Una nuova metodologia statistica per la progettazione emozionale

Una nuova metodologia statistica per la
progettazione emozionale innovativa
Stefano Barone1, Alberto Lombardo1, Pietro Tarantino2
1Università
di Palermo, 2Università di Napoli Federico II
Statistica e innovazione tecnologica a sostegno delle imprese,
Bologna 16 febbraio 2007
Obiettivi
— Proporre una nuova metodologia per
affrontare alcuni problemi di Kansei
Engineering (KE) e Conjoint Analysis (CA) che
occorrono in fase di sviluppo prodotto.
— La metodologia si basa su:
‰
‰
PRIN
2005
Stima di pesi di importanza di attributi di prodotto
mediante tempi di risposta in interviste controllate
(fase sperimentale)
Filtraggio dell’effetto di fattori di disturbo che
emergono tipicamente in esperimenti CA/KE
mediante una procedura denominata weighted
logistic regression
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
2 di 28
Agenda della presentazione
— CA in esperimenti KE
— Fonti di disturbo in esperimenti CA/KE
— Stima di pesi relativi degli attributi mediante
interviste controllate
— Regressione “pesata” (caso lineare e caso
logistico-ordinale)
— Caso studio (telefoni cellulari)
— Conclusioni
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
3 di 28
Conjoint Analysis e Kansei Engineering
— La CA è una metodologia sviluppata intorno
agli anni ‘70 per tradurre i bisogni dei clienti
in caratteristiche di prodotto.
— Oggi il cliente si aspetta dal prodotto il
soddisfacimento di bisogni affettivi ed
emozionali (“kansei”)
— Il KE è un approccio multidisciplinare per
analizzare bisogni inespressi ed inconsci del
cliente e tradurli in caratteristiche di prodotto
— La CA rappresenta il framework statistico per
implementare uno studio di KE
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
4 di 28
Tre strategie per presentare profili di prodotto
—S1: Lo sperimentatore realizza
prototipi fisici, consentendo ai
rispondenti di interagire con essi.
—S2: Lo sperimentatore realizza
prototipi virtuali (digital mock-up),
consentendo ai rispondenti di
interagire in un ambiente virtuale.
—S3: lo sperimentatore adotta modelli di
prodotto già presenti sul mercato
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
5 di 28
Sorgenti di disturbo in esperimenti CA/KE
— In esperimenti di CA/KE al rispondente è
chiesto di fornire una valutazione per un
“profilo di prodotto”, in termini di parole
kansei o di gradimento complessivo.
— I fattori di disturbo che influenzano la
valutazione del rispondente posso essere
classificati in:
‰
Global
Noise
PRIN
2005
‰
“Endogenous noise factors”: attributi di prodotto da
non testare che influenzano la valutazione del
rispondente
“Halo effects”: fattori che condizionano la
percezione del cliente per gli attributi di prodotto (la
preferenza per una marca o uno stile)
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
6 di 28
La nuova metodologia per il “noise filtering”
Procedura standard CA/KE
Attributi
esperimenti
CA/KE
Fattori
di
disturbo
PRIN
2005
Nuova metodologia proposta
Pesi di importanza
degli attributi
Output
Attributi
esperimenti
CA/KE
Output
Fattori
di
disturbo
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
7 di 28
Fasi della metodologia
Definizione delle risposte
(kansei words)
Definizione degli
attributi
Stima dei pesi di importanza da
interviste controllate
esperimenti CA/KE
Regressione logistica
ordinale pesata
Interpretazione dei
modelli “corretti”
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
8 di 28
Stima del peso di importanza degli attributi
in interviste controllate (1)
— I metodi per misurare l’importanza relativa
degli attributi di prodotto possono essere
classificati in:
‰
‰
questionari diretti
questionari indiretti
— La preference uncertainty theory (Fisher,G. et
al. 2000) afferma che più un rispondente è
incerto sul valore di un’alternativa, più tempo
egli impiegherà ad assegnargli un peso
— Esisterà quindi una relazione fra il tempo di
scelta di un attributo e la sua importanza
relativa
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
9 di 28
Stima dei pesi di importanza degli attributi in
interviste controllate
— Immaginiamo un’intervista controllata in cui
ad un rispondente viene richiesto di ordinare
due attributi.
