Vai ai contenuti. | Spostati sulla navigazione | Spostati sulla ricerca | Vai al menu | Contatti | Accessibilità

| Crea un account

Bordignon, Paolo (2015) Valutazione delle preferenze e customer satisfaction: un approccio basato sulla conjoint analysis e sui modelli mistura. [Tesi di dottorato]

Full text disponibile come:

[img]
Anteprima
Documento PDF (Tesi di dottorato)
21Mb
[img]
Anteprima
Documento PDF (Errata corrige)
25Kb

Abstract (inglese)

Preference evaluation methods like Conjoint Analysis and Choice Based Conjoint Analysis have been described as the most used methods among marketing operators (Green and Srinivasan, 1990; Green et al., 2001). The concept of preference evaluation is linked to the Customer Satisfaction measurement with the latter a direct measure of preferences and expectations (Grigoroudis and Siskos, 2002).
Within the choice of a suitable statistical model, Combination Uniform Binomial (CUB) models have been developed with the aim to explain the psychological mechanism underlying the choice process (D’Elia, 2003; D’Elia and Piccolo, 2005). Several model extensions have been developed (Iannario, 2013) in order to take into account the multifaceted individual choice behaviour. Within the framework of preference evaluation and Customer Satisfaction measurement, CUB models are suited to many real cases (Piccolo and D’Elia, 2008; Corduas et al., 2009; Cicia et al., 2010; Iannario et al., 2012; Iannario and Piccolo, 2012; Bordignon and Salmaso, 2013; Arboretti and Bordignon, 2014), confirming CUB models as useful and theorem based (Iannario and Piccolo, 2014) statistical models. Feeling and Uncertainty are supposed to be latent variables involved in the choice process of an item. The interpretation is very flexible with the “feeling” parameter explaining for the meaning (satisfaction, preference or attention) the measurement scale is supposed to measure. The CUB model extension involving the introduction of covariates to explain feeling and uncertainty latent variables is the main extension applied to an integrated approach.

Abstract (italiano)

I metodi di valutazione delle preferenze come la Conjoint Analysis e la Choice Based Conjoint Analysis vengono descritti come i metodi più usati dagli addetti ai lavori nel marketing (Green e Srinivasan, 1990; Green et al., 2001). Il concetto di valutazione delle preferenze è collegato a quello di misurazione della Customer Satisfaction dove questa ultima è considerata una misura diretta di preferenza ed aspettativa (Grigoroudis e Siskos, 2002).
Nel valutare la scelta di un modello statistico appropriato, i modelli CUB (Combination Uniform Binomial) sono stati sviluppati allo scopo di spiegare il meccanismo psicologico alla base del processo di scelta (D’Elia, 2003; D’Elia e Piccolo, 2005). Molte sono state le estensioni del modello sviluppate (Iannario, 2013) al fine di spiegare comportamenti diversi coinvolti nel processo di scelta. In riferimento alla valutazione delle preferenze e alla misurazione della Customer Satisfaction, i modelli CUB si sono rivelati adatti in molti casi reali (Piccolo e D’Elia, 2008; Corduas et al., 2009; Cicia et al., 2010; Iannario et al., 2012; Iannario e Piccolo, 2012; Bordignon e Salmaso, 2013; Arboretti e Bordignon, 2014), confermandoli come uno strumento utile oltre che basato su una teoria dimostrata (Iannario e Piccolo, 2014).
Le variabili latenti feeling e uncertainty si ipotizza siano coinvolte nel processo di scelta di un item. L’interpretazione è molto flessibile, infatti il parametro “feeling” è collegato al costrutto (soddisfazione, preferenza o attenzione) che si intende misurare. La principale estensione del modello CUB presa in considerazione è quella che prevede l’introduzione di covariate al fine di spiegare le variabili latenti feeling e uncertainty.
Lo scopo principale della Tesi è mostrare come l’applicazione dei modelli CUB e della Conjoint Analysis danno un valore aggiunto rispetto alla applicazione della sola Conjoint Analysis. Un’analisi più approfondita degli studi sulla valutazione delle preferenze ha permesso di identificare il secondo scopo della ricerca: l’applicazione dei modelli CUB successivamente ad uno studio di Conjoint Analysis permette di ottenere maggiori informazioni sulla percezione dei rispondenti?
Allo scopo di ottenere una misura della Customer Satisfaction, i modelli CUB applicati alle valutazioni di soddisfazione di alcune scuole di sci ha mostrato che attraverso una analisi a due fasi è stato possibile identificare rilevanti covariate coinvolte nel ranking delle migliori scuole.
Successivamente è stata condotta una survey sul packaging alimentare. L’applicazione dei modelli CUB ad alcuni aspetti di soddisfazione sul packaging alimentare ha rivelato il feeling a l’uncertainty dei rispondenti e ha gettato luce su importanti caratteristiche dei soggetti collegate a quegli aspetti. I modelli CUB sono stati applicati a specifici gruppi di profili selezionati in base ai risultati della Conjoint Analysis. L’approccio integrato ha permesso di stimare feeling e uncertainty dei soggetti per i livelli degli attributi aventi l’utilità più elevata come il packaging biodegradabile e il formato multipla divisibile. L’introduzione delle covariate ha mostrato che determinate caratteristiche demografiche sono collegate sia al feeling che all’uncertainty. I risultati della segmentazione “data-driven” dell’approccio integrato “CUB models e Conjoint Analysis” è stato il contributo più importante. Infine vengono discussi i limiti della ricerca e le direzioni di ricerca future.

