<vità  Model R RSquare AdjustedRSquare Std.ErroroftheEstimate 1 ,364a 0,132 0,128 1,349 globale  del  modello.   2 ,407b 0,166 0,158 1,326 Dalla   tabella   “Model   Summary”   si   3 ,432c 0,187 0,175 1,313 evince   come   tra   i   modelli   propos<   il   ANOVA(d) migliore   sia   il   numero   tre   in   quanto   2  Model Sum)of)Squares df Mean)Square F Sig. presenta  un  valore  di  R  maggiore.   Regression 56,16 1 56,16 30,846 ,000a Per  quanto  riguarda  il  p-­‐value  tue  e  tre  i   1 Residual 367,776 202 1,821 Total 423,936 203 valori   risultano   significa<vi   in   quanto   Regression 70,316 2 35,158 19,984 ,000b inferiori  allo  0,05.   2 Residual 353,62 201 1,759 In   conclusione   abbiamo   quindi   optato   Total 423,936 203 Regression 79,195 3 26,398 15,315 ,000c per   il   modello   tre   in   quanto   presenta   il   2   3 Residual 344,741 200 1,724 valore  di  R  maggiore  in  assoluto.   Total 423,936 203 Coefficienti)non)standardizzati Coefficienti)standardizzatiI  coefficien<   ) B Errore)std. Beta (Costante) 2,712 0,627determina<  sono  i   Mantenere)i)Contatti 0,374 0,08 0,309seguen<:   Informarsi 0,121 0,041 0,193 Fare)Nuove)Conoscenze 0,081 0,036 0,145 41  
  • 41. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK: REGRESSIONE LINEARE FACEBOOK PESOPERCENTUALEDEIDRIVER Calcolando   il   coefficiente   Beta   in  MantenereiContatti 0,4775889 47,8% valori   percentuali   è   possibile  Informarsi 0,2982998 29,8% determinare   con   che   peso   le   variabili  FareNuoveConoscenze 0,2241113 22,4% ritenute   rilavan<   impaXano   sulla   soddisfazione   globale.   Con   questo  60,0%& procedimento   è   possibile   ricavare  50,0%& 47,8%& l’influenza   delle   singole   variabili.   Le  40,0%& più   rilevan<   in   ordine   di   importanza  30,0%& 29,8%& risultano  essere:  Mantenere  i  conta>,   22,4%& Informarsi  e  Fare  nuove  conoscenze.  20,0%&10,0%& 0,0%& Mantenere&i&Conta7& Informarsi& Fare&Nuove&Conoscenze& 42  
  • 42. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK: REGRESSIONE LINEARE LINKEDIN Model VARIABILI,UTILIZZATE 1 Opportunità_Lavoro_LK 2 Informarti_LK 3 Nuove_Conoscenze_LK a.#Dependent#Variable:#Giudizio_Globale_LK ModelSummaryModel R RSquare AdjustedRSquare Std.ErroroftheEstimate Dal  Model  Summary  risulta  che  il  modello  con   1 ,552a 0,304 0,3 1,174 2 ,638b 0,407 0,399 1,088 l’R   square   più   elevato   è   il   terzo   pertanto   3 ,663c 0,439 0,428 1,061 abbiamo  optato  per  questa  opzione.   ANOVA(d)  Model Sum)of)Squares df Mean)Square F Sig.   Regression 89,31 1 89,31 64,786 ,000a 1 Residual 204,024 148 1,379   Total 293,333 149 Il  livello  di  significa<vità  è  adeguato  anche  con   2 Regression Residual 119,272 2 174,061 147 59,636 1,184 50,365 ,000b riferimanto  ai  p-­‐value  dal  momento  che  sono   Total 293,333 149 tue  inferiori  a  0,05.   Regression 128,904 3 42,968 38,152 ,000c 3 Residual 164,43 146 1,126 Total 293,333 149 43  
  • 43. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK: REGRESSIONE LINEARE LINKEDIN Coefficienti)non)standardizzati Coefficienti)standardizzati) B Errore)std. Beta t Sig.(Constant) 2,415 0,443 5,455 0Cogliere)Opportunità)di)Lavoro 0,361 0,058 0,413 6,234 0Informarsi 0,186 0,041 0,301 4,515 0Fare)Nuove)Conoscenze 0,106 0,036 0,189 2,924 0,004Variabile(dipendente:(Soddisfazione(globale(Linkedin PESO(PERCENTUALE(DEI(DRIVER Gli  item  vengono  Cogliere(Opportunità(di(Lavoro 0,4573643 45,7%Informarsi 0,3333333 33,3% evidenzia<  nella  prima  Fare(Nuove(Conoscenze 0,2093023 20,9% tabella.  Successivamente,   aXraverso  il  calcolo  del  50,0%& 45,7%& peso  percentuale  dei  45,0%&40,0%& cluster  è  possibile  35,0%& 33,3%& calcolare  l’influenza  delle  30,0%&25,0%& 20,9%& singole  variabili.  Le  più  20,0%& rilevan<  risultano  essere  15,0%&10,0%& Cogliere  nuove   5,0%& opportunità  di  lavoro  e   0,0%& Cogliere&Opportunità&di&Lavoro& Informarsi& Fare&Nuove&Conoscenze& informarsi.   44  
  • 44. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK: REGRESSIONE LINEARE TWITTER Model VARIABILI,UTILIZZATE 1 Informarti_TW 2 Nuove_Conoscenze_TW ModelSummary Dal   Model   Summary   risulta   che  Model R RSquare AdjustedRSquare Std.ErroroftheEstimate il   modello   con   l’R   square   più   1 ,677a 0,458 0,451 1,44 elevato   è   il   secondo,   pertanto   2 ,713b 0,508 0,496 1,38 abbiamo   optato   per   questa   opzione.   ANOVA(c)   Model Sum)of)Squares df Mean)Square F Sig. Il  livello  di  significa<vità  è   Regression 139,954 1 139,954 67,509 ,000a 1 Residual 165,851 80 2,073 adeguato  anche  con  riferimento   Total 305,805 81 ai  p-­‐value  dal  momento  che   Regression 155,446 2 77,723 40,836 ,000b sono  tue  inferiori  a  0,05.   2 Residual 150,359 79 1,903 Total 305,805 81 45  
  • 45. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK: REGRESSIONE LINEARE TWITTER Coefficienti)non)standardizzati Coefficienti)standardizzati) B Errore)std. Beta t Sig. La  tabella  indica  gli  (Constant) 1,908 0,474 4,029 0 item  presi  in  Informarsi 0,476 0,064 0,61 7,411 0 considerazione.  Fare9Nuove9Conoscenze 0,216 0,076 0,235 2,853 0,006 PESO,PERCENTUALE,DEI,DRIVER 80,0%% 72,2%%Informarsi 0,7218935 72,2% 70,0%%Fare,Nuove,Conoscenze 0,2781065 27,8% 60,0%% 50,0%% AXraverso   il   calcolo   del   peso   40,0%% percentuale  dei  cluster  è  possibile   27,8%% 30,0%% calcolare   l’influenza   delle   singole   20,0%% variabili.   La   più   rilevante   risulta   10,0%% essere  Informarsi.   0,0%% Informarsi% Fare%Nuove%Conoscenze% 46  
  • 46. ANALISI FATTORIALEDall’analisi   qualita<va   sono   emersi   14   aXribu<   considera<   rilevan<   dai   risponden<   nella  valutazione  dei  social  network:  1.  Credibilità  dei  contae  2.  Tutela  della  privacy  3.  Interesse  di  chi  visita  il  tuo  profilo  4.  Veridicità  delle  informazioni  dei  tuoi  contae  5.  Innova<vità  degli  argomen<  traXa<  nei  gruppi  ai  quali  hai  aderito  6.  Coerenza  dei  contenu<  offer<  dai  gruppi  con  le  tue  esigenze  7.  Frequenza  di  aggiornamento  dei  contenu<  dei  gruppi  8.  Non  invasività  delle  segnalazioni  inviate  dal  social  network  9.  Grafica  del  social  network  10. Facilità  d’uso  del  social  network  11. Completezza  della  struXura  del  social  network  12. Este<ca  del  social  network  Agli  intervista<  è  stato  chiesto  di  aXribuire  un  giudizio  di  importanza  ai  suddee  item  secondo  la  scala:  1-­‐3  Poco  importante,  4-­‐6  Abbastanza  importante  e  7-­‐9  molto  importante.   47  
  • 47. ANALISI FATTORIALE•  Dopo  diverse  prove  effeXuate  con  diverse  tecniche  si  è  optato  di  riportare  solamente   l’output  da  noi  giudicato  adeguato  ai  fini  dell’analisi  (è  possibile  visionare  le  diverse   prove  nell’output  allegato).    Descrizione  del  procedimento  u.lizzato:  •  Descrieve:  soluzione  iniziale  •  Estrazione   –  Metodo:  componen<  principali   –  Analizza:  matrice  di  correlazione   –  Visualizza:  soluzione  faXoriale  ruotata,  scree  plot   –  Numero  faXori:  3   Max  iterazioni  di  convergenza:  100   •  Rotazione:  Varimax   •  Opzioni:   Esclusione   listwise   (soppressione   coefficien<   piccoli   <   0,4   in   modo   da   rendere   migliore   la   leXura   dei   da<   dal   momento   che   i   gruppi   di   item   hanno   valori   >0,5)   48  