— Il rapporto tra i due pesi relativi (soggettivi)
può essere pensato come funzione del tempo
di risposta:
w
= f (tc )
w
1
2
0 ≤ w1 ≤ 1
con:
0 ≤ w2 ≤ 1
w1 + w2 = 1
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
10 di 28
Stima dei pesi di importanza degli attributi in
interviste controllate (2)
Adottando uno dei concetti centrali della preference
uncertainty theory, otteniamo:
w
lim 1 = 1
tc →∞ w
2
w1
lim
=∞
tc → 0 w
2
w1 = w2 = 0,5
w1 = 1 w2 = 0
La funzione che meglio rappresenta le precedenti
condizioni è:
w1
t*
= 1+
w2
tc
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
11 di 28
Stima dei pesi di importanza degli attributi in
interviste controllate (3)
Una volta misurato il tempo di scelta, i pesi degli attributi
vengono determinati risolvendo il sistema:
 w1
t*
 = 1+
tc
 w2
w + w = 1
2
 1
Estendendo il modello ad n attributi, si ottengono i pesi
mediante un sistema di n +1 equazioni:
 wi
t*
 w = 1 + t (i )
 i +1
c
 n
 w =1
i
∑
i =1
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
12 di 28
Regressione Lineare pesata
— Per fissare le idee supponiamo che la risposta fornita da n
rispondenti a stimoli caratterizzati da un singolo predittore
possa essere spiegata da un modello di regressione lineare
semplice:
Yi = α + β xi + ε i
i = 1,..., n
y
y = αˆ + βˆ x
y3
y2
r3
r2
y1
r1
x1
PRIN
2005
x2
x3
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
x
13 di 28
Regressione Lineare pesata (2)
Introducendo coefficienti moltiplicativi γi a ciascuna
osservazione, il modello risultante è:
Yi = α '+ β ' γ i xi + ε i
Ponendo γi = 1/wi e assumendo un peso comune (wi = w ∀i), la
relazione tra i nuovi ed i precedenti coefficienti di regressione
stimati è:
6,00
y = 0,75x + 2,90
2
R = 0,89
αˆ ' = αˆ
5,00
y = 0,23x + 2,90
2
R = 0,89
βˆ ' = wβˆ
y
4,00
3,00
2,00
w1 = 0.3
w2 = 0.3
1,00
0,00
0,00
w3 = 0.3
2,00
4,00
6,00
8,00
10,00
12,00
x
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
14 di 28
Regressione Lineare pesata (3)
Peggioramento del fitting
6,00
y = 0,75x + 2,9
R2 = 0,8929
5,00
Y
4,00
3,00
2,00
1,00
0,00
0,00
y = 0,7816x - 0,2026
R2 = 0,6823
w1 = 0.2
w2 = 0.3
w3 = 0.5
1,00
2,00
3,00
4,00
5,00
6,00
7,00
x
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
15 di 28
Regressione Lineare pesata (4)
Miglioramento del fitting
6,00
y = 0,75x + 2,9
R 2 = 0,8929
5,00
Y
4,00
3,00
2,00
1,00
0,00
0,00
y = 0,5063x + 1,475
R 2 = 0,9643
w1 = 0.2
w2 = 0.35
w3 = 0.45
1,00
2,00
3,00
4,00
5,00
6,00
7,00
x
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
16 di 28
Regressione Lineare pesata (5)
Fitting ideale
6,00
y = 0,75x + 2,9
R 2 = 0,8929
5,00
Y
4,00
3,00
2,00
1,00
0,00
0,00
y = 0,36x + 2,3
R2 = 1
w1 = 0.3
w2 = 0.3
w3 = 0.4
2,00
4,00
6,00
8,00
x
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
17 di 28
Regressione lineare pesata (6)
— Il caso bidimensionale (due predittori) ha
maggiore attinenza con la situazione
descritta, anche se comporta maggiori
difficoltà interpretative grafiche
β new = w o β
L’introduzione di pesi uguali per tutti i
rispondenti ha come effetto la
traslazione planare dei punti
sperimentali e l’invarianza del fitting
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
18 di 28
Regressione lineare pesata (7)
— In generale si ha: γ ij ≠ γ i . In tale situazione
la relazione fra il modello con pesi ed il
modello senza pesi non è più lineare: muta
la significatività dei parametri e l’adattamento
del modello può migliorare (a) fino al caso
ideale (b)
(a)
PRIN
2005
(b)
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
19 di 28
Regressione Logistica Ordinale (OLR)
—Quando le risposte sono basate su
scale ordinali tipo Likert, la OLR è un
buon metodo per indagare sulle
possibili relazioni tra risposta e
predittori (attributi di prodotto)
—La OLR consente inoltre una
interpretazione semplice dei parametri
del modello
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
20 di 28
Regressione Logistica Ordinale Pesata (WOLR)
—Anche nel caso della WOLR
l’introduzione dei pesi è possibile e
consiste nella traslazione planare dei
punti sperimentali
