Vai al contenuto| Home page|

   Ti trovi in: HOME »Programmi, progetti e risultati »I progetti »PRIN - Programmi di ricerca di Rilevante Interesse Nazionale»Programma di ricerca
INIZIO_TESTO_DA_INDICIZZARE

PROGRAMMA DI RICERCA 2004

italiano - english
Unità di Ricerca
Programmi di ricerca simili:
Classificazione scientifico-disciplinare
Classificazione geografica
Bibliografia
Ansari, A. et al. (1997). Representing Heterogeneity in Consumer Response Models, in DeSarbo, W.S. (chair) 1996 Choice Conference, Marketing Letters¸ 8, 335-348.
Atkinson, A. C., Riani, M. and Cerioli, A. (2004). Exploring Multivariate Data with the Forward Search. New York: Springer-Verlag.
Atkinson A.C.; Cerioli A.; Riani M. (2003). Robust classification through the forward search. In M. SCHADER; W. GAUL; M. VICHI Between Data Science and Applied Data Analysis. pp. 3-12 BERLIN: SPRINGER-VERLAG (GERMANY)
Attias, H. (1999), Independent factor analysis, Neural Computation, 11.
Bartholomew, D. J., Knott, M. (1999), Latent variable models and factor analysis, Kendall’s Library of Statistics 7, London.
Bastien, P., Esposito Vinzi, V. and Tenenhaus, M. (2004): PLS Generalized linear regression, Computational Statistics and Data Analysis, in stampa.
Boari, G. (2001). A dynamic version of structural equation models applied to national customer satisfaction indices, Proceedings of the 6th TQM World Congress, 2001, St. Petersburg, 291-298.
Bollen K.A., (1989). Structural equations with latent variables. Wiley, New York.
Brannas, K., Rosenqvist, G. (1994). Semiparametric estimation of heterogeneous count data models, European journal of Operational Research, 76, 247-258.
Cerioli A. (2002). Testing mutual independence between two discrete-valued spatial processes: a correction to Pearson chi-squared BIOMETRICS. (vol. 58 pp. 888-897) .
Cerioli A., Ingrassia S. & Corbellini A. (2004) Classificazione simbolica di dati funzionali: un'applicazione al monitoraggio ambientale, in: "Lauro C., Davino C. (a cura di), Data Mining e Analisi Simbolica, Franco Angeli Editore, 2004, in corso di stampa.
Cerioli A.; Riani M. (1999). The Ordering of Spatial Data and the Detection of Multiple Outliers JOURNAL OF COMPUTATIONAL AND GRAPHICAL STATISTICS. (vol. 8pp. 239-258)
Cerioli A.; Riani M. (2002). Robust methods for the analysis of spatially autocorrelated data STATISTICAL METHODS & APPLICATIONS – JOURNAL OF THE ITALIAN STATISTICAL SOCIETY. (vol. 11 pp. 335-358)
CNVSU (2004a), Proposte per la costruzione di un nuovo modello per la ripartizione teorica del FFO alle università statali, Documenti del “Comitato nazionale per la valutazione del sistema universitario, gennaio 2004, http://www.cnvsu.it/
CNVSU (2004b), Modello informativo per l’accreditamento dei Corsi di Studio, Documenti del “Comitato nazionale per la valutazione del sistema universitario, febbraio 2004, http://www.cnvsu.it/
De Soete G. e Carroll, J. (1994) D., K-means Clustering in a Low-dimensional Euclidean Space, in: E. Diday et al. (Eds), New Approaches in Classification and Data Analysis. Springer, Heidelberg, 212-219.
Ehrenberg, A.S.C. (1972). Repeat-Buying, heory and Applications, North-Holland, Amsterdam.
Givon, M., Horsky, D. (1985). Homogeneity and heterogeneity in sthocastic models of brand choice, International journal of Research in Marketing, 2, 263-272.
Grigoroudis, E., Siskos, Y., 2002. Preference disaggregation for measuring and analysing customer satisfaction: The MUSA method. European Journal of Operational Research 143 (1), 148–170.
Ingrassia S. (2004), A Likelihood-Based Constrained Algorithm for Multivariate Normal Mixture Models, Statistical Methods & Applications, to appear.
Ingrassia, S., Cerioli, A. & Corbellini, A. (2003), in Some issues on clustering of functional data, in: "Schader M., Gaul W., Vichi M. (Eds.), Between Data Science and Applied Data Analysis", Springer-Verlag, Berlin, 2003, 49-56.
Johnson, M.D. and Fornell, C. (1991), A Framework for Comparing Customer Satisfaction across Individuals and Product Categories, Journal of EconomicPsychology 12, 267-286.
Jöreskog, K.G. (1978), Structure analysis of covariance and correlation matrices, Psychometrika, 43, 443-477.