  • 48. ANALISI FATTORIALE Total,Variance,Explained Initial,Eigenvalues Extraction,Sums,of,Squared,Loadings Rotation,Sums,of,Squared,Loadings Component Total %,of,Variance Cumulative,% Total %,of,Variance Cumulative,% Total %,of,Variance Cumulative,% 1 4,195 34,96 34,96 4,195 34,96 34,96 2,601 21,677 21,677 2 1,845 15,372 50,332 1,845 15,372 50,332 2,583 21,529 43,206 3 1,582 13,179 63,511 1,582 13,179 63,511 2,437 20,305 63,511 4 0,865 7,205 70,716 5 0,635 5,294 76,01 6 0,606 5,048 81,057 7 0,532 4,433 85,49 8 0,471 3,927 89,418 9 0,451 3,76 93,177 10 0,356 2,967 96,144 11 0,294 2,45 98,595 12 0,169 1,405 100 Extraction,Method:,Principal,Component,Analysis.  La  colonna  “%  of  variance”  riporta  la  percentuale  di  varianza  spiegata  da  ciascuna  componente.   In   generale   una   percentuale   cumulata   del   60-­‐70%   viene   considerata   acceXabile.   L’analisi   svolta   con   tre   faXori   permeXe   di   oXenere   un   valore   del   63,511%   e   questo   valore   è   da   considerare   unitamente   all’effeeva   riduzione   di   complessità   oXenuta:   oXenendo   una   forte   riduzione   di   complessità   si   può   acceXare   una   percentuale   di   varianza   spiegata   inferiore   dal   momento   che   considerando  quaXro  componen<  si  aumenterebbe  un  aumento  pari  solo  al  7%.   49    
  • 49. ANALISI FATTORIALE Communalities Initial Extraction Credibilità_Professionalità_ID 1 0,609 Privacy_ID 1 0,644 Interesse_Visitatori_ID 1 0,343 Veridicità_Info_ID 1 0,574 Innovatività_ID 1 0,736 Coerenza_Esigenze_Informative_ID 1 0,831 Frequenza_Aggiornamento_ID 1 0,754 NON_Invasività_ID 1 0,55 Struttura_Grafica_ID 1 0,701 Facilità_Uso_ID 1 0,581 Estetica_ID 1 0,764 Completezza_ID 1 0,535 ExtractionPMethod:PPrincipalPComponentPAnalysis.Le  “Communali<es”  esprimono  l’ammontare  di  variabilità  che  una  singola  variabile  condivide  con  tuXe  le  altre  variabili.  Il  dato  del  63,511%  di  varianza  spiegata  è  una  media  per  tuXe  le  variabili;  come   si   può   notare   dalla   tabella,   per   le   singole   variabili,   tale   dato   varia   dal   34,3%   (INTERESSE  VISITATORI)  all’83,1%  (COERENZA  ESIGENZE  INFORMATIVE).  Si   è   scelto   di   u<lizzare   3   componen<   in   modo   da   ridurre   lo   scarto   al   minimo   in   quanto   con   le  soluzioni  scartate  si  sarebbe  oXenuto  un  risultato  non  significa<vo  (vedere  allegato).   50  
  • 50. ANALISI FATTORIALE Come   si   evince   dallo   “Scree   P l o t ”   l ’ u < l i z z o   d i   t r e   componen<   risulta   oemale   in   quanto   è   evidente   che   la   pendenza   della   spezzata   è   più   marcata   dopo   il   terzo   faXore.   Considerandone   quaXro   si   oXerrebbe   un   aumento   della   complessità   dell’interpretazione   dal   momento   che   un   faXore   spiegherebbe   solamente   un   unico   item   che   invece   può   essere   efficacemente   incluso   in   uno   dei   tre   faXori   più   significa<vi   semplificando   notevolmente   la   leXura   dei   risulta<.     51  
  • 51. ANALISI FATTORIALE Rotated(Component(Matrix(a) Component Qualità(del(network(e(affidabilità(degli(utenti Aspetto(e(funzionalità Potenziale(informativo(dei(gruppiPrivacy_ID 0,798Credibilità_Professionalità_ID 0,736NON_Invasività_ID 0,729Veridicità_Info_ID 0,661Interesse_Visitatori_ID 0,528Estetica_ID 0,869Struttura_Grafica_ID 0,799Facilità_Uso_ID 0,738Completezza_ID 0,702Coerenza_Esigenze_Informative_ID 0,888Frequenza_Aggiornamento_ID 0,859Innovatività_ID 0,827Extraction(Method:(Principal(Component(Analysis.(Rotation(Method:(Varimax(with(Kaiser(Normalization.(a.(Rotation(converged(in(5(iterations. Le  componen<  u<lizzate  sono  le  seguen<:   •  Qualità  del  network  e  affidabilità  degli  uten.  che  spiega  i  faXori:  privacy,  credibilità  e   professionalità,  non  invasività,  veridicità  delle  informazioni  e  interesse  dei  visitatori.     •  AspeHo  e  funzionalità  che  spiega  i  faXori:  este<ca,  struXura  grafica,  facilità  d’uso  e   completezza.   •  Potenziale  informa.vo  dei  gruppi  che  spiega  i  faXori:  coerenza  delle  esigenze   informa<ve,  frequenza  di  aggiornamento  dei  gruppi  e  innova<vità.   52  
  • 52. CLUSTER ANALYSIS Tale  analisi  è  stata  svolta  classificando  il  campione  in  gruppi  aven<  caraXeris<che  omogenee   all’interno  e  disomogenee  esternamente.  Le  variabili  scelte  sono  le  medesime  u<lizzate  per  la   factor  analysis.   La  cluster  analysis  è  stata  rilanciata  più  volte  in  modo  da  assicurare  la  rappresenta<vità  dei  da<.   NUMERO  DI  CLUSTER:  3                                  risulta  essere  la  soluzione  migliore  data  l’omogeneità  della                distribuzione  del  numero  del  campione  all’interno  di  ciascun                cluster  (definendo  un  numero  diverso  di  cluster  si  oXerrebbe                una  disomogeneità  più  marcata:  vedi  allegato).   PESO%DEI%SINGOLI%CLUSTER%Cluster Number+of+Cases+in+each+Cluster 1 49 16,30%& 2 105 26,63%& CLUSTER&1& 3 30 CLUSTER&2& CLUSTER&3&Valid 184 57,07%&Missing 33 Per  semplicità  abbiamo  riportato  solamente  la  soluzione  ritenuta  migliore,  tuXe  le  altre   analisi  sono  consultabili  nel  file  allegato:  OUTPUT  CLUSTER  ANALYSIS.   53  
  • 53. CLUSTER ANALYSISLa  tabella  ANOVA  permeXe  di  valutare  le  significa<vità  della  clusterizzazione  effeXuata.  Si  può  notare  come  adoXando  una  soluzione  a  tre  cluster  si  oXengano  adegua<  livelli  di  significa<vità  per  ciascuno  di  essi.   ANOVA Cluster Error Mean%Square df Mean%Square df F Sig.Qualità%del%Network%e%Affidabilità%degli%Utenti 48,235 2 0,478 181 100,898 0Aspetto%e%Funzionalità 53,494 2 0,42 181 127,38 0Potenziale%Informativo%dei%Gruppi 4,996 2 0,956 181 5,227 0,006 Modello  significa<vo:  P-­‐value  <  0.05   La  tabella  “Final  Cluster  Centers”  Indica  la  media  di   ciascun  cluster  per  ciascuna  variabile  u<lizzata   Final+Cluster+Centers durante  la  procedura.   1 2 3 Qualità+del+Network+e+Affidabilità+degli+Utenti 0,32691 0,31616 =1,64052 Aspetto+e+Funzionalità =1,19032 0,5938 =0,13411 Potenziale+Informativo+dei+Gruppi 0,2818 =0,00268 =0,45091 54  
  • 54. CLUSTER ANALYSIS U<lizzando  la  tabella  della  slide  precedente  “final  cluster  centers”  è  possibile  aXribuire  ai  vari   cluster  le  loro  caraXeris<che  specifiche  in  relazione  alle  variabili  considerate.   Analizzando  i  centri  finali  è  possibile  determinare  l’ordinamento  dei  cluster  per  ciascun  faXore   riga  e  successivamente  osservando  il  faXore  colonna.   ORDINAMENTO  FATTORE  RIGA:   INTERESSE*DEI*CLUSTER ITEM CLUSTER*1* CLUSTER*2 CLUSTER*3 Qualità(del(network(e(affidabilità(degli(utenti 1 2 3 Aspetto(e(funzionalità 3 1 2 Potenziale(informativo(dei(gruppi 1 2 3 ORDINAMENTO  FATTORE  COLONNA:   INTERESSE*DEI*CLUSTER ITEM CLUSTER*1* CLUSTER*2 CLUSTER*3 Qualità(del(network(e(affidabilità(degli(utenti ✚*✚ ✚ Aspetto(e(funzionalità ✚*✚ ✚*✚ Potenziale(informativo(dei(gruppi ✚ ✚Il   cluster   1   e   il   cluster   2   aXribuiscono   un’importanza   similare   all’item   “qualità   del   network   e  affidabilità   degli   uten<”,   tuXavia   il   cluster   1   aXribuisce   l’importanza   maggiore   rispeXo   a   questa  variabile.   Il   cluster   2   e   il   cluster   3   vengono   iden<fica<   come   i   più   sensibili   ad   ’”aspeXo   e  funzionalità”.   55  
