METODI STATISTICI PER L'ANALISI DI MERCATO E IL MARKETING

1. Conoscenza e capacità di comprensione:

Acquisizione di conoscenze teoriche e metodologiche avanzate relative alle indagini di mercato, ai disegni campionari, alle tecniche di costruzione e sintesi di indicatori complessi, nonché ai modelli statistici multivariati per la segmentazione e la modellistica causale.

2. Capacità di applicare conoscenza e comprensione

Sviluppo di competenze pratiche per la progettazione e implementazione di ricerche di mercato empiriche, l'analisi di dati complessi tramite software statistici (es. R) e l'interpretazione rigorosa degli output di calcolo.

3. Autonomia di giudizio

Capacità di valutare criticamente la qualità dei dati, la robustezza delle scale di misurazione e degli indicatori sintetici, scegliendo in modo autonomo e motivato le tecniche statistiche e i modelli più idonei per la risoluzione di problemi di marketing e gestione

4. Abilità comunicative

Capacità di presentare e sintetizzare in modo chiaro, efficace e con proprietà di linguaggio tecnico-scientifico i risultati delle analisi statistiche, sia a interlocutori specialisti che non specialisti, anche mediante l'uso di report e presentazioni.

5. Capacità di apprendimento

Sviluppo dell'autonomia nello studio e nella ricerca bibliografica e metodologica, utile per l'aggiornamento continuo delle competenze e per l'applicazione di metodologie statistiche avanzate nell'ambito di contesti accademici o professionali complessi

L'insegnamento si svolge prevalentemente attraverso lezioni frontali volte all'inquadramento teorico-metodologico dei temi in programma, affiancate da esercitazioni pratiche ed empiriche per la risoluzione di problemi complessi. Sono previsti laboratori di analisi dei dati con addestramento sui software statistici di calcolo, discussioni di casi studio e seminari di approfondimento su temi specifici.

Sono da intendersi come indispensabili le conoscenze di base nell'ambito dell'analisi statistica univariata e bivariata dei dati, dei principi fondamentali di probabilità, della stima dei parametri e dei test parametrici e non parametrici per l'inferenza statistica.

Il corso affronta in modo integrato le metodologie statistiche per l'analisi di mercato e il marketing, articolandosi attorno a tre grandi nuclei tematici.

In primo luogo, viene approfondita la fase di costruzione del dato e di progettazione delle indagini di mercato. Vengono esaminati i principali disegni di campionamento probabilistico e non probabilistico, analizzando i criteri di scelta, la definizione del sampling frame, le fonti di imperfezione e la determinazione della numerosità campionaria e del design effect. Si affrontano la gestione e il trattamento degli errori non campionari e le principali tecniche di ponderazione dei dati. Parallelamente, si approfondiscono le metodologie di raccolta dati (CATI, CAWI, CAPI) e la misurazione dei mode effect, unitamente alle tecniche di progettazione, valutazione e pretest del questionario e alla verifica della validità e dell'attendibilità delle misurazioni.

In secondo luogo, il corso si focalizza sugli strumenti e metodi per la misurazione dei fenomeni di mercato e la costruzione di indicatori sintetici secondo le linee guida internazionali OECD/JRC. Vengono analizzati il quadro concettuale (approcci riflessivi e formativi), le tecniche di sintesi aggregative-compensative e non compensative, i metodi di normalizzazione, le strategie di ponderazione (tra cui PCA, AHP, DEA e Benefit of the Doubt) e la valutazione della robustezza tramite analisi di sensitività e simulazioni Monte Carlo.

Infine, l'insegnamento propone ai fini delle elaborazioni dei dati tecniche e i modelli statistici di analisi multivariata per la ricerca empirica applicata. L'attenzione è rivolta alle tecniche fattoriali di riduzione della dimensione, alle metodologie di classificazione per la segmentazione del mercato e ai modelli causali multivariati per l'analisi dei fenomeni complessi (regressione multipla e logistica, modelli multilevel, modelli log-lineari, equazioni strutturali e Partial Least Squares).

Contenuti specifici:

Costruzione del dato: - disegni di campionamento - metodologie e strumenti per la raccolta dei dati: survey, API, ecc. Strumenti e metodi di misurazione dei fenomeni di mercato: - quadro concettuale e metodologico per la costruzione di indicatori: - approcci riflessivi e formativi - tecniche di sintesi: approcci aggregativi-compensativi (metodi di normalizzazione, ponderazione, ed aggregazione) e non compensativi - esempi di sistemi nazionali di indicatori (es. BES) ed internazionali (es. CC-COIN della Commissione Europea e Agenda 2030 per gli SDGs) - esempi di indicatori di sintesi per temi di ricerca: sostenibilità sociale, turismo sostenibile, benessere, partecipazione sociale, politica e culturale, ecc. Tecniche statistiche di analisi multivariata per la ricerca empirica applicata: - tecniche multivariate fattoriali per la riduzione delle dimensioni - tecniche multivariate di classificazione per la segmentazione - Modelli statistici di analisi multivariata per la ricerca empirica applicata: - modelli causali multivariati per l’analisi dei fenomeni complessi: regressione multipla, non lineare e logistica, modelli multilevel, modelli log-lineari, modelli partial least squares ed equazioni strutturali. Progettazione, realizzazione ed analisi di ricerche empiriche