Jöreskog, K.G. & Wold, H. (Eds) : Systems under indirect observation : Causality – Structure – Prediction. North-Holland, 1982.
Lauro N. C., Balbi, S. e Scepi, G. (1997). L’analisi multidimensionale dei dati per la misurazione della customer statisfaction nei servizi. Atti del convegno intermedio della Società Italiana di Statistica: La Statistica per le Imprese, vol. 1, 567-581.
Lord, F. M., Novick, M. R. (1968), Statistical theories of mental test scores, Addison-Wesley, Reading, Ma.
McLachlan, G.J., Basford, K.E. (1987). Mixture Models: Inference and Applications to Clustering. Marcel Dekker.
Mclachlan G.J., Been R.W., Peel D. (2002). A mixture model-base approach to the clustering of microarray expression data, Bioinformatics, 18, 413-422.
Montanari A., Viroli C., (2004), The independent factor analysis approach to latent variable modeling, submitted.
Muthén B.O. (1978), Contributions to factor analysis of dichotomous variables, Psychometrika, 43.
Muthén B.O. (1989). Latent variable modeling in heterogeneous populations, Psychometrika, 54, 557-585.
Parasuraman A., Berry L.L., Zeithmal V.A. (1988), “SERVQUAL: a Multiple-Item Scale for Measuring Customer Perceptions of Service Quality”, Journal of Retailing, 1, 11-40.
Pillati, M. (2001), Le reti neurali in problemi di classificazione: una soluzione basata sui metodi di segmentazione binaria, STATISTICA, LXI, n. 3, pp. 407-421.
Pillati , M., Calò, D. G. (2002), A Clustering Based Procedure for Learning the Hidden Unit Parameters in Elliptical Basis Function Networks", in "Classification, Clustering and Data Analysis: Recent Advances and Applications" (a cura di: K. Jajuga, A. Sokolowski, H.-H. Bock), pp. 419-426, Springer Verlag Berlin, Heidelberg.
Pillati , M., Calò, D. G. (2004), Robust centre location in Radial Basis Function, in “Studies in Classification, Data Analysis and Knowledge Organization”, SpringerVerlag, Heidelberg
QAA (2003), Benchmarking academic standards: proposed recognition scheme for further subject benchmark statements, Quality Assurance Agency for Higher Education, http://www.qaa.ac.uk/crntwork/benchmark/index.htm
Ramsay, J.O. & Silverman, B.W. (1997), Functional Data Analysis, Springer-Verlag, New York.
Ramsay, J.O. & Silverman, B.W. (2002), Applied Functional Data Analysis: Methods and Case Studies, Springer-Verlag, New York.
Rocci R., Vichi M. (2001b). Mixture models for simultaneous reduction and classification. In Provasi C. (eds.) Modelli complessi e metodi computazionali intensivi per la stima e la previsione. Cleup, Padova, 379-384.
Vavra, T.G., 1997. Improving Your Measurement of Customer Satisfaction. ASQC Quality Press, Milwaukee.
Vedaldi, R. (1997). Modelli interpretativi per la valutazione della customer satisfaction: l’impiego degli strumenti statistici. Atti del convegno intermedio della Società Italiana di Statistica: La Statistica per le Imprese, vol. 1, 583-596.
Vermunt, J. K., Magidson, J. (2003), Latent class models for classification, Computational Statistics and Data Analysis, 41, 531-537.
Vichi, M., & Kiers, H.A.L. (2001). Factorial k-means analysis for two-way data. Computational Statistics and Data Analysis, 37, 49-64.
Wedel M., Kamakura W. (2002). Editorial: Introduction to the Special Issue on Market Segmentation, Intern. J. of Research in Marketing, 19, 181 – 183
Wold, H. (1982): Soft Modelling, The basic designe and some exentions. In J.K. Joreskog and H. Wold (Eds) Systems Under Indirect Observation- Part 1, p 1-53 North Holland, Amsterdam
Wold, H. (1966): Non linear Estimation by Iterative Least Squares procedure. In F. David (Eds). Research paper in Statistics: Festschift for J. Neyman. p. 411-444.
Zanella, A. (2001). Measures and models of customer satisfaction: the underlying conceptual construct and a comparison of different approaches, Proceedings of the 6th TQM World Congress, 2001, St. Petersburg, 291-298.
Zani, S. (1996). Misure della Qualità della Vita. Milano: Franco Angeli.
Parole Chiave
RIDUZIONE DIMENSIONALE; ANALISI DEI GRUPPI; SEGMENTAZIONE; PLS; MIXTURE MODELS; ROBUSTEZZA; MODELLI DI CLASSE LATENTE E MODELLI A VARIABILI LATENTI; CUSTOMER SATISFACTION; VALUTAZIONE DELLA QUALITÀ