  • 55. DESCRIZIONE DEI CLUSTERCLUSTER  1:    I  CONCRETI    •  Aspee  ritenu<  rilevan<:              Qualità  del  network  e  affidabilità  degli  uten<:              -­‐  tutela  della  privacy              -­‐  interesse  di  chi  visita  il  profilo              -­‐  credibilità  dei  contae              -­‐  veridicità  delle  informazioni  dei  contae              -­‐  non  invasività  delle  segnalazioni  inviate  dal  social  network              Potenziale  informa<vo  dei  gruppi:              -­‐  coerenza  dei  contenu<  offer<  dai  gruppi                -­‐  frequenza  di  aggiornamento  dei  contenu<  dei  gruppi              -­‐  innova<vità  degli  argomen<  traXa<  nei  gruppi   56  
  • 56. DESCRIZIONE DEI CLUSTER Caratteristiche Socio-DemograficheCOMPOSIZIONE  DEL  CLUSTER  1:    I  CONCRETI  (26,63%)  Sesso:   SESSO$CLUSTER$1:$I$CONCRETI$•  Maschi  =  67,3%  •  Femmine  =  32,7%   22,70%Età   Maschi Femmine•  16-­‐20  =  4,1%   67,30%•  21-­‐25  =  53,1%  •  26-­‐30  =  24,5%  •  31-­‐35  =  4,1%   ETA%DEL%CLUSTER%1:%I%CONCRETI%•  >35  =  14,2%   4,10%&Status   4,10%& 14,20%& 16+20&Anni& 21+25&Anni&•  I  Concre<  possiedono  mediamente   24,50%& 26+30&Anni& 3,71  oggee  su  8   53,10%& 31+35&Anni& >35&Anni& 57  
  • 57. DESCRIZIONE DEI CLUSTER UTENTI CONCRETI vs SOCIAL NETWORKFACEBOOK  -­‐  Il  93,9%  dichiara   LINKEDIN  –  Il  71,4%  dichiara  di   TWITTER  –  Il  28,6%  dichiara  di  di  u<lizzare  FACEBOOK  con  una   u<lizzare  LINKEDIN  con  una   u<lizzare  TWITTER  con  una  frequenza  di  media  1,21  (circa   frequenza  di  media  2,03  (circa   frequenza  di  media  2,38  (meno  una  volta  al  giorno)  contro  il   una  volta  a  seemana)  contro  il   di  una  volta  a  seemana)  6,1%  che  dichiara  di  non   28,6%  che  dichiara  di  non   contro  il  71,4%  che  dichiara  di  u<lizzarlo.   u<lizzarlo.   non  u<lizzarlo.   UTENTI&CONCRETI&CHE&USANO& UTENTI&CONCRETI&CHE&USANO& UTENTI&CONCRETI&CHE&USANO& FACEBOOK& LINKEDIN& TWITTER& 6,10%& 28,60% 28,60% Sì& Sì Sì No& No No 71,40% 71,40% 93,90%& 58  
  • 58. DESCRIZIONE DEI CLUSTER UTENTI CONCRETI vs SOCIAL NETWORK PERCHÈ  USI  LINKEDIN?    Su   una   scala   da   1   a   9   (1-­‐3   poco   importante,   4-­‐6   abbastanza   importante,   7-­‐9   molto  importante),   gli   uten?   concre?   dichiarano   che   l’importanza   dell’uso   di   linkedin   è   legata   alle  seguen<   mo<vazioni   (dal   più   importante   al   meno   importante):   trovare   opportunità   di  lavoro   (mediamente   8,08);   Informarsi   su   argomen.   di   interesse   (mediamente   5,89);  mantenere  i  contaX  (mediamente  5,39);  fare  nuove  conoscenze  (4,72)   GIUDIZIO  GLOBALE  DEGLI  UTENTI  CONCRETI  SUI  SOCIAL  NETWORK  (VOTO  MEDIO)     FACEBOOK  =  6,32     LINKEDIN  =  7,03     TWITTER  =  5,65     59  
  • 59. DESCRIZIONE DEI CLUSTERCLUSTER  2:    GLI  ACCURATI  (57,07%)    •  Aspee  ritenu<  rilevan<:            AspeXo  e  funzionalità  (fa5ore  valutato  maggiormente  0.5938)              -­‐  este<ca  del  social  network              -­‐  completezza  della  struXura  del  social  network              -­‐  struXura  e  grafica  del  social  network              -­‐  facilità  d’uso              Qualità  del  network  e  affidabilità  degli  uten<:                -­‐  tutela  della  privacy              -­‐  interesse  di  chi  visita  il  profilo              -­‐  credibilità  dei  contae              -­‐  veridicità  delle  informazioni  dei  contae              -­‐  non  invasività  delle  segnalazioni  inviate  dal  social  network   60    
  • 60. DESCRIZIONE DEI CLUSTER Caratteristiche Socio-Demografiche SESSO$CLUSTER$2:$GLI$ACCURATI$CLUSTER  2:    GLI  ACCURATI  Sesso:  •  Maschi  =  49,5%  •  Femmine  =  50,5%   50,50% 49,50% Maschi FemmineFasce  di  età:  •  16-­‐20  =  4,8%  •  21-­‐25  =  66,7%  •  26-­‐30  =  18,1%   ETA%DEL%CLUSTER%2:%GLI%ACCURATI%•  31-­‐35  =  4,8%   5,60%& 4,80%& 4,80%&•  <  35  =  5,6%   16+20&Anni&Status   18,10%& 21+25&Anni& 26+30&Anni&•  I  Concre<  possiedono   66,70%& 31+35&Anni& mediamente  3,85  oggee  su  8 >35&Anni&       61  
  • 61. DESCRIZIONE DEI CLUSTER UTENTI ACCURATI vs SOCIAL NETWORKFACEBOOK  -­‐  Il  94,3%  dichiara   LINKEDIN  –  Il  66,7%  dichiara  di   TWITTER  –  Il  32,4%  dichiara  di  di  u<lizzare  FACEBOOK  con  una   u<lizzare  LINKEDIN  con  una   u<lizzare  TWITTER  con  una  frequenza  di  media  1,14  (circa   frequenza  di  media  2,11  (circa   frequenza  di  media  2,61  (poco  una  volta  al  giorno)  contro  il   una  volta  a  seemana)  contro  il   più  di  una  volta  al  mese)  contro  5,7%  che  dichiara  di  non   33,3%  che  dichiara  di  non   il  67,6%  che  dichiara  di  non  u<lizzarlo.   u<lizzarlo.   u<lizzarlo.   UTENTI&ACCURATI&CHE&USANO& UTENTI&ACCURATI&CHE&USANO& UTENTI&ACCURATI&CHE&USANO& FACEBOOK& LINKEDIN& TWITTER& 5,70% 33,30%& 32,40% Sì Sì& Sì No No& No 66,70%& 67,60% 94,30% 62  
  • 62. DESCRIZIONE DEI CLUSTER UTENTI ACCURATI vs SOCIAL NETWORK PERCHE  USI  LINKEDIN?    Su  una  scala  da  1  a  9  (1-­‐3  poco  importante,  4-­‐6  abbastanza  importante,  7-­‐9  molto  importante)  Gli  uten?  accura?  dichiarano  che  l’importanza  dell’uso  di  linkedin  è  legata  alle  seguen<  mo<vazioni  (dal  più  importante  al  meno  importante):  trovare  opportunità  di  lavoro  (mediamente  8,04);  mantenere  i  contaX  (mediamente  5,47);  Informarsi  su  argomen.  di  interesse  (mediamente  5,41);  fare  nuove  conoscenze  (3,95).   GIUDIZIO  GLOBALE  DEGLI  UTENTI  ACCURATI  SUI  SOCIAL  NETWORK  (VOTO  MEDIO)     FACEBOOK  =  7,06   LINKEDIN  =  6,91   TWITTER  =  6,29     63  
  • 63. DESCRIZIONE DEI CLUSTER  CLUSTER  3:    I  DISTACCATI  (16,3%)      Tale   cluster   non   mostra   preferenze   par<colari.   Possiamo   definire   gli   individui   che   ne  appartengono  come  “poco  coinvol<”.    Gli   Uten?   Distacca?   seppur   poco   coinvol<   dai   social   network   rispeXo   agli   altri   due   cluster,  danno   una   maggiore   rilevanza   all’aspeXo   e   alla   funzionalità   del   social   network,   seguito   dal  potenziale   informa<vo   offerto   dai   gruppi,   infine   danno   scarsa   rilevanza   alla   qualità   del  network  e  all’affidabilità  degli  uten<.       64  
  • 64. DESCRIZIONE DEI CLUSTER Caratteristiche Socio-Demografiche SESSO$CLUSTER$3:$I$DISTACCATI$CLUSTER  3:  I  DISTACCATI  16,3%  Sesso:  •  Maschi  =  59,2%   40,80% Maschi•  Femmine  =  40,8%   59,20% FemmineFasce  di  età:  •  16-­‐20  =  10%  •  21-­‐25  =  56,7%   ETA%DEL%CLUSTER%3:%I%DISTACCATI%•  26-­‐30  =  26,7%   3,30%$ 3,30%$•  31-­‐35  =  3,3%   10%$ 16+20$Anni$•  >  35  =  quello  che  resta   26,70%$ 21+25$Anni$Status   26+30$Anni$ 31+35$Anni$•  I  Concre<  possiedono   56,70%$ >35$Anni$ mediamente  3  oggee  su  8.     65    
  • 65. DESCRIZIONE DEI CLUSTER UTENTI DISTACCATI vs SOCIAL NETWORKFACEBOOK  –  Il  76,7%  dichiara   LINKEDIN  –  Il  53,3%  dichiara  di   TWITTER  –  Il  30%  dichiara  di  di  u<lizzare  FACEBOOK  con   u<lizzare  LINKEDIN  con  una   u<lizzare  TWITTER  con  una  una  frequenza  di  media  1,18   frequenza  di  media  2,57  (poco   frequenza  di  media  2,54  (poco  (circa  una  volta  al  giorno)   più  di  una  volta  al  mese)   più  di  una  volta  al  mese)  contro  contro  il  23,3%  che  dichiara  di   contro  il  46,7%  che  dichiara  di   il  70%  che  dichiara  di  non  non  u<lizzarlo.   non  u<lizzarlo.   u<lizzarlo.   UTENTI&DISTACCATI&CHE&USANO& UTENTI&DISTACCATI&CHE&USANO& UTENTI&DISTACCATI&CHE&USANO& FACEBOOK& LINKEDIN& TWITTER& 23,30%& 30%$ Sì& 46,70%& Sì& Sì$ No& 53,30%& No& No$ 76,70%& 70%$ 66  
