Guazzo, Velia (2008) Customer satisfaction: sviluppo di metodologie statistiche per la sua misurazione con particolare applicazione alle aziende di trasporto pubblico. [Tesi di dottorato] (Unpublished)
Preview |
PDF
Tesi_Dottorato_Statistica_Guazzo_velia.pdf Download (2MB) | Preview |
Item Type: | Tesi di dottorato |
---|---|
Resource language: | Italiano |
Title: | Customer satisfaction: sviluppo di metodologie statistiche per la sua misurazione con particolare applicazione alle aziende di trasporto pubblico |
Creators: | Creators Email Guazzo, Velia vguazzo@unina.it |
Date: | 29 November 2008 |
Number of Pages: | 211 |
Institution: | Università degli Studi di Napoli Federico II |
Department: | Matematica e statistica |
Dottorato: | Statistica |
Ciclo di dottorato: | 20 |
Coordinatore del Corso di dottorato: | nome email Lauro, Carlo Natale clauro@unina.it |
Tutor: | nome email Lauro, Carlo Natale clauro@unina.it |
Date: | 29 November 2008 |
Number of Pages: | 211 |
Keywords: | Customer Satisfaction misurazione |
Settori scientifico-disciplinari del MIUR: | Area 13 - Scienze economiche e statistiche > SECS-S/01 - Statistica |
Date Deposited: | 19 Nov 2009 09:34 |
Last Modified: | 01 Dec 2014 15:30 |
URI: | http://www.fedoa.unina.it/id/eprint/3489 |
DOI: | 10.6092/UNINA/FEDOA/3489 |
Collection description
La candidata presenta una tesi dal titolo “Customer satisfaction: sviluppo di metodologie statistiche per la sua misurazione con particolare applicazione alle aziende di trasporto pubblico”. L'attenzione viene focalizzata sull’analisi degli effetti delle variabili moderatrici, inserite in un modello di Customer Satisfaction stimato attraverso il metodo PLS Path Modeling, sulle percezioni e soddisfazioni dei consumatori rispetto al prodotto/servizio offerto; dal momento che è divenuto prioritario per le imprese soddisfare al meglio e tempestivamente le esigenze specifiche dei propri consumatori, in modo tale da conseguire due vittorie allo stesso tempo: 1) fidelizzare i propri clienti, considerata l’evoluzione della customer satisfaction verso la customer loyalty e 2) abbattere la concorrenza puntando sul fattore qualità e su una strategia market-oriented. La tesi è strutturata in quattro capitoli che rappresentano il frutto delle ricerche condotte dalla candidata nei tre anni di dottorato. Il primo capitolo, di introduzione al lavoro di tesi, fornisce una definizione di Customer Satisfaction e sottolinea che il crescente interesse nel corso degli ultimi decenni nei confronti della customer satisfaction ha contribuito allo sviluppo di molteplici metodologie statistiche per la sua misurazione. Negli ultimi anni infatti anche le strutture che erogano un servizio pubblico sono state interessate da una serie di mutamenti che hanno reso necessario un ripensamento del loro ruolo: non solo “istituzioni” ma anche “aziende”, per le quali la sopravvivenza e il successo sono influenzati dalle capacità di orientamento al mercato. In questa ottica, chi usufruisce di un servizio è visto come utente da seguire e soddisfare in tutte le fasi del suo rapporto con l’istituzione. Pienamente consapevoli di queste nuove esigenze, le aziende di trasporto pubblico di alcune province italiane hanno avviato indagini volte a valutare la qualità dei servizi offerti attraverso studi di Customer Satisfaction, con l’obiettivo di conoscere bisogni e aspettative degli utenti. La soddisfazione mostrata da un utente verso un servizio di cui è fruitore rappresenta un concetto non osservabile, quindi non direttamente misurabile. La sua valutazione può avvenire, pertanto, solo considerando caratteristiche che ne misurino l’effetto. Tipicamente lo studio della soddisfazione viene inteso come valutazione della qualità percepita nei confronti di particolari aspetti del servizio erogato; tali aspetti, che si interpretano come manifestazioni di dimensioni “latenti” della