Nuovi metodi statistici multivariati di classificazione e riduzione dimensionale per la valutazione e la customer satisfaction nei servizi

Università degli Studi di Roma "La Sapienza"
Abstract
Il gruppo di ricerca si propone l'obiettivo di definire ed implementare un insieme di metodologie innovative per l'analisi di dati riguardanti la soddisfazione del cliente (customer satisfaction) e la valutazione dei servizi di pubblica utilità, in termini di efficacia e efficienza. In particolare saranno affrontate diverse problematiche:
- definizione di indicatori sintetici;
- misurazione di variabili latenti che influenzano la soddisfazione del cliente;
- segmentazione del mercato per tipologia di clienti;
- valutazione "oggettiva" della performance dei servizi di pubblica utilità.
Le unità di ricerca si occuperanno di questioni metodologiche e relative all'applicazione delle metodologie proposte a situazioni reali. A tal proposito si terrà conto anche dell'esigenza di sviluppare metodologie statistiche in grado di fornire risultati di semplice ed immediata lettura per l'utilizzatore finale non esperto.
La ricerca esplorerà i limiti degli approcci tradizionali ai problemi di valutazione al fine di descrivere evoluzioni e/o di definire innovativi paradigmi di analisi per valutare la Customer Satisfaction. Efficienza, efficacia e soddisfazione possono essere intese come variabili latenti il cui grado, espresso in categorie, determina le risposte effettivamente osservate. In questo contesto, l'obiettivo dell'unità di ricerca di Bologna è di sviluppare un sistema di indicatori statistici di efficienza e di efficacia dei servizi >>>