  • 66. DESCRIZIONE DEI CLUSTER UTENTI DISTACCATI vs SOCIAL NETWORK PERCHE  USI  LINKEDIN?    Su  una  scala  da  1  a  9  (1-­‐3  poco  importante,  4-­‐6  abbastanza  importante,  7-­‐9  molto  importante)  Gli  uten?  distacca?  dichiarano  che  l’importanza  dell’uso  di  Linkedin  è  legata  alle  seguen<  mo<vazioni  (dal  più  importante  al  meno  importante):  trovare  opportunità  di  lavoro  (mediamente  7,23);  mantenere  i  contaX  (mediamente  5,09);  Informarsi  su  argomen.  di  interesse  (mediamente  4,18);  fare  nuove  conoscenze  (3,95)   GIUDIZIO  GLOBALE  DEGLI  UTENTI  DISTACCATI  SUI  SOCIAL  NETWORK  (VOTO  MEDIO)     FACEBOOK  =  6,11   LINKEDIN  =  6   TWITTER  =  5,46     67  
  • 67. COMMENTO SINTETICO SUI CLUSTERSi   individuano   come   target   prioritari   per   LINKEDIN   i   cluster   degli   uten<   CONCRETI   e  degli   uten<   ACCURATI:   ques<   sono   rappresenta<   dai   soggee   più   aevi   dal   punto   di  vista  lavora<vo  e  più  interessa<  ai  social  network  in  generale  e  a  linkedin  in  par<colare.    Gli  Uten.  concre.  (26,63%)  preferiscono  Linkedin  agli  altri  social  network  (voto  7,03);  circa  l’80%  del  cluster  è  composto  da  uten<  di  età  compresa  fra  i  21  e  i  30  anni  (il  che  spiega   la   rilevanza   dell’interesse   verso   il   mondo   lavora<vo).   Sono   uten<   che   dichiarano  di   possedere   circa   4   oggee   su   8,   3   dei   quali   (smartphone,   I-­‐pad   e   internet   ad   alta  velocità)  sono  strumen<  funzionali  all’accesso  in  internet.  Circa   il   70%   u<lizza   Linkedin   e   dichiara   di   effeXuare   l’accesso   più   di   una   volta   a  seemana   (più   spesso   di   quanto   dichiarato   dagli   uten<   degli   altri   cluster).   Infine  dichiarano   di   u<lizzare   linkedin   perché   lo   ritengono   molto   importante   per   trovare  opportunità  e/o  informazioni  sul  mondo  del  lavoro.     68  
  • 68. COMMENTO SINTETICO SULLA CLUSTERGli   uten.   accura.   cos<tuiscono   il   cluster   più   numeroso   (57,07%),   preferiscono  Facebook   (7,06)   ma   danno   comunque   un   giudizio   molto   alto   a   Linkedin   (6,91);   sono  uten<  della  stessa  fascia  di  età  del  cluster  precedente.  Dichiarano   anch’essi   di   effeXuare   l’accesso   a   Linkedin   circa   una   volta   a   seemana   e  giudicano  il  social  network  molto  importante  per  trovare  opportunità  e/o  informazioni  sul  mondo  del  lavoro.  A   differenza   degli   uten<   concre<   (che   considerano   come   aspee   più   rilevan<   dei   social  network   rispeevamente   qualità   del   network/affidabilità   degli   uten?   e   potenziale  informa?vo   dei   gruppi)   dichiarano   di   ritenere   par<colarmente   rilevan<   in   un   social  network   rispeevamente   l’aspe5o   e   la   funzionalità   e   secondariamente   qualità   del  network/affidabilità   degli   uten?   (quest’ul<mo   valore   molto   vicino   a   quello   degli   uten<  concre<).   69  
  • 69. COMMENTO SINTETICO SULLA CLUSTERGli   uten.   distacca.   (16,3%)   risultano   poco   interessa<   ai   macrofaXori   che  sinte<zzano   le   caraXeris<che   principali   dei   social   network   individua<  precedentemente  e  risultano  poco  coinvol<  in  generale  dall’u<lizzo  dei  social,  dato  confermato  dal  momento  che  aXribuiscono  dei  giudizi  medi  a  tue  e  tre  i  social  più  bassi   rispeXo   agli   altri   due   cluster   (rispeevamente   6,11;   6;   5,46)   sono   inoltre   gli  uten<  che  dichiarano  di  effeXuare  l’accesso  su  Linkedin  più  raramente  e  dichiarano  di  accedere  più  spesso  soltanto  a  Facebook  (circa  una  volta  al  giorno)  probabilmente  dato  il  caraXere  ludico  e  ricrea<vo  del  social  network.  Un  ul<mo  aspeXo  rilevante  può  essere  quello  rela<vo  alla  fascia  di  età  (il  10%  ha  età  compresa   fra   i   16   e   i   20   anni)   il   che   dimostra   che   si   traXa   di   soggee   che   non  avvertono   par<colari   necessità   legate   allo   sfruXamento   del   potenziale   lavora<vo  offerto  da  Linkedin.     70  
  • 70. REGRESSIONE LINEARE: FACEBOOKL’analisi   di   regressione   lineare   serve   a   individuare   la   relazione   esistente   tra   una   variabile  dipendente  (variabile  obieXvo  –  SODDISFAZIONE  GLOBALE  SUL  SOCIAL  NETWORK)  e  un  insieme  di  variabili  indipenden<  (variabili  esplica.ve  –  ITEM  RILEVANTI  individua.  precedentemente).  Abbiamo   u<lizzato   la   tecnica   Stepwise   in   quanto   consente   di   oXenere   output   molto   precisi   dal  momento  che  alterna  automa<camente  e  nel  modo  più  opportuno  passi  forward  e  passi  backward  ed   include   nell’analisi   solamente   gli   item   che   impaXano   significa<vamente   sulla   soddisfazione  globale.  AXraverso   l’analisi   miriamo   ad   oXenere   il   livello   di   soddisfazione   globale   di   un   singolo   social  network  dopo  aver  determinato  la  valutazione  dei  singoli  aXribu<  ad  esso  rela<vi.   MODEL VARIABILI+UTILIZZATE Le   variabili   prese   in   considerazione   vengono   escluse   dal   1 Completezza modello  se  il  livello  di  significa<vità  del  loro  F  è  maggiore   2 Credibilità o  uguale  a  0,10  vengono  inserite  nel  modello  se  il  livello  di   3 Facilità4duso significa<vità  di  F  è  inferiore  o  uguale  a  0,08.   4 Non4invasività 5 Struttura4grafica Dependent  Variable:  Giudizio  globale  FB   71  
  • 71. REGRESSIONE LINEARE: FACEBOOK ModelSummary(f) 2   Il   valore   R   indica   la   significa<vità  Model R RSquare AdjustedRSquare Std.ErroroftheEstimate globale  del  modello.   1 ,561a 0,315 0,311 1,091 Dalla   tabella   “Model   Summary”   si   2 ,621b 0,385 0,378 1,037 3 ,659c 0,434 0,424 0,998 evince   come   tra   i   modelli   propos<   il   4 ,679d 0,461 0,448 0,977 migliore  sia  il  numero  cinque  in  quanto   2   5 ,687e 0,471 0,456 0,97 presenta  un  valore  R  maggiore.   ANOVA(f)Model Sum)of)Squares df Mean)Square F Sig. Regression 94,231 1 94,231 79,138 ,000a 1 Residual 204,804 172 1,191 Per   quanto   riguarda   il   p-­‐value   tue   e   Total 299,034 173 Regression 115,242 2 57,621 53,61 ,000b cinque  i  valori  risultano  significa<vi  ossia   2 Residual 183,792 171 1,075 sono  inferiori  allo  0,05.   Total 299,034 173 Regression 129,732 3 43,244 43,422 ,000c In   conclusione   abbiamo   quindi   optato   3 Residual 169,303 170 0,996 per  il  modello  cinque  in  quanto  presenta   2   Total 299,034 173 il  valore  di  R  maggiore  in  assoluto.   Regression 137,719 4 34,43 36,07 ,000d 4 Residual 161,316 169 0,955 Total 299,034 173 Regression 140,939 5 28,188 29,954 ,000e 5 Residual 158,096 168 0,941 Total 299,034 173 72  
  • 72. REGRESSIONE LINEARE: FACEBOOKRispeXo  a  Facebook  abbiamo  individuato  come  rilevante  la  spiegazione  dei  seguen<  item  del  quinto  modello:   MATRICE.DEI.COEFFICIENTI Coefficienti&non&standardizzati Coeff.&Stand B Std.&Error Beta(Constant) 1,398 0,44Completezza.FB 0,207 0,076 0,22Credibilità.FB 0,136 0,05 0,176Facilità.duso 0,216 0,068 0,238NON.Invasività 0,101 0,036 0,18Struttura.Grafica.FB 0,141 0,076 0,15 73  