• Bassi F., Ingrassia S. (2022). Statistica per analisi di mercato, Pearson Italia, Milano, Torino.
• Kim, J. K. (2026). Statistics in Survey Sampling. Chapman & Hall/CRC.
• West, B. T., Heeringa, S. G., & Berglund, P. A. (2025). Applied Survey Data Analysis (3rd ed.). Chapman & Hall/CRC.
•  
• Maggino, F. (Ed.). (2017). Complexity in society: From indicators construction to their synthesis (Vol. 70). Cham, Switzerland: Springer (Capp./Ch. 4, 5, 7, 8).
• Nardo, M., Saisana, M., Saltelli, A., Tarantola, S., Hoffman, A., & Giovannini, E. (2005). Handbook on Constructing Composite Indicators: Methodology and User Guide. OECD/JRC Working Paper.
• Kelemen, A., Szabó, Z. K., Bozóki, S., Szádoczki, Z., & Hartvig, Á. D. (2024). “A sensitivity analysis of composite indicators: Min/max thresholds.” Environmental and Sustainability Indicators, 23, 100453.
•  
• Hahs-Vaughn, D. L. (2017). Applied Multivariate Statistical Concepts. New York, NY: Routledge.
• Frascella C. (2016). Statistica multivariata con R. Pisa: Pisa University Press.
•  
• Manuali dei software di calcolo statistico / Statistical software user manuals.

La verifica dell'apprendimento è finalizzata ad accertare il livello di conoscenza teorica, la capacità applicativa e l'autonomia critica dello studente.

A scelta dello studente frequentante, la modalità di verifica prevede l'elaborazione di un project work che tenga conto dei contenuti sviluppati durante il corso di lezioni ed implementi sia le modalità di costruzione di un progetto di indagine di mercato, sia i metodi di misurazione, sia le tecniche ed i modelli di elaborazione multivariata dei dati.

Per gli studenti non frequentanti o per i frequentanti che non sceglieranno l’elaborazione del project work, le modalità di verifica sono le seguenti:

Struttura dell'esame negli appelli ordinari:

• Prova Scritta Obbligatoria: Durata di 90 minuti. La prova è composta da 4 domande a risposta aperta (teoriche e metodologiche) e dall'interpretazione di output di elaborazione dati prodotti con software statistico. Alla prova scritta viene attribuito un punteggio massimo di 30/30 (peso 70% sulla valutazione finale). La prova si intende superata se lo studente consegue una votazione non inferiore a 18/30.

• Prova Orale Integrativa: Riservata agli studenti che abbiano ottenuto un punteggio di almeno 18/30 alla prova scritta e che intendano migliorare il voto finale. Il colloquio orale consiste in una discussione approfondita dei contenuti del programma e/o del progetto/elaborato applicativo svolto durante il corso.

Criteri di valutazione della prova orale e complessiva:

I criteri adottati per la formulazione del voto finale includono: pertinenza e completezza delle risposte rispetto ai quesiti formulati, rigore e qualità scientifica dei contenuti, capacità di collegamento trasversale tra i diversi nuclei tematici del programma, abilità di esemplificazione pratica, proprietà di linguaggio tecnico-statistico e chiarezza espressiva complessiva.

Sia le verifiche intermedie sia le prove d'esame scritte ed orali si svolgono in presenza.

La verifica dell'apprendimento potrà essere effettuata anche per via telematica, qualora le condizioni lo dovessero richiedere. A garanzia di pari opportunità e nel rispetto delle leggi vigenti, gli studenti interessati possono chiedere un colloquio personale in modo da programmare eventuali misure compensative e/o dispensative, in base agli obiettivi didattici ed alle specifiche esigenze. È possibile rivolgersi anche al docente referente CInAP (Centro per l'integrazione Attiva e Partecipata per le Disabilità e/o i DSA) del proprio Dipartimento (https://www.cinap.unict.it/content/referenti).

1. Illustrare le differenze concettuali e operative tra i disegni di campionamento probabilistico (es. stratificato) e non probabilistico (es. per quote).

2. Che cos'è il design effect (Deff) e in quale modo influenza la determinazione della numerosità campionaria nelle indagini complesse?

3. Descrivere le principali fonti di errore non campionario (copertura, mancata risposta, misura) e i relativi metodi di ponderazione dei dati.

4. Quali sono le differenze tra approccio riflessivo e formativo nella costruzione di un sistema di indicatori?

5. Descrivere le fasi del processo OECD/JRC per la costruzione di un indicatore sintetico, focalizzandosi sulle tecniche di normalizzazione.

6. Illustrare il ruolo dell'analisi delle componenti principali (PCA) nell'assegnazione dei pesi per gli indicatori sintetici.

7. Come si esegue la valutazione della robustezza di un indicatore sintetico tramite analisi di sensitività e simulazioni Monte Carlo?

8. Confrontare la Cluster Analysis gerarchica e non gerarchica (K-means), evidenziando criteri di scelta e tecniche di validazione dei cluster.

9. Interpretare i coefficienti e l'Odds Ratio di un modello di regressione logistica stimato su un dataset di comportamento d'acquisto.

10. Quali sono gli elementi fondamentali e i vantaggi applicativi dei Modelli ad Equazioni Strutturali (PLS-SEM) nelle ricerche di marketing?