Social B2B, Linkedin per incrementare il tuo Business, Alessandro Cola
Linkedin mario bencivinni daniela galati andrea steccati
2. INDICE
1. Overview
5
2. Contesto
di
analisi
6
3. Focus
su
Linkedin
7
4. Metodologia
di
raccolta
dei
da<
8
5. Ricerca
qualita<va
9
6. Means-‐end
chain
12
7. Ricerca
quan<ta<va
13
8. Variabili
socio-‐demografiche
16
9. Social
network
e
professione
20
10. Social
network
e
<tolo
di
studio
21
11. Età
del
campione
di
riferimento
24
12. Variabile
status
25
13. Frequenza
di
u<lizzo
dei
social
network
26
14. Strumen<
per
cercare
lavoro
27
15. Giudizio
sugli
strumen<
28
2
3. INDICE
16. Conoscenza
di
Linkedin
29
18. Mo<vo
di
u<lizzo
di
Linkedin
30
19. Proposte
di
lavoro
ricevute
in
un
mese
tramite
Linkedin
31
20. Diffusione
e
percezione
del
servizio
mobile
32
21. Possesso
dell’account
premium
33
26. Mo<vazione
di
u<lizzo
dei
social
network:
analisi
discriminante
34
28. Mo<vazione
di
u<lizzo
dei
social
network:
regressione
39
29. Analisi
faXoriale
46
30. Cluster
analysis
52
31. Descrizione
dei
cluster
55
32. Regressione
lineare:
Facebook
70
33. Regressione
lineare:
Linkedin
74
34. Regressione
lineare:
TwiXer
77
35. Social
Network
ideale
vs
reali
80
3
4. INDICE
30. Pun<
di
forza
e
debolezza
di
Facebook
84
31. Pun<
di
forza
e
di
debolezza
di
Linkedin
86
32. Pun<
di
forza
e
di
debolezza
di
TwiXer
88
33. Analisi
quan<ta<va:
pun<
di
forza
di
Linkedin
90
34. Analisi
quan<ta<va:
pun<
di
debolezza
di
Linkedin
92
35. Analisi
discriminante
94
36. Implicazioni
di
Marke<ng
111
37. Limi<
della
ricerca
114
4
5. OVERVIEW
Quando
parliamo
di
social
network
ci
riferiamo
ad
un'espressione
u<lizzata
in
ambito
anglosassone,
che
indica
una
o
più
re.
sociali.
Grazie
all'avvento
di
internet
le
re.
sociali
di
<po
digitale
hanno
conosciuto
un
grande
sviluppo
e
sono
entra<
nel
quo<diano
delle
persone.
Un
social
network
è
in
grado
pertanto
di
collegare
in
molteplici
modi
le
persone
tra
di
loro,
facilitando
la
comunicazione
e
la
fruizione
dell'informazione.
Nei
social
network
si
è
potuto
assistere
alla
nuova
creazione
di
contenu<
e
valore
grazie
all'agire
collabora<vo.
5
6. CONTESTO DI ANALISI
La
ricerca
è
stata
condoXa
sugli
uten<
dei
social
network
concentrando
la
nostra
analisi
sugli
u<lizzatori
di
“Linkedin”:
il
social
network
“professionale”.
Lo
studio
è
stato
effeXuato
partendo
da
un’analisi
qualita<va
volta
a
far
emergere
le
caraXeris<che
e
gli
aXribu<
più
rilevan<
dell’oggeXo
di
studio.
A
tal
proposito
sono
sta<
soXopos<
a
interviste
in
profondità
cinque
soggee
par<colarmente
informa<
e
aevi
sull’uso
di
“Linkedin”.
Dai
risulta<
oXenu<
è
stato
possibile
formulare
un
ques<onario
idoneo
a
far
emergere
le
peculiarità
del
social
network
in
ques<one
e
gli
aspee
più
importan<
in
relazione
ai
social
network
più
diffusi:
“Facebook”
e
“TwiXer”.
6
7. FOCUS SU LINKEDIN
L’azienda
ormai
è
una
delle
realtà
più
interessan<
(e
concrete)
del
web
con
i
suoi
1800
impiega<,
di
cui
una
decina
a
Milano
(presso
la
sede
aperta
in
data
29/11/11
in
zona
Stazione
Centrale).
La
società
è
quotata
in
borsa
a
New
York
e
la
metà
dei
guadagni
li
oeene
con
le
soluzioni
per
la
ricerca
del
personale
messe
a
disposizione
dei
clien<
(in
Italia
tra
gli
altri
Star
e
Telecom),
un
35%
circa
viene
dalle
soluzioni
di
marke<ng
e,
infine,
poco
meno
di
30
milioni
di
dollari
provengono
dalle
soXoscrizioni
a
pagamento
degli
uten<.