  • 73. REGRESSIONE LINEARE: FACEBOOKCalcolando   il   coefficiente   Beta   in   valori   percentuali   è   possibile   determinare   con   che   peso  impaXano  sulla  soddisfazione  globale  le  variabili  ritenute  rilevan<.  Con  questo  procedimento  è  possibile  ricavare  l’influenza  delle  singole  variabili.  Le  più  rilevan<  in  ordine  di  importanza  risultano  essere:  Facilità  d’uso,  Completezza  e  Non  Invasività.   PESO%PERCENTUALE%DEI%DRIVER β % Completezza 0,2200000 22,8% Credibilità 0,1760000 18,3% Facilità%duso 0,2380000 24,7% NON%Invasività 0,1800000 18,7% Grafica 0,1500000 15,6% 30,0%% 24,7%% 25,0%% 22,8%% 20,0%% 18,3%% 18,7%% 15,6%% 15,0%% 10,0%% 5,0%% 0,0%% Completezza% Credibilità% Facilità%duso% NON%Invasività% Grafica% 74  
  • 74. REGRESSIONE LINEARE: LINKEDINU<lizzando   l’analogo   metodo   per   Linkedin   sono   state   determinate   le   variabili   da   u<lizzare  prendendo  in  considerazione  le  variabili  con  un  livello  di  significa<vità  di  F  minore  o  uguale  a  0,05  ed  escludendo  le  variabili  con  un  livello  di  significa<vità  di  F  maggiore  o  uguale  a  0,1.   Variables+Entered/Removed(a)MODEL VARIABILI+UTILIZZATE VARIABILI+NON+UTILIZZATE 1 Completezza 2 Coerenza+Esigenze+Informative . 3 Struttura+Grafica . 4 Credibilità+ 5 . Coerenza+Esigenze+Informativea.#Dependent#Variable:#Giud_Globale_LK ModelSummaryModel R RSquare AdjustedRSquare Std.ErroroftheEstimate In   questo   caso   il   quarto   modello   1 ,633a 0,4 0,396 1,049 risulta  essere  il  più  significa<vo  in   2 ,703b 0,494 0,486 0,968 2   quanto  possiede  l’  R    maggiore.   3 ,727c 0,529 0,518 0,937 4 ,755d 0,57 0,556 0,899 5 ,749e 0,561 0,551 0,904 75  
  • 75. REGRESSIONE LINEARE: LINKEDIN ANOVA(f)Model Sum)of)Squares df Mean)Square F Sig. Regression 94,749 1 94,749 86,131 ,000a Anche   in   questo   caso   tue   e   1 Residual 141,907 129 1,1 cinque   i   p-­‐value   risultano   Total 236,656 130 Regression 116,803 2 58,401 62,371 ,000b significa<vi   ossia   sono   inferiori   2 Residual 119,854 128 0,936 allo  0,05.   Total 236,656 130 In  conclusione  abbiamo  quindi   Regression 125,161 3 41,72 47,522 ,000c 3 Residual 111,496 127 0,878 optato   per   il   modello   numero   Total 236,656 130 quaXro   in   quanto   presenta   il   2   Regression 134,828 4 33,707 41,708 ,000d valore   di   R   maggiore   in   4 Residual 101,828 126 0,808 Total 236,656 130 assoluto.     Regression 132,77 3 44,257 54,104 ,000e 5 Residual 103,886 127 0,818 Total 236,656 130 MATRICE.DEI.COEFFICIENTIRispeXo   a   Linkedin   abbiamo   Coefficienti&non&standardizzati Coeff.&Stand B Std.&Error Betaindividuato   come   rilevante   la   (Constant) 1,462 0,442spiegazione   dei   seguen<   item   Completezza.LK 0,313 0,058 0,378del  quarto  modello:   Grafica.LK 0,222 0,05 0,307 Credibilità.LK 0,264 0,057 0,292 Variabile&dipendente:&Soddisfazione&globale&Linkedin 76  
  • 76. REGRESSIONE LINEARE: LINKEDINCalcolando   il   coefficiente   Beta   in   valori   percentuali   è   possibile   determinare   il   peso   di   impaXo  sulla   soddisfazione   globale   delle   variabili   ritenute   rilevan<.   Successivamente   abbiamo  ricavato   l’influenza   delle   singole   variabili.   La   più   rilevante   risulta   essere   la     Completezza,  seguita  da  Credibilità  e  Facilità  d’uso.   PESO%PERCENTUALE%DEI%DRIVER β % Completezza 0,378 38,7% Credibilità 0,307 31,4% Facilità%duso 0,292 29,9% 45,0%& 38,7%& 40,0%& 35,0%& 31,4%& 29,9%& 30,0%& 25,0%& 20,0%& 15,0%& 10,0%& 5,0%& 0,0%& Completezza& Credibilità& Facilità&duso& 77  
  • 77. REGRESSIONE LINEARE: TWITTERAbbiamo   u<lizzato   il   medesimo   metodo   anche   per   Model VARIABILI,UTILIZZATETwiXer.   Abbiamo   preso   in   considerazione   le   variabili   1 Non,Invasivitàcon  un  livello  di  significa<vità  di  F  minore  o  uguale  a  0,05   ed   escludendo   le   variabili   con   un   livello   di   2 Completezzasignifica<vità  di  F  maggiore  o  uguale  di  0,1.   3 Interesse,Visitatori ModelSummaryModel R RSquare AdjustedRSquare Std.ErroroftheEstimate 1 ,682a 0,465 0,457 1,249 2 ,780b 0,609 0,595 1,077 3 ,807c 0,652 0,634 1,025 2  In  questo  caso  il  terzo  modello  risulta  essere  il  più  significa<vo  in  quanto  possiede  l’  R  maggiore.   78  
  • 78. REGRESSIONE LINEARE: TWITTER ANOVA(d)Model Sum)of)Squares df Mean)Square F Sig. Regression 81,438 1 81,438 52,243 ,000a In   questo   caso   tue   e   tre   i             p-­‐value   risultano   significa<vi   1 Residual 93,53 60 1,559 ossia  sono  inferiori  allo  0,05.   Total 174,968 61 In   conclusione   abbiamo   Regression 106,497 2 53,248 45,883 ,000b quindi   optato   per   il   modello   2 Residual 68,471 59 1,161 n u m e r o   t r e   i n   q u a n t o   Total 174,968 61 presenta   il   valore   di   R   2   Regression 114,049 3 38,016 36,195 ,000c maggiore  in  assoluto.     3 Residual 60,918 58 1,05 Total 174,968 61 MATRICE+DEI+COEFFICIENTI RispeXo  a  TwiXer   Coefficienti&non&standardizzati Coeff.&Stand abbiamo  individuato   B Std.&Error Beta t Sig. come  rilevante  la   (Constant) NON+Invasività+TW 0,564 0,333 0,528 0,08 0,397 1,067 4,148 0,291 0spiegazione  dei  seguen<   Completezza+TW 0,374 0,083 0,384 4,51 0 item  del  terzo  modello:   Interesse+Visitatori+TW 0,204 0,076 0,248 2,682 0,01 Variabile&dipendente:&Soddisfazione&globale&Twitter 79  
  • 79. REGRESSIONE LINEARE: TWITTERCalcolando   il   coefficiente   Beta   in   valori   percentuali   è   possibile   determinare   il   peso   di   impaXo  sulla   soddisfazione   globale   delle   variabili   ritenute   rilevan<.   Successivamente   abbiamo  ricavato   l’influenza   delle   singole   variabili.   La   più   rilevante   risulta   essere   la     Non   invasività,  seguita  da  Completezza  e  interesse  visitatori.   PESO%PERCENTUALE%DEI%DRIVER β % NON%Invasività 0,397 38,6% Completezza 0,384 37,3% Interesse%Visitatori 0,248 24,1% 45,0%& 38,6%& 37,3%& 40,0%& 35,0%& 30,0%& 24,1%& 25,0%& 20,0%& 15,0%& 10,0%& 5,0%& 0,0%& NON&Invasività& Completezza& Interesse&Visitatori& 80  
  • 80. SOCIAL NETWORK IDEALE VS FACEBOOK LINKEDIN E TWITTER Nella   tabella   sono   riassun<   i   valori   medi   aXribui<   dagli   intervista<   all’importanza   degli   item   oggeXo   di   studio   rispeXo   al   social   network   ideale   e   il   loro   giudizio   nei   confron<   dei   social  network  da  essi  u<lizza<.  Nelle  slides  seguen<  viene  evidenziato  l’andamento  dei   valori  medi  dei  vo<  aXribui<  a  Facebook  Linkedin  e  TwiXer  rapporta<  al  social  network   ideale.   SOCIAL-NETWORK-IDEALE FACEBOOK LINKEDIN TWITTER MEDIA STD.)ERROR MEDIA STD.)ERROR MEDIA STD.)ERROR MEDIA STD.)ERRORCredibilità 7,3 0,119 5,5 0,128 7,44 0,131 5,89 0,227Tutela-della-Privacy 7,9 0,124 4,81 0,18 6,68 0,14 5,77 0,258Interesse-dei-Visitatori 6,53 0,115 5,45 0,13 6,73 0,139 5,42 0,262Veridicità-delle-Informazioni 7,27 0,113 5,19 0,137 7,28 0,123 5,77 0,247Innovatività-degli-argomenti-dei-gruppi 6,59 0,117 4,97 0,149 6,21 0,141 6,76 0,292Coerenza-dei-gruppi-con-le-esigenze-Informative- 6,73 0,119 4,79 0,169 6,31 0,145 6,5 0,276Frequenza-di-aggiornamento-dei-contenuti-dei-gruppi 6,17 0,135 5,67 0,149 5,91 0,18 6,58 0,29NON-Invasività-del-social-network 7,47 0,127 5,05 0,176 6,24 0,169 6,31 0,257Grafica 7,05 0,12 6,61 0,106 5,53 0,163 5,92 0,243Facilità-duso 7,71 0,10 7,3 0,11 5,8 0,179 5,56 0,224Estetica 6,73 0,12 6,7 0,116 5,54 0,165 5,85 0,248Completezza 7,08 0,11 6,69 0,106 5,98 0,143 5,63 0,221 81  
  • 81. 0" 1" 2" 3" 4" 5" 6" 7" 8" 9" Cr ed Tu i bi te lit la à" "d el la In "P te riv re ss a cy e" " Ve d ei In rid "V n ov ici tà i si Co "d ta er aD el to vit le ri" en z à "d "InFr a"d eg fo eq ei l i "a rm u en "gr up rg om az io z a"d pi en ni " "co i "a n" D "d gg le ei io "e "gr rn si g up am en pi en z e" " t o" In fo de rm i "c aD NO on ve N" te "" In nu va D" s ivi de tà i "g "d ru el p pi "s oc " ia l "n et w or k" Gr afi ca Fa " cil it à" d u s o" Es te Dc a" Co m pl et ez z a" FACEBOOK" FACEBOOK VS SOCIAL NETWORK IDEALE SOCIAL"NETWORK"IDEALE"82  