soddisfazione, sono quantificabili attraverso variabili, definite “manifeste”, solitamente espresse su una scala ordinale di punteggi. I legami che sussistono tra variabili manifeste e variabili latenti possono essere formalizzati attraverso un preciso modello che rende rigoroso il procedimento di definizione del concetto di customer satisfaction e, quindi, della sua valutazione. Nel secondo capitolo vengono descritti nel dettaglio i modelli ad equazioni strutturali e vari metodi proposti in letteratura per la stima degli stessi. Tali metodi sono distinti in due grandi famiglie: i metodi cosiddetti covariance-based, di cui fanno parte tutti i metodi di tipo LISREL, e i cosiddetti metodi components-based. La distinzione tra i due approcci è legata al diverso obiettivo perseguito. In particolare, i metodi di stima covariance-based hanno come obiettivo primario quello di ricostruire la matrice di varianze e covarianze tra le variabili manifeste osservate attraverso i parametri del modello stimato. In altre parole, nei metodi covariance-based i parametri del modello vengono individuati in modo da ottenere una ricostruzione della matrice di varianze-covarianze tra le variabili manifeste il più possibile vicina a quella osservata. Il principale metodo di stima con l'approccio covariance-based è senza dubbio quello proposto da Joreskog nel 1970 e basato sulla Massima Verosimiglianza: il SEM-ML. Questo stesso metodo è stato in seguito identificato con la sigla LISREL (LInear Structural RELations), che per molti anni ha rappresentato il software di riferimento nell'ambito della stima dei modelli ad equazioni strutturali. Successivamente, altri metodi di stima, quali ad esempio i Minimi Quadrati Generalizzati, sono stati utilizzati per ottenere stime dei parametri sempre in un’ottica covariance-based. Nel lavoro di tesi la candidata si riferisce a tutti questi metodi come ai metodi di tipo LISREL. Tutti gli approcci di tipo LISREL si fondano su ipotesi distribuzionali più o meno forti che interessano tanto le variabili manifeste, quanto i residui del modello. Inoltre, essendo tutti basati sulla ricostruzione della matrice di varianze-covarianze, è possibile ottenere una valutazione immediata della bontà del modello attraverso il confronto diretto tra la matrice di varianze-covarianza osservata e quella ottenuta dal modello. I vari indici di bontà del modello, così come i diversi metodi di stima, sono presentati nel dettaglio. I metodi cosiddetti component-based, invece, hanno come obiettivo quello di stimare le variabili latenti in modo che siano il più rappresentative possibili del proprio blocco di variabili manifeste e che, contemporaneamente, riescano a spiegare il meglio possibile le relazioni individuate nel modello strutturale. Tra i metodi di stima component-based il più noto è senza alcun dubbio quello basato sul PLS (Partial Least Squares), anche noto come PLS Path Modeling (PLS-PM). Di recente Al-Nasser [2003] ha proposto di ottenere una stima dei modelli ad equazioni strutturali basata sulla Massima Entropia, il Generalized Maximum Entropy (GME), mentre Hwang e Takane [2004] nella loro Generalized Structured Component Analysis (GSCA) propongono un metodo di stima alternativo al PLS ed in grado di identificare un'unica funzione obiettivo. Il PLS Path Modeling è applicato ampiamente nell’ambito della customer satisfaction, esso può dimostrarsi un aiuto prezioso nelle decisioni aziendali e, in più, particolarmente critico quando si tratta di analizzare il livello di customer satisfaction del prodotto o servizio offerto dall’impresa. Un indicatore di valutazione di customer satisfaction è il Customer Satisfaction Index (CSI), che fonde insieme il comportamento dei consumatori, il loro grado di soddisfazione e il livello di qualità del prodotto o servizio offerto; esso presenta delle varianti a seconda dei paesi in cui è stato utilizzato e, in