—Anche nel caso della WOLR i parametri
stimati del modello forniscono
indicazioni sull’entità e sul verso
dell’effetto dei fattori sulla risposta
—Ciò che distingue la WOLR rispetto alla
regressione lineare è l’interpretazione
dei parametri basata sui logit e sugli
odds ratios
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
21 di 28
Un caso studio di kansei engineering
L’approccio KE è stato applicato per la progettazione di un
telefono cellulare, investigando sulle preferenze di studenti
universitari
Affinity Diagram
Factor Analysis
Exploration of
physical properties
dimension
Choice of
Synthesis
domain
Exploration of
semantic dimension
Pareto Diagram
Hayashi QT1
Relation
model
Product Development
Strategy
Ordinal Logistic
Regression
Kano Model
DOE
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
22 di 28
Un caso studio di kansei engineering
Stima dei pesi di importanza degli attributi
0,400
0,350
0,300
Weight
0,250
Integrated antenna
Dimensions
Memory
0,200
Music Support
USB port
VGA camera
0,150
0,100
0,050
Respondent n°1 weights
0,000
0
5
10
15
20
25
30
35
40
Respondent
0,09
0,06
0,30
0,12
Dimensions
VGA camera
Internal memory
USB port
0,19
PRIN
2005
Music support
0,25
Integrated antenna
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
23 di 28
Un caso studio di kansei engineering
Kansei capturing
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
24 di 28
Un caso studio di kansei engineering
Costruzione dei modelli relazionali
Senza introduzione dei pesi
PRIN
2005
Con introduzione dei pesi
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
25 di 28
Un caso studio di kansei engineering
La WOLR fornisce un’interpretazione migliore dei parametri
del modello ed in definitiva aiuta a scegliere la più adeguata
strategia di sviluppo prodotto
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
26 di 28
Conclusioni
— È stato mostrato come la conjoint analysis
può essere naturalmente integrata nel kansei
engineering per tradurre le emozioni del
cliente in caratteristiche di prodotto.
— È stata proposta una nuova metodologia per
condurre uno studio CA/KE, la quale è basata
su tre aspetti innovativi:
1.
2.
3.
PRIN
2005
La stima dei pesi relativi di importanza di attributi
di prodotto basato sul tempo di scelta nel rating in
interviste controllate;
L’introduzione di tali pesi in un modello di
regressione può migliorare il fitting ed aiutare
nell’interpretazione di risultati solitamente affetti da
un elevato disturbo;
L’integrazione efficace dei due precedenti metodi in
un modello WOLR
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
27 di 28
Bibliografia essenziale
—
—
—
—
—
—
—
—
—
PRIN
2005
Barone S., Lombardo A., Tarantino P. “A weighted ordinal logistic
regression for conjoint analysis and kansei engineering”. Submitted
Green, P.E. and Rao, V.R. (1971) Conjoint measurement for quantifying
judgmental data. Journal of Marketing Research, 8 p.355-363.
Nagamachi, M. (1995a) Kansei Engineering: A new ergonomic consumeroriented technology for product development. International Journal of
Industrial Ergonomics, 15, p.3-11.
Fischer, G. W. et al. (2000) Attribute Conflict and Preference Uncertainty:
Effects on Judgment Time and Error. Management Science, 46(1), p.88103.
Agresti, A. (2002) Categorical Data Analysis. John Wiley & Sons. New York,
2nd Ed.
Lawson, C. and Montgomery, D.C. (2006) Logistic Regression Analysis of
Customer Satisfaction Data. Quality and Reliability Engineering
International (in press).
McCullagh, P. and Nelder, J.A. (2000) Generalized Linear Models. Chapman
& Hall. 2nd Ed.
Hosmer, D.W. and Lemeshow, S. (2000) Applied Logistic Regression. John
Wiley & Sons. New York, 2nd Ed.
Cohen, J. and Cohen, P. (1983) Applied Multiple Regression/Correlation
Analysis for Behavioural Sciences. Lawrence Erlbaum Associates. 2nd Ed.
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
28 di 28
http://web.dtpm.unipa.it/qt&m
Progettare per le
emozioni
PRIN
2005
Barone, Lombardo, Tarantino
“Una nuova metodologia statistica per la progettazione emozionale innovativa”
29 di 28