  • 82. 0" 1" 2" 3" 4" 5" 6" 7" 8" 9" Cr ed Tu i bi te lit la à" "d el la In "P te riv re a cy ss " e" Ve d ei In rid "V no ici i si va tà ta Co Dv "d to er el ri" en ità le "d "In za eg fo Fr "d rm eq ei l i "a az u "gr rg io en up om ni za"d pi en " i "a "co n" D "d gg le ei io "e "gr rn si g up a m en pi en z e" " t o" In fo de rm i "c aD NO on ve N" te "" In nu va D" s ivi de i "g tà ru "d p el pi "s oc " ia l "n et w or k" Gr afi ca " Fa cil it à"d u s o" Es te Dc a" Co m pl et ez z a" LINKEDIN" SOCIAL"NETWORK"IDEALE" LINKEDIN VS SOCIAL NETWORK IDEALE83  
  • 83. 0" 1" 2" 3" 4" 5" 6" 7" 8" 9" Cr ed Tu i bi te lit la à" "d el In la "P te riv re ss a cy e" " Ve rid d ei In ici "V no i si Co va tà ta er D "d to vit el en à le ri" z a" d "d "In foFr eg eq ei l i "a rm u en "gr up rg az io om z a"d pi en " ni "co i "a n" D "d gg le ei io "e "gr rn si g up am en pi en ze "In " to "d fo ei rm NO "co aD nt ve N" en "" In uD va "d si v ei i tà "gr "d up el pi "so " cia l "n et w or k" Gr afi ca Fa " cil it à" d u s o" Es te Dc a" Co m pl et ez za " TWITTER" TWITTER VS SOCIAL NETWORK IDEALE SOCIAL"NETWORK"IDEALE"84  
  • 84. ANALISI DEI PUNTI DI FORZA E DI DEBOLEZZA DI FACEBOOK Per   la   costruzione   della   matrice   abbiamo   u<lizzato   la   media   degli   aXribu<   rela<vi   al   social   network  ideale  per  ricavare  limportanza  rela<va  degli  aXribu<.  Per  quanto  riguarda  invece  la   soddisfazione  abbiamo  calcolato  le  medie  dei  giudizi  aXribui<  ai  suddee  item  dagli  uten<,  per   il  social  network  Facebook.   ITEM Importanza media Soddisfazione media Asse X Asse YCredibilità 7,3 5,5 0,26 -0,23Tutela della Privacy 7,9 4,81 0,86 -0,92Interesse dei Visitatori 6,53 5,45 -0,51 -0,28Veridicità delle Informazioni 7,27 5,19 0,23 -0,54Innovatività degli argomenti dei gruppi 6,59 4,97 -0,45 -0,76Coerenza dei gruppi con le esigenze informative 6,73 4,79 -0,31 -0,94Frequenza di aggiornamento dei gruppi 6,17 5,67 -0,87 -0,06NON Invasività del social 7,47 5,05 0,43 -0,68Grafica 7,05 6,61 0,01 0,88Falicità duso 7,71 7,30 0,67 1,57Estetica 6,73 6,70 -0,31 0,97Completezza 7,08 6,69 0,04 0,96 7,04 5,73 85  
  • 85. PUNTI DI FORZA E DI DEBOLEZZA DI FACEBOOK 86  
  • 86. ANALISI DEI PUNTI DI FORZA E DI DEBOLEZZA DI LINKEDIN Per   la   costruzione   della   matrice   abbiamo   u<lizzato   la   media   degli   aXribu<   rela<vi   al   social   network  ideale  per  ricavare  limportanza  rela<va  degli  aXribu<.  Per  quanto  riguarda  invece  la   soddisfazione  abbiamo  calcolato  le  medie  dei  giudizi  aXribui<  ai  suddee  item  dagli  uten<,  per   il  social  network  Linkedin.   Importanza media Soddisfazione media Asse X Asse YCredibilità 7,3 7,44 0,26 1,14Tutela della Privacy 7,9 6,68 0,86 0,38Interesse dei Visitatori 6,53 6,73 -0,51 0,43Veridicità delle Informazioni 7,27 7,28 0,23 0,98Innovatività degli argomenti dei gruppi 6,59 6,21 -0,45 -0,09Coerenza dei gruppi con le esigenze informative 6,73 6,31 -0,31 0,01Frequenza di aggiornamento dei gruppi 6,17 5,91 -0,87 -0,39NON Invasività del social 7,47 6,24 0,43 -0,06Grafica 7,05 5,53 0,01 -0,77Falicità duso 7,71 5,80 0,67 -0,50Estetica 6,73 5,54 -0,31 -0,76Completezza 7,08 5,98 0,04 -0,32 7,04 6,30 87  
  • 87. PUNTI DI FORZA E DI DEBOLEZZA DI LINKEDIN 88  
  • 88. ANALISI DEI PUNTI DI FORZA E DI DEBOLEZZA DI TWITTER Per   la   costruzione   della   matrice   abbiamo   u<lizzato   la   media   degli   aXribu<   rela<vi   al   social   network  ideale  per  ricavare  limportanza  rela<va  degli  aXribu<.  Per  quanto  riguarda  invece  la   soddisfazione  abbiamo  calcolato  le  medie  dei  giudizi  aXribui<  ai  suddee  item  dagli  uten<,  per   il  social  network  TwiXer.   Importanza media Soddisfazione media Asse X Asse YCredibilità 7,3 5,89 0,26 -0,11Tutela della Privacy 7,9 5,77 0,86 -0,23Interesse dei Visitatori 6,53 5,42 -0,51 -0,58Veridicità delle Informazioni 7,27 5,77 0,23 -0,23Innovatività degli argomenti dei gruppi 6,59 6,76 -0,45 0,76Coerenza dei gruppi con le esigenze informative 6,73 6,5 -0,31 0,50Frequenza di aggiornamento dei gruppi 6,17 6,58 -0,87 0,58NON Invasività del social 7,47 6,31 0,43 0,31Grafica 7,05 5,92 0,01 -0,08Falicità duso 7,71 5,56 0,67 -0,44Estetica 6,73 5,85 -0,31 -0,15Completezza 7,08 5,63 0,04 -0,37 7,04 6,00 89  
  • 89. PUNTI DI FORZA E DI DEBOLEZZA DI TWITTER 90  
  • 90. ANALISI QUANTITATIVA: PUNTI DI FORZA DI LINKEDINSulle  217  osservazioni  rilevate  56  soggee  (ossia  il  25,81%  del  campione)  hanno  indicato  dei  pun<  di  forza  di  Linkedin:  I  più  diffusi:  •  In   20   casi   (35,71%   rispeXo   alle   56   risposte)   è   stato   indicato   come   punto   di   forza   la   professionalità  del  sito  •  La  veridicità  delle  informazioni  •  La  credibilità  del  sito  Alcune  peculiarità  riscontrate:  •  Rappresenta  un  modo  alterna<vo  ai  canali  off-­‐line  •  Catalogazione  dei  contae  in  base  allazienda  a  cui  appartengono  •  Immediata   visione   dei   contae   che   si   potrebbero   conoscere   e   il   grado   di   relazioni   che   ci   distanzia  da  loro  •  Le  aziende  li  u<lizzano  molto  per  fare  recrui<ng  dal  momento  che  è  di  facile  consultazione   e  gratuito  •  semplicità,  efficacia  e  conoscenza   91  
  • 91. ANALISI QUANTITATIVA: PUNTI DI FORZA DI LINKEDIN•  Pubblico   di   nicchia,   tecnico   e   specializzato,   si   possono   aggiungere   solamente   persone   che   conosci  realmente.  •  La  discrezione,  la  capacità  di  aver  creato  una  determinata  credibilità  intorno  al  marchio  e   la  possibilità  di  mantenere  relazioni  commerciali  tramite  il  web.  •  La  presenza  di  mol<  cv,  organizza<  per  keywords.  La  possibilità  di  collegarsi  con  persone   affini.   La   possibilità   di   trovare   offerte   di   lavoro   e   di   essere   trovato   da   possibili   datori   di   lavoro.  •  Il   networking   professionale,   la   sua   diffusione   e   lambiente   costruevo   che   crea,   incita   discussione  su  argomen<  interessan<ssimi  che  non  sarebbe  possibile  altrimen<.  •  Consente   di   essere   conosciu<   e   apprezza<   nelle   discussioni   dei   gruppi   da   persone   che   altrimen<  difficili  da  incontrare  in  condizioni  non  compe<<ve.  •  Il   conceXo   e   la   gerarchia   tra   contae   (1,   2   e   3   grado)   che   fornisce   numerosi   strumen<   di   privacy  per  chi  non  vuol  essere  contaXato  (non  mostrare  indirizzo  email,  non  richiesta  di   "amicizia").  •  permeXe  di  avere  info  generali  sulle  aziende   92  
  • 92. ANALISI QUANTITATIVA: PUNTI DI DEBOLEZZA DI LINKEDINSulle   217   osservazioni   rilevate   51   soggee   (ossia   il   23,5%   del   campione)   hanno   indicato   dei  pun<  di  debolezza  di  Linkedin:  I  più  diffusi:  •  L’account  Premium  a  pagamento:  9  osservazioni  •  La  NON  facilità  d’uso:  8  osservazioni    •  Grafica  non  soddisfacente:  7  osservazioni  •  Scarsa  interazione  live  tra  gli  iscrie:  6  osservazioni  Alcune  peculiarità  riscontrate:  •  poca  incisività,  scarsa  capacità  di  selezionare  i  candida<  e  la  compe<<vità  di  altre  fon<  di   ricerca  •  potrebbe  aggiungere  contenu<  semi-­‐professionale  (non  ludici)  per  essere  più  accaevante  •  A   volte   la   visibilità   a   tuXo   il   network   delle   raccomandazioni   e   delle   visite   dei   profili   potrebbe  limitare  l’accesso  e  la  visione  ai  profili,  e  il  rilascio  delle  raccomandazioni    •  gruppi  invasivi  e  poco  interessan<  e  poche  funzioni  del  servizio  free   93  