Coordinatore Scientifico del Programma di Ricerca
Maurizio VICHI Universita' degli Studi di ROMA
Obiettivo del Programma di Ricerca
Il gruppo di ricerca si propone l'obiettivo di definire ed implementare un insieme di metodologie innovative per l'analisi di dati riguardanti la soddisfazione del cliente (customer satisfaction) e la valutazione dei servizi di pubblica utilità, in termini di efficacia ed efficienza. In particolare saranno affrontate diverse problematiche:
- definizione di indicatori sintetici;
- misurazione di variabili latenti che influenzano la soddisfazione del cliente (e quindi la qualità percepita);
- segmentazione del mercato per tipologia di clienti;
- valutazione "oggettiva" della performance dei servizi di pubblica utilità.
Le unità di ricerca si occuperanno sia di questioni metodologiche sia di questioni relative all'applicazione delle metodologie proposte a situazioni reali. A tal proposito si terrà conto anche dell'esigenza di sviluppare metodologie statistiche in grado di fornire risultati di semplice ed immediata lettura per l'utilizzatore finale non necessariamente esperto di metodologie statistiche.
La ricerca esplorerà innanzitutto i limiti degli approcci tradizionali ai problemi di valutazione al fine di descriverne potenziali evoluzioni e/o di definire innovativi paradigmi di analisi. Il primo obiettivo è quello di formulare una rassegna critica dei metodi statistici per la valutazione della customer satisfaction, dell'efficacia ex-post e dell'efficienza nel settore dei servizi di pubblica utilità, con particolare riferimento alle >>>

Risultati parziali attesi
1) Rassegna critica delle metodologie presenti nella letteratura nazionale ed internazionale

Questo risultato sarà ottenuto mediante una stretta collaborazione tra le unità partecipanti al progetto e sarà riferito in particolare ai servizi di pubblica utilità. In questo contesto, l'obiettivo è di analizzare gli approcci metodologici e le soluzioni proposti in letteratura, allo scopo di produrre una rilettura critica dei metodi statistici per l'analisi dell'impatto nei servizi sanitari pubblici (unità di ricerca di Bologna), degli indicatori funzionali per l'analisi e la valutazione delle carriere accademiche (unità di ricerca di Cosenza), dei metodi robusti di classificazione (unità di ricerca di Parma), delle tecniche esplorative o basate su modello per la riduzione dimensionale e la segmentazione dei consumatori (unità di ricerca di Napoli e Roma);

2)Sviluppo di nuove metodologie e procedure
L'unità di ricerca di Roma si propone di estendere gli approcci di De Soete & Carroll (1994) e Vichi & Kiers (2001) secondo alcune direzioni fondamentali. In primo luogo, si propone di trattare il caso di dati osservati in condizioni differenti (dati multiway), con l'obiettivo di esplorare la possibilità di estendere i modelli semiparametrici ad effetti misti ed i modelli di classe latente, in presenza di dipendenza tra più scelte dello stesso consumatore, in senso multivariato e longitudinale, allo scopo di considerare una osservazione >>>

Durata
24 mesi
Base di partenza scientifica nazionale o internazionale
La Customer Satisfaction rappresenta il grado di soddisfazione dei consumatori di un prodotto o degli utenti di un servizio. Un prodotto o un servizio è considerato soddisfacente se soddisfa le necessità e le aspettative del cliente o dell'utente. Quando i clienti non sono soddisfatti di un prodotto (o di un servizio), questo non è né efficace né efficiente. Il livello di soddisfazione dei prodotti e dei servizi è un fattore importante nello sviluppo di un sistema di requisiti che sia un'adeguata risposta alle necessità dei clienti nei termini di una minimizzazione dei costi e dei tempi da una lato e di una massimizzazione dell'impatto dei prodotti o dei servizi dall'altro. Prima dell'avvento della distribuzione di massa, i produttori sapevano molto più facilmente intuire quanto i propri clienti fossero soddisfatti, poiché i rapporti erano diretti. Il produttore/artigiano accettava e recepiva prontamente le necessità del cliente e adottava i cambiamenti desiderati per migliorare i prodotti e mantenere i clienti. In questo modo la soddisfazione del cliente seguiva un percorso di adattamento giornaliero.
L'epoca della distribuzione di massa di prodotti e servizi ha distrutto questo meccanismo distanziando quelli che producono beni e servizi da quelli che li consumano o ne usufruiscono. In questo modo l'interazione diretta con i consumatori/utenti è stata eliminata e questi diventano un importante componente mancante nel processo decisionale del produttore.
La >>>