Statistiche Download - Aggiungi a RefWorks
Tipo di EPrint:Tesi di dottorato
Relatore:Salmaso, Luigi
Dottorato (corsi e scuole):Ciclo 27 > scuole 27 > INGEGNERIA GESTIONALE ED ESTIMO
Data di deposito della tesi:27 Gennaio 2015
Anno di Pubblicazione:27 Gennaio 2015
Parole chiave (italiano / inglese):modelli CUB, modelli mistura, valutazione delle preferenze, conjoint analysis, customer satisfaction CUB models, mixture models, preference evaluation, conjoint analysis, customer satisfaction
Settori scientifico-disciplinari MIUR:Area 09 - Ingegneria industriale e dell'informazione > ING-IND/35 Ingegneria economico-gestionale
Struttura di riferimento:Dipartimenti > Dipartimento di Tecnica e Gestione dei Sistemi Industriali
Codice ID:7597
Depositato il:16 Nov 2015 14:35
Simple Metadata
Full Metadata
EndNote Format

Bibliografia

I riferimenti della bibliografia possono essere cercati con Cerca la citazione di AIRE, copiando il titolo dell'articolo (o del libro) e la rivista (se presente) nei campi appositi di "Cerca la Citazione di AIRE".
Le url contenute in alcuni riferimenti sono raggiungibili cliccando sul link alla fine della citazione (Vai!) e tramite Google (Ricerca con Google). Il risultato dipende dalla formattazione della citazione.

Allenby G.M., Arora N. e Ginter J.L. (1995). Incorporating prior knowledge into the analysis of conjoint studies. Journal of Marketing Research, 32, 152-162. Cerca con Google

Alpert M.I. (1971). Identification of determinant attributes: A comparison of methods. Journal of Marketing Research, 8, 184-191. Cerca con Google

Alpert M.I., Betak J.F. e Golden L.L. (1978). Data gathering issues in conjoint measurement. Working paper, Graduate School of Business, the University of Texas at Austin. Cerca con Google

Alriksson S. e Öberg T. (2008). Conjoint analysis for environmental evaluation. A review of methods and applications, Environmental Science and Pollution Research, 15 (3), 244-257. Cerca con Google

Arboretti Giancristofaro R. e Bordignon P. (2014). Combination of Uniform Binomial (CUB) Models: an application to the evaluation of food packaging. In JSM Proceedings, Statistical Computing Section. Alexandria, VA: American Statistical Association. 2581-2593. Cerca con Google

Arboretti Giancristofaro R., Bonnini S., Corain L. e Salmaso L. (2014). A permutation approach for ranking of multivariate populations. Journal of Multivariate Analysis, 132, 39-57. Cerca con Google

Arboretti Giancristofaro R., Bordignon P. e Carrozzo E. (2014). Two phase analysis of ski schools customer satisfaction: multivariate ranking and cub models. STATISTICA (in corso di pubblicazione). Cerca con Google