  • 93. ANALISI QUANTITATIVA: PUNTI DI DEBOLEZZA DI LINKEDIN•  Bassa  capacità  di  personalizzazione  della  propria  pagina  •  La   mancanza   di   un   reale   riscontro   in   rete   che   i   contae,   le   conoscenze   e   le   opportunità   por<no  in  seguito  a  concre<  risulta<  di  business  oltre  ad  accrescere  la  conoscenza  degli   argomen<  in  ques<one  •  Il   sistema   di   comunicazione   tra   contae   e   gruppi   non   consente   unefficace   integrazione   opera<va   come   ad   esempio   è   possibile   con   google   e   google+   (questul<mo   ha   delle   preroga<ve   interessan<,   le   sincronizzazione   nei   disposi<vi   mobili   non   sono   ancora   efficacissime,  solo  recentemente  è  possibile  salvare  le  aevità  svolte:  ad  esempio  contae   e  interven<).  Non  cè  unarea  per  ges<re  i  documen<  in  “cloud”.  Le  applicazioni  disponibili   sono  ancore  semplici  e  poco  complete,  ad  es  Xing  è  simile  ma  meno  diffuso  ma  a  molte   più   applicazioni   per   ges<re   relazioni,   comunicazioni   e   progee   di   gruppo.   Le   tariffe   sono   troppo  alte  rispeXo  al  servizio  gratuito  di  Google+  e  leconomico  Xing.  •  È   necessario   aggiornarlo   con<nuamente   per   essere   più   visibile   perché   cè   molta   più   concorrenza  che  off-­‐line.    •  La  ricerca  per  parole  chiave  a  volte  non  porta  ai  risulta<  auspica<.   94  
  • 94. ANALISI DISCRIMINANTEOBIETTIVO:   analizzare   il   posizionamento   compe<<vo   dei   3   social   network   presi   in  considerazione  sulla  base  della  soddisfazione  espressa  in  merito  ai  seguen<  aXribu<:   1.  Credibilità   7.  Frequenza  di  aggiornamento  dei  gruppi   2.  Tutela  della  Privacy   8.  Non  invasività  delle  segnalazioni   3.  Interesse  dei  visitatori   9.  StruXura  e  grafica   4.  Veridicità  delle  informazioni   10. Facilità  d’uso   5.  Innova<vità  degli  argomen<   11. Completezza   6.  Coerenza  dei  contenu<  dei  gruppi   12. Grafica   Analysis*Case*Processing*SummaryUnweighted*Cases N PercentValid 368 96,1Excluded Missing*or*out?of?range*group*codes 0 0 At*least*one*missing*discriminating*variable 15 3,9 Both*missing*or*out?of?range*group*codes*and*at*least*one*missing*discriminating*variable 0 0 Total 15 3,9Total 383 100 Il  numero  totale  di  osservazioni  rilevate  dall’analisi  è  di  368.   In  15  casi  c’è  almeno  una  variabile  discriminante  mancante.     95  
  • 95. ANALISI DISCRIMINANTE TestsofEqualityofGroupMeans WilksLambda F df1 df2 Sig. Credibilità 0,772 53,855 2 365 0 Privacy 0,857 30,505 2 365 0 Interessedeivisitatori 0,887 23,249 2 365 0 VeridicitàdelleInformazioni 0,761 57,293 2 365 0 Innovatività 0,872 26,857 2 365 0 Coerenzadeigruppi 0,867 27,937 2 365 0 Frequenzadiaggiornamentodeigruppi 0,976 4,444 2 365 0,012 Noninvasività 0,925 14,749 2 365 0 Grafica 0,919 16,125 2 365 0 Facilitàduso 0,827 38,178 2 365 0 Estetica 0,912 17,57 2 365 0 Completezza 0,929 13,91 2 365 0Il   potere   discriminante   delle   variabili   esplica<ve   segue   l’ordine   (dal   più   importante   al   meno  importante)   secondo   il   valore   di   F.   Tanto   più   è   elevato   F   tanto   più   discriminan<   sono   gli   item,  abbiamo  evidenziato  in  giallo  le  due  variabili  maggiormente  significa<ve.  Il   test   Lambda   di   Wilks   conferma   la   scelta   in   quanto   i   valori   più   bassi   di   λ   stanno   a   indicare   che   la  maggior  parte  della  variabilità  è  aXribuibile  alla  differenza  tra  la  media  dei  gruppi.   96  
  • 96. ANALISI DISCRIMINANTE Eigenvalues(b) Function Eigenvalue %/of/Variance Cumulative/% Canonical/Correlation 1 ,878a 79 79 0,684 2 ,233a 21 100 0,435 a./First/2/canonical/discriminant/functions/were/used/in/the/analysis. b./Maximum/number/of/functions/is/2.Si  nota  come  le  prime  due  funzioni  discriminan<  risul<no  più  che  sufficien<  per  l’analisi  in  quanto  se  considerate  congiuntamente  permeXono  di  spiegare  il  100%  della  varianza  dei  gruppi.   Wilks%Lambda Test%of%Function(s) Wilks%Lambda Chi:square df Sig. 1%through%2 0,432 301,909 24 0 2 0,811 75,351 11 0La  significa<vità  pari  a  zero  che  emerge  aXraverso  il  test  Lambda  di  Wilks  conferma  che  le  variabili  in  ques<one  sono  significa<ve.   97  
  • 97. ANALISI DISCRIMINANTE Functions;at;Group;Centroids Function Brand 1 2 FACEBOOK !0,649 !0,71 LINKEDIN 1,029 0,436 TWITTER !0,343 1,083 Unstandardized4canonical4discriminant4 functions4evaluated4at4group4meansI  valori  espressi  dalla  tabella  riportata  esprimono  i  punteggi  standardizza<  e  le  coordinate  sulla   mappa   di   posizionamento   dei   brand   (valori   presi   dalle   funzioni   dei   baricentri   dei  gruppi)   rispeXo   alle   funzioni   lineari   discriminan<.   La   mappa   di   posizionamento   viene  costruita  u<lizzando  i  punteggi,  rispeXo  alle  prime  due  funzioni  discriminan<  degli  aXribu<  (dato  preso  dalla  matrice  di  struXura  e  degli  oggee).   98  
  • 98. ANALISI DISCRIMINANTE Matrice!di!struttura!ruotata La   matrice   di   struXura   ruotata  ! Funzione i n d i c a   i l   c o e ffi c i e n t e   d i   1 2 correlazione   tra   i   valori   della  Credibilità!e!Professionalità 0,694 0,012 variabile   e   fra   i   valori   delle  Privacy 0,681 0,074Interesse!dei!Visitatori 0,505 @0,097 funzioni  discriminan<.  Il  potere  Veridicità!Informazioni 0,407 0,189 discriminante   della   variabile   è  Innovatività @0,257 @0,188 direXamente   proporzionale  Coerenza!Esigenze!Informative @0,239 @0,229 alla   grandezza   (in   valore  Frequenza!Aggiornamento @0,151 @0,532 assoluto)   del   valore   della  NON!Invasività 0,033 0,516 correlazione.  Struttura!Grafica 0,142 0,444 In   genere   la   correlazione   dello  Facilità!Uso @0,011 @0,38 stesso   aXributo   con   le   diverse  Estetica 0,121 0,308Completezza @0,113 0,265 funzioni   discriminan<   sono   notevolmente  differen<.   Se  questo  fenomeno  è  verificato  si  procede  all’interpretazione  del  significato  delle  dimensioni   ossia   si   associa   ciascun   aXributo   solo   ed   esclusivamente   alla   funzione   discriminante   con   la   quale  manifesta  la  correlazione  maggiore.   99  
  • 99. ANALISI DISCRIMINANTE AXraverso   la   mappa   di   posizionamento   si   possono   interpretare   l e   p o s i z i o n i   d i   Facebook,   Linkedin   e   TwiXer   rispeXo   alle   due   funzioni   lineari   discriminan<  ossia:   X   =   professionalità   e   la  privacy  del  sito;   Y   =   frequenza   di   aggiornamento   (in   b a s s o )   v s   n o n   invasività   dei   social   network  (in  alto).  GIUDIZIO   SINTETICO:   Facebook   risulta   essere   percepito   come   il   social   network   con  maggiore   frequenza   di   aggiornamento,   TwiXer   presenta   una   elevata   “non   invasività”   e  Linkedin  una  buona  “non  invasività”.  Per  quanto  concerne  la  professionalità  e  privacy  del  sito  osserviamo  che  Linkedin  presenta  il  posizionamento  migliore  e  Facebook  il  peggiore.  100  