In
Italia,
secondo
i
da<
forni<
da
Albergoni
(Senior
Sales
Manager
presso
“Linkedin
Italia”),
gli
uten<
registra<
sono
circa
due
milioni
con
una
crescita
del
107%
in
un
anno
ed,
effeevamente
l’impressione
comune
è
che
solo
in
quest’ul<mo
periodo
Linkedin
s<a
realmente
prendendo
piede
nel
nostro
paese.
“L'Italia,
sos<ene
Albergoni,
è
il
secondo
per
tasso
di
crescita
in
Europa
e
l’apertura
di
un
ufficio
fisico
lo
dimostra”.
7
8. METODOLOGIA DI RACCOLTA DEI DATI
•
Analisi
qualita<va:
– 5
Depth
Interviews
face
to
face
• Analisi
quan<ta<va:
Somministrazione
di
un
ques<onario
struXurato
in
lingua
italiana
e
-
inglese:
Face
to
face
presso
l’Università
“Luigi
Bocconi”,
il
“Politecnico
di
Milano”,
l’Università
“CaXolica
del
Sacro
Cuore”
di
Milano
e
in
Corso
Italia
(data
l’alta
concentrazione
di
lavoratori
durante
le
pause
pranzo).
On-‐Line
tra
i
contae
personali
in
ambito
universitario;
nei
gruppi
di
“Facebook”:
“Ninja
Marketer”,
“Social
Network”,
“Web
Marke<ng”,
“e-‐Marke<ng
Studies”,
“Web
Marke<ng
Associa<on”;
nei
gruppi
di
“Linkedin”:
“Alumni
Bocconi”
“e-‐marke<ng
e
Social
Media
Profs”,
“e-‐MC”,
“e-‐Marke<ng
Associa<on”,
“Linkedin
Mobile”
e
“Ninja
Marke<ng”.
8
9. RICERCA QUALITATIVA
La
ricerca
qualita<va
è
stata
effeXuata
mediante
cinque
depth
interviews
semi-‐
struXurate
dalle
quali
sono
emerse
le
seguen<
informazioni,
sulle
quali
ci
siamo
focalizza<
per
la
realizzazione
del
ques<onario.
Di
seguito
abbiamo
sinte<zzato
le
domande
e
le
risposte
più
rilevan<
oXenute
mediante
le
interviste:
1. Qual
è
il
mo<vo
che
l’ha
spinta
ad
iscriversi
ai
social
network?
– Per
mantenere
i
contae
– Per
trovare
informazioni
od
opportunità
sul
mondo
del
lavoro
2. Qual
è
stata
l’impressione
che
ha
avuto
nel
primo
periodo
di
u<lizzo?
– Possibilità
di
nuove
conoscenze
– Possibilità
di
avere
una
visibilità
nazionale/internazionale
3. Qual
è
la
prima
aevità
che
svolgi
subito
dopo
aver
effeXuato
l’accesso?
– Controllo
eventuali
richieste
di
amicizia
e/o
nuovi
contae
– Se
ho
ricevuto
nuove
proposte
di
lavoro
4. Ha
mai
avuto
problemi
tecnici
o
personali
durante
l’u<lizzo?
– Spam
eccessiva
– Profili
invasivi
9
10. RICERCA QUALITATIVA
Con
par<colare
riferimento
a
linkedin…
5. Qual
è
stato
il
principale
mo<vo
che
l’ha
spinta
ad
iscriversi
a
Linkedin?
– Mantenere
i
contae
– Cogliere
opportunità
lavora<ve
– Metodo
alterna<vo
ai
canali
off-‐line
per
la
ricerca
di
un
impiego
7. Quindi
è
per
lei
importante
avere
una
strada
alterna<va
ai
canali
off-‐line?
– Sì,
a
causa
della
difficoltà
odierna
nella
ricerca
di
un
impiego
– Sì,
per
via
della
maggiore
estensione
della
rete
di
contae
che
esso
comporta
9. Perché
ri<ene
importante
possedere
una
maggior
rete
di
contae?
– Possibilità
di
entrare
in
contaXo
con
profili
professionali
che
lavorano
in
diversi
ambi<
lavora<vi
e
che
sono
operan<
anche
all’estero
– Adesione
ai
gruppi
di
interesse
11. Per
entrare
in
contaXo
con
i
profili
d’interesse
il
sito
è
sufficientemente
chiaro
e
di
semplice
u<lizzo?
– Sì,
grazie
alla
grafica
di
chiara
e
facile
comprensione
– StruXura
completa
e
non
complessa
10
11. RICERCA QUALITATIVA
9. Precedentemente
ha
affermato
che
il
network
in
ques<one
le
permeXe
di
entrare
in
contaXo
con
profili
professionali,
per
lei
è
quindi
importante
la
credibilità
dei
suoi
contae?
– Sì,
per
l’oXenimento
di
informazioni
veri<ere
– Sì
perché
nel
caso
io
ricevessi
una
reale
proposta
di
lavoro
mi
sen