molti casi, rielaborato anche con nuove tecniche di stima. Per cui ad esempio esiste: • SCSB (Swedish Customer Satisfaction Barometer): nato in Svezia nel 1989, fu il primo indice di soddisfazione basato sulle valutazioni dei clienti; • NCSB (Norwegian Customer Satisfaction Index): usato in Norvegia; • ACSI (American Customer Satisfaction Index): adottato negli U.S.A nel 1994; • MCSI (Malaysian Customer Satisfaction Index):adottato in Malesia; • ECSI (European Customer Satisfaction Index): adottato in Europa. Per la stima di suddetti indici economici che misurano la soddisfazione dei consumatori, sono stati costruiti modelli specifici, ma la logica di fondo comune in tutti questi modelli è il legame che sussiste ormai tra un acquisto e la soddisfazione da parte dei consumatori che, sempre più esigenti e consci del loro potere sulle imprese, fanno sì che ogni acquisto rifletta la loro soddisfazione in merito a consumi precedenti. Quindi la sfida che oggi si propone alle imprese è di suscitare un senso di qualità del prodotto o servizio prima del suo acquisto, e confermare tale qualità dopo il suo consumo. Occorre perciò per le imprese individuare quali indicatori - direttamente misurabili - incidono maggiormente sulle variabili latenti qualitative, che sono poi i fattori che spiegano la soddisfazione e possono spingere a ripetere gli acquisti o orientarli in futuro verso altre imprese. Statisticamente significa studiare le relazioni di causa-effetto che intercorrono tra le variabili qualitative determinanti sulla customer satisfaction e loyalty, e per ciascuna di esse le relazioni con possibili fattori esplicativi. Il terzo capitolo offre una panoramica dei diversi tipi di relazioni di causalità tra variabili ed è dedicato alla definizione delle variabili mediatrici e delle variabili moderatrici, e all’inserimento e descrizione degli effetti delle variabili mediatrici e moderatrici nei modelli ad equazioni strutturali, stimati attraverso il metodo PLS Path Modeling. In particolare, una variabile funziona come variabile mediatrice quando influisce sulla relazione tra il predittore ed il criterio, la variabile mediatrice è infatti una variabile che spiega la relazione tra altre due variabili. Una variabile moderatrice invece è una variabile qualitativa (es: sesso, razza, classe) o quantitativa (es: livello di remunerazione) che incide sulla direzione e/o sulla forza della relazione tra una variabile indipendente o predittore ed una variabile dipendente o criterio. Quindi mentre le variabili moderatrici specificano quando certi effetti si presentano ed influenzano la direzione e/o la forza di una relazione tra altre due variabili, le variabili mediatrici spiegano, invece, come o perché certi effetti si presentano, delucidando così la relazione che sussiste tra le altre due variabili. Nel quarto capitolo si illustrano i risultati di un’indagine statistica di misurazione di Customer Satisfaction condotta dalla candidata Velia Guazzo nell’ambito di un’azienda di trasporto pubblico locale. Un modello statistico specifico, ECSI (ECSI “European Customer Satisfaction Index”) basato su ben note teorie sul comportamento del consumatore, è stato derivato per la suddetta indagine e come metodo di stima è stato utilizzato il PLS Path Modeling. L’analisi di Customer Satisfaction condotta nell’ambito dell’azienda di trasporto pubblico locale viene poi rielaborata inserendo nell’ambito del modello la variabile moderatrice titolo di viaggio e applicando nuovamente il metodo di stima PLS Path Modelling ai due segmenti di viaggiatori, possessori di biglietto ed abbonati, al fine di analizzare gli effetti dell’inserimento della variabile moderatrice titolo di viaggio sulle percezioni e soddisfazioni dei viaggiatori rispetto al servizio di trasporto pubblico oggetto di analisi.
Downloads
Downloads per month over past year
Actions (login required)
View Item |