  • 100. ANALISI DISCRIMINANTEGIUDIZIO   ANALITICO:   con   riferimento   al   veXore   coerenza   del   contenuto  dei   gruppi   con   le   esigenze   informa<ve   degli   uten<   osserviamo   che  Facebook  oeene  il  posizionamento  migliore.   101  
  • 101. ANALISI DISCRIMINANTEGIUDIZIO   ANALITICO:   con   riferimento   all’item   completezza   del   social  network  osserviamo  che  TwiXer  oeene  il  posizionamento  migliore.   102  
  • 102. ANALISI DISCRIMINANTEGIUDIZIO  ANALITICO:  rispeXo  alla  variabile  credibilità  degli  uten.  iscriX  al  social  network  il  posizionamento  migliore  è  oXenuto  da  Linkedin.   103  
  • 103. ANALISI DISCRIMINANTEGIUDIZIO   ANALITICO:   Facebook   risulta   essere   il   social   network   meglio  posizionato  per  quanto  riguarda  la  facilità  d’uso.   104  
  • 104. ANALISI DISCRIMINANTE GIUDIZIO   ANALITICO:   Facebook   è   il   social   network   percepito   migliore   per   quanto   concerne   la   frequenza  di  aggiornamento  dei  gruppi.   105  
  • 105. ANALISI DISCRIMINANTEGIUDIZIO   ANALITICO:   rela<vamente   all’   innova.vità   degli   argomen.  traHa.  dai  gruppi  Facebook  oeene  il  miglior  posizionamento.     106  
  • 106. ANALISI DISCRIMINANTEGIUDIZIO   ANALITICO:   Linkedin   risulta   essere   il   social   nework   con   il  miglior  posizionamento  per  quanto  riguarda  l’interesse  dei  visitatori.     107  
  • 107. ANALISI DISCRIMINANTEGIUDIZIO   ANALITICO:   TwiXer   risulta   essere   percepito   il   meno   invasivo,  seguito   da   Linkedin   e   con   Facebook   marcamente   distante   dai   primi   due  social  network  (viene  quindi  percepito  come  un  social  network  invasivo).   108  
  • 108. ANALISI DISCRIMINANTEGIUDIZIO   ANALITICO:   Linkedin   è   percepito   come   il   social   network   che  tutela  maggiormente  la  privacy  rispeXo  a  TwiXer  e  Facebook.   109  
  • 109. ANALISI DISCRIMINANTEGIUDIZIO   ANALITICO:   Linkedin   è   percepito   anche   come   il   social   network  con  la  miglior  veridicità  delle  informazioni  rilasciate  dagli  uten<  nei  profili.   110  
  • 110. ANALISI DISCRIMINANTESINTESI  DEL  GIUDIZIO  ANALITICO:    •  LINKEDIN  RISULTA  AVERE  LA  MIGLIOR  PERCEZIONE  NELLA  MENTE  DEI  CONSUMATORI  IN:   1.  Credibilità  degli  uten<   2.  Interesse  dei  visitatori  verso  gli  altri  uten<   3.  Tutela  della  privacy   4.  Veridicità  delle  informazioni  rilasciate  dagli  uten<  nei  propri  profili    •  FACEBOOK  RISULTA  AVERE  LA  MIGLIOR  PERCEZIONE  NELLA  MENTE  DEI  CONSUMATORI  IN:   1.  Coerenza  del  contenuto  dei  gruppi  con  le  esigenze  informa<ve  degli  uten<   2.  Facilità  d’uso   3.  Frequenza  di  aggiornamento  dei  contenu<  informa<vi  dei  gruppi   4.  Innova<vità    •  TWITTER  RISULTA  AVERE  LA  MIGLIOR  PERCEZIONE  NELLA  MENTE  DEI  CONSUMATORI  IN:   1.  Completezza  del  social  network  (dal  punto  di  vista  struXurale  e  funzionale  del  sito)   2.  Non  invasività   111  
  • 111. IMPLICAZIONI DI MARKETING•  Dall’analisi   svolta   è   emerso   che   l’iscrizione   a   Linkedin   è   direXamente   correlata   con   l’età   degli   intervista<.   Ciò   è   da   aXribuirsi   alla   professionalità   del   sito   che   presuppone   una   specializzazione   adeguata   per   poterne   sfruXare   appieno   i   pun<   di   forza.   La   percentuale   di   soggee   iscrie   a   Linkedin   aumenta   in   maniera   direXamente   proporzionale   rispeXo   al   <tolo  di  studio  posseduto.  Inoltre  i  possessori  di  un  account  presentano  una  media  della   variabile   (STATUS)   da   noi   riclassificata   leggermente   superiore   rispeXo   alla   media   generale   (questo  fenomeno  risulta  coerente  con  la  correlazione  posi<va  rispeXo  ai  <toli  di  studio  in   quanto   si   può   presupporre   che   con   un   livello   d’istruzione   superiore   si   possa   godere   di   reddi<   più   eleva<   e   di   conseguenza   si   possa   godere   di   una   capacità   di   acquisto   più   elevata).  •  Linkedin   risulta   essere   consultato   dagli   iscrie   in   media   più   di   una   volta   a   seemana   (a   differenza   di   Facebook   che   viene   visitato   più   frequentemente:   una   volta   a   seemana).   Anche   questo   fenomeno   è   da   considerarsi   coerente   con   la   percezione   professionale,   lavora<va  e  non  ludica  del  sito.  •  Linkedin   è   lo   strumento   più   u<lizzato   per   cercare   lavoro   tra   le   6   alterna<ve   proposte   e   oeene  la  media  migliore  dei  giudizi  (6,12).  Tale  considerazione  è  da  aXribuire  all’elevata   professionalità  e  all’internazionalità  del  sito.   112  
  • 112. IMPLICAZIONI DI MARKETING•  Si   rileva   che   i   canali   aXraverso   i   quali   si   viene   maggiormente   a   conoscenza   del   sito   sono   Amici   e   familiari   (35%)   e   Internet   (32,7%).   Il   fenomeno   in   ques<one   viene   considerato  rilevante  in  quanto  il  passaparola  tra  amici  e  familiari  risulta  essere  molto   efficace.  •  Linkedin  risulta  ricoprire  un  ruolo  determinante  nella  percezione  del  consumatore  per   quanto   riguarda   la   credibilità   degli   uten<,   l’interesse   dei   visitatori   verso   gli   altri   uten<,   la   tutela   della   privacy   e   la   veridicità   delle   informazioni   presen<   nei   profili.   Queste   caraXeris<che  si  riconoscono  appieno  nel  conceXo  di  social  network  “professionale”.   Si  ri<ene  importante  mantenere  e,  laddove  possibile,  rafforzare  queste  caraXeris<che   all’interno  del  social  network.  •  A   nostro   avviso   sarebbe   u<le   potenziare   l’interazione   tra   i   diversi   soggee   all’interno   del  network  data  l’indicazione  di  questo  bisogno  espressa  dagli  intervista<  nei  “pun<  di   debolezza”  e  dalla  difficoltà  di  trovare  effeevamente  un  impiego  grazie  a  Linkedin.   113  
  • 113. IMPLICAZIONI DI MARKETING•  L’account   premium   viene   percepito   come   troppo   dispendioso   da   alcuni   uten<   e   presenta   una   diffusione   non   soddisfacente   (2,2%   del   campione).   A   tal   proposito,   per  aumentarne  la  soXoscrizione  potrebbe  essere  u<le  diminuire  il  prezzo  oppure   potenziare  i  servizi  offer<.  •  Rendere   il   sito   più   user-­‐friendly,   migliorarne   l’interfaccia   e   la   grafica   (individua<   come  pun<  di  debolezza  sostanziali)  potrebbe  contribuire  in  maniera  significa<va   ad   una   rapida   diffusione   del   servizio   dal   momento   che   ne   renderebbe   maggiormente   agevole   la   fruizione,   mantenendo   sempre   il   target   focalizzato   su   una   nicchia   di   soggee   professionali   e   specializza<   (circostanza   che   rappresenta   un   punto  di  forza  sostanziale  del  social  network).   114  
  • 114. LIMITI DELLA RICERCA•  Data   la   ristreXezza   dei   tempi   non   è   stato   possibile   raggiungere   un   numero   elevato   di   ques<onari   (217   in   totale).   Il   campione   di   riferimento   potrebbe   non   essere   rappresenta<vo  della  popolazione.  •  La  raccolta  dei  da<  per  fasce  d’età  superiori  ai  30  anni  si  è  rilevata  scarsa.    •  Ciononostante  abbiamo  riscontrato  una  notevole  significa<vità  dei  risulta<  delle  nostre   analisi.   Questo   fenomeno   potrebbe   essere   determinato   dal   faXo   che   la   maggioranza   assoluta  del  campione  di  riferimento  fosse  cos<tuita  da  studen<  e  che  quindi  sia  stata   rilevata  un’ampia  uniformità  dei  da<.   115