Ares G. e Deliza R. (2010). Studying the influence of package shape and color on consumer expectations of milk desserts using word association and conjoint analysis. Food Quality and Preference, 21 (8), 930-937. Cerca con Google

Ares G., Besio M., Gimenez A. e Deliza R. (2010). Relationship between involvement and functional milk desserts intention to purchase. Influence on attitude towards packaging characteristics. Appetite, 55 (2), 298-304. Cerca con Google

Batsell R.R. e Louviere J.J. (1991). Experimental analysis of choice. Marketing Letters, 2 (3), 199-214. Cerca con Google

Bonnini S., Corain L. e Salmaso L. (2006). A new statistical procedure to support industrial research into new product development. Quality and Reliability Engineering International, 22 (5), 555-566. Cerca con Google

Bordignon P. e Salmaso L. (2013). Monitoring Customer Satisfaction by innovative statistical methods and models with application to tourists' opinions. Proceedings of the LCBR European Marketing Conference 2013, Session E, ISSN 2190-7938. Cerca con Google

Box G. E. P. e Draper N. R. (1987). Empirical Model Building and Response Surfaces, John Wiley & Sons, New York. Cerca con Google

Boxall P.C., Adamowicz W.L., Swait J., Williams M. e Louviere J. (1996). A comparison of stated preference methods for environmental valuation. Ecological Economics, 18, 243-253. Cerca con Google

Braun M.A. e Srinivasan V. (1975). Amount of information as a determinant of consumer behavior towards new products. 1975 Combined Proceedings, Chicago: American marketing Association, 373-378. Cerca con Google

Cappelli A., Nocera S. e Salerno G. (2009). Affidabilità delle indagini conoscitive e coerenza delle basi informative per la costruzione e calibrazione di modelli di scelta modale merci. A cura di Alleva G. e Falorsi D.P., Indicatori e Modelli Statistici per la Valutazione Degli Squilibri Territoriali, FrancoAngeli, Milano, 137-153. Cerca con Google

Carroll J.D. (1969). Categorical conjoint measurement, Meeting at the Mathematical Psychology, Ann Arbor, MI. Cerca con Google

Carroll J.D. e Arabie P. (1980). Multidimensional scaling. Annual Review of Psychology, 31, 607-649. Cerca con Google

Carson R.T. e Louviere J.J. (2011). A common nomenclature for stated preference elicitation approaches, Environmental and Resource Economics, 49 (4),539-559. Cerca con Google

Chen Q., Anders S. e An H. (2013). Measuring consumer resistance to a new food technology: A choice experiment in meat packaging. Food Quality and Preference, 28 (2), 419-428. Cerca con Google

Cicia G, Corduas M., Del Giudice T. e Piccolo D. (2010). Valuing consumer preferences with the CUB model: a case study of fair trade coffee. International Journal on Food System Dynamics, 1, 82-93. Cerca con Google

Cohen S.H. (1997). Perfect union. CBCA marries the best of conjoint and discrete choice models, Marketing Research Magazine, 3, 12-17. Cerca con Google

Connolly A. e Davidson L. (1996). How does design affect decisions at point of sale? Journal of Brand Management, 4 (2), 100-107. Cerca con Google

Corain L. e Salmaso L. (2007). A nonparametric method for defining a global preference ranking of industrial products. Journal of Applied Statistics, 34 (2), 203-216. Cerca con Google

Corduas M., Cinquanta L. e Ievoli C. (2013). The importance of wine attributes for purchase decisions: A study of Italian consumers’ perception. Food Quality and Preference, 28, 407-418. Cerca con Google

Corduas M., Iannario M. e Piccolo D. (2009). A class of statistical models for evaluating services and performances. In: Monari P., Bini M., Piccolo D. e Salmaso L. (Eds), Statistical Methods for the Evaluation of Educational Services and Quality of Products. Physica-Verlag HD, Heidelberg, 99-117. Cerca con Google

D’Elia A. (2000). Il meccanismo dei confronti appaiati nella modellistica per graduatorie: sviluppi statistici ed aspetti critici. Quaderni di Statistica, 2, 173-203. Cerca con Google

D’Elia A. (2003). A mixture model with covariates for ranks data: some inferential developments. Quaderni di Statistica, 5, 1-25. Cerca con Google

D’Elia A. (2004). New developments in ranks data modelling with covariate. Atti della XLII Riunione Scientifica SIS, CLEUP, Padova, 233-244. Cerca con Google

D’Elia A. e Piccolo D. (2005). A mixture model for preferences data analysis. Computational Statistics & Data Analysis, 49, 917-934. Cerca con Google

Deldossi L. e Zappa D. (2012). Evaluating R&R of ordinal classifications with CUB model. Quaderni di Statistica, 14, 89-92. Cerca con Google

DeSarbo W.S., Ramaswamy V. e Cohen S.H. (1995). Market segmentation with choice-based conjoint analysis. Marketing Letters, 6 (2), 137-147. Cerca con Google

Elrod T., Louviere J.J. e Davey K. (1992). An empirical comparison of rating-based and choice-based conjoint models. Journal of Marketing Research, 29, 368-377. Cerca con Google

Green P.E. e Rao V.H. (1971). Conjoint measurement for quantifying judgmental data. Journal of Marketing Research, 8, 355-363. Cerca con Google

Green P.E. e Srinivasan V. (1978). Conjoint analysis in consumer research: Issues and outlook, The Journal of Consumer Research, 5 (2), 103-123. Cerca con Google

Green P.E. e Srinivasan V. (1990). Conjoint analysis in marketing: New developments with implications for research and practice. Journal of Marketing, 54, 3-19. Cerca con Google

Green P.E., Carroll J.D. e Carmone F.J. (1978). Some new types of fractional factorial designs for marketing experiments. A cura di Sheth J.N. e Greenwich C.T., Research in Marketing, Vol. I, JAI Press. Cerca con Google

Green P.E., Goldberg S.M. e Montemayor M. (1981). A hybrid utility estimation model for conjoint analysis. Journal of Marketing, 45, 33-41. Cerca con Google

Green P.G., Krieger A.M. e Wind Y.J. (2001). Thirty years of Conjoint Analysis: reflections and prospects. Interfaces, 31(3) Part 2 of 2, pp.S56-S73. Cerca con Google

Grigoroudis E. e Siskos Y. (2002). Preference disaggregation for measuring and analyzing customer satisfaction: the MUSA method. European Journal of Operational Research, 143, 148-170. Cerca con Google

Hensher D.A., Rose J.M. e Greene W.H. (2005). Applied choice analysis. A primer, Cambridge University Press, New York. Cerca con Google

Iannario M. (2009). Fitting measures for ordinal data models. Quaderni di statistica, 11, 39-72. Cerca con Google

Iannario M. (2010). On the identifiability of a mixture model for ordinal data. METRON-International Journal of Statistics, vol. LXVIII, 1, 87-94. Cerca con Google

Iannario M. (2012). Modelling shelter choices in a class of mixture models for ordinal responses. Statistical Methods & Applications, 21, 1-22. Cerca con Google

Iannario M. (2014). Modelling uncertainty and overdispersion in ordinal data. Communications in Statistics-Theory and Methods, 43, 771-786. Cerca con Google

Iannario M. e Piccolo D. (2009). A program in R for CUB model inference. Available at http://www.researchgate.net/publication/228987009_A_program_in_R_for_CUB_models_inference Vai! Cerca con Google

Iannario M. e Piccolo D. (2012). CUB models: statistical methods and empirical evidence. In: Kennet S.R. e Salini S. (Eds), Modern Analysis of Customer Satisfaction Surveys: With Applications Using R. Wiley & Sons, Chichester, 231-258. Cerca con Google

Iannario M. e Piccolo D. (2013a). A model-based approach for qualitative assessment in opinion mining. In: Giusti A., Ritter G. e Vichi M. (Eds), Classification and data mining. Springer Berlin Heidelberg, 113-120. Cerca con Google

Iannario M. e Piccolo D. (2013b) A short guide to CUB 3.0 program. http://www.researchgate.net. Ultimo accesso 18 dic. 2014 Vai! Cerca con Google

Iannario M. e Piccolo D. (2014). A theorem on CUB models for rank data. Statistics and Probability Letters, 91, 27-31. Cerca con Google

Iannario M., Manisera M., Piccolo D. e Zuccolotto P. (2012). Sensory analysis in the food industry as a tool for marketing decisions. Advances in Data Analysis and Classification, 6, 303-321. Cerca con Google

Icaro Consulting (2013). Consumer attitudes to food waste and food packaging. Available at http://www.wrap.org.uk/fresherforlonger Vai! Cerca con Google

Ipsilandis P.G., Samaras G. e Mplanas N. (2008). A multicriteria satisfaction analysis approach in the assessment of operational programmes. International Journal of Project Management, 26, 601-611. Cerca con Google

Johnson R.M. (1974). Trade-off analysis of consumer values. Journal of Marketing Research, 11, 121-127. Cerca con Google

Johnson R.M. (1987). Adaptive Conjoint Analysis. In Sawtooth Software Conference on Perceptual Mapping, Conjoint Analysis and Computer Interviewing. Ketchum, ID: Sawtooth Software, 253-265. Cerca con Google

Kang D. e Park Y. (2014). Review-based measurement of customer satisfaction in mobile service: sentiment analysis and VIKOR approach. Expert Systems with Applications, 41, 1041-1050. Cerca con Google

Kennet S.R. e Salini S. (2011). Modern analysis of customer satisfaction surveys: comparison of models and integrated analysis. Applied Stochastic Models in Business and Industry, 27, 465-475. Cerca con Google

Ko Y.J. e Pastore D. (2004). Current Issues and Conceptualizations of Service Quality in the Recreation Sport Industry. Sport Marketing Quarterly, 13, 159-167. Cerca con Google

Koutsimanis G., Getter K., Behe B., Harte J. e Almenar E. (2012). Influences of packaging attributes on consumer purchase decisions for fresh produce. Appetite, 59 (2), 270-280. Cerca con Google

Krantz D.H. e Tversky A. (1971). Conjoint measurement analysis of composition rules in psychology. Psychological Review, 78, 151-169. Cerca con Google

Kroes E.P. e Sheldon R.J. (1988). Stated preference methods. An introduction, Journal of Transport Economics and Policy, 22 (1), 11-25. Cerca con Google

Kruskal J.B. (1965). Analysis of factorial experiments by estimating monotone transformations of the data, Journal of the Royal Statistical Society, Serie B, 27, 251-263. Cerca con Google

Lenk P.J., DeSarbo W.S., Green P.E. e Young M.R. (1996). Hierarchical Bayes conjoint analysis: Recovery of part-worth heterogeneity from reduced experimental designs. Marketing Science, 15 (2), 173-191. Cerca con Google

Lofgren M. e Wittel L. (2005). Kano’s theory of attractive quality and packaging. Quality Management Journal, 12 (3), 7-20. Cerca con Google

Lofgren M., Witell L. e Gustafsson A. (2008). Customer satisfaction in the first and second moments of truth. Journal of Product & Brand Management, 17 (7), 463-474. Cerca con Google

Louviere J.J. (1988a). Conjoint analysis modelling of stated preferences. A review of theory, methods, recent developments and external validity, Journal of Transport Economics and Policy, 93-119. Cerca con Google

Louviere J.J. (1988b). Analyzing decision making: Metric conjoint analysis, Sage, Newbury Park, CA. Cerca con Google

Louviere J.J. e Woodworth G.G. (1983). Design and analysis of simulated consumer choice or allocation experiments: an approach based on aggregate data. Journal of Marketing Research, 20, 350-367. Cerca con Google

Louviere J.J., Hensher D.A. e Swait J. (2003). Conjoint preference elicitation methods in the broader context of random utility theory preference elicitation methods. A cura di Gustafsson A., Herrman A. e Huber F., Conjoint measurement - methods and applications, Springer Verlag, pp. 331-370. Cerca con Google

Louviere J.J., Hensher D.A. e Swait J.D. (2000). Stated Choice Methods. Analysis and Applications, Cambridge University Press. Cerca con Google

Luce R.D. e Tukey W.J. (1964). Simultaneous conjoint measurement: a new type of fundamental measurement. Journal of Mathematical Psychology, 1 (1), 1-27. Cerca con Google

Matzler K. e Siller H. (2004). Linking travel motivations with perceptions of destinations: the case of youth travelers in Alpine summer and winter tourism. Tourism Review, 58 (4), 6-11. Cerca con Google

Matzler K., Füller J., Renzl B., Herting S. e Späth S. (2008). Customer satisfaction with Alpine ski areas: the moderating effects of personal, situational, and product factors. Journal of Travel Research, 46, 403-413. Cerca con Google

Matzler K., Pechlaner H. e Hattenberger G. (2004). Lifestyle-typologies and market segmentation: the case of Alpine skiing tourism. European Academy, Bolzano, Italy. Cerca con Google

McFadden D. (1974). Conditional logit analysis of qualitative choice behavior. A cura di Zarembka P., Frontiers on Econometrics, Academic Press, New York, pp. 105-421. Cerca con Google

McFadden D. (1986). The choice theory approach to market research. Marketing Science, 5 (4), 275-297. Cerca con Google

Pesarin F. e Salmaso L. (2010). Permutation tests for complex data: theory, applications and software. Wiley, Chichester. Cerca con Google

Piccolo D. (2003a). On the moments of a mixture of uniform and shifted binomial random variables. Quaderni di Statistica, 5, 85-104. Cerca con Google

Piccolo D. (2003b). Computational issues in the E-M algorithm for ranks model estimation with covariates. Quaderni di Statistica, 5, 1-22. Cerca con Google

Piccolo D. (2006). Observed information matrix for MUB models. Quaderni di Statistica, 8, 33-78. Cerca con Google

Piccolo D. e D’Elia A. (2008). A new approach for modelling consumers’ preferences. Food Quality and Preference, 19, 247-259. Cerca con Google

Rokka J. e Uusitalo L. (2008). Preference for green packaging in consumer product choices – Do consumers care? International Journal of Consumer Studies, 32, 516-525. Cerca con Google

Rundh B. (2009). Packaging design: creating competitive advantage with product packaging. British Food Journal, 111 (9), 988-1002. Cerca con Google

Silayoi P. e Speece M. (2007) The importance of packaging attributes: a conjoint analysis approach. European Journal of Marketing, 41, 1495-1517. Cerca con Google

Siskos Y., Grigoroudis E., Zopounidis C. e Saurais O. (1998). Measuring customer satisfaction using a collective preference disaggregation model. Journal of Global Optimization, 12, 175-195. Cerca con Google

Srinivasan V. e Shocker A.D. (1973). Linear programming techniques for multidimensional analysis of preferences. Psychometrika, 38 (3), 337-369. Cerca con Google

Suppakul P., Miltz J., Sonneveld K. e Bigger S.W. (2003). Active packaging technologies with an emphasis on antimicrobial packaging and its applications. Journal of Food Science. 68 (2), 408-420. Cerca con Google

Weed M. (2009). Progress in sports tourism research? A meta-review and exploration of futures. Tourism Management, 30, 615-628. Cerca con Google

Williams H., Wikstrom F. e Lofgren M. (2008). A life cycle perspective on environmental effects of customer focused packaging development. Journal of Cleaner Production, 16, 853-859. Cerca con Google

Williams P. e Fidgeon P.R. (2000). Addressing participation constraint: a case study of potential skiers. Tourism Management, 21 (3), 379–393. Cerca con Google

Wittink D. e Cuttin P. (1989). Commercial use of conjoint analysis: An update. Journal of Marketing, 53, 91-96. Cerca con Google

Wittink D., Vriens M. e Burhenne W. (1994). Commercial use of conjoint in europe: Results and critical reflections. International Journal of Research in Marketing, 11, 41-52. Cerca con Google

Yi Y. (1990). A critical review of customer satisfaction. In Zeithmal V.A. (Ed.), Review of marketing. American Marketing Association, Chicago. Cerca con Google

Yoon Y. e Uysal M. (2005). An examination of the effects of motivation and satisfaction on destination loyalty: a structural model. Tourism Management, 26, 45–56. Cerca con Google

Zammuner V.L. (2003). I focus group. Bologna, Il mulino. Cerca con Google

Download statistics

Solo per lo Staff dell Archivio: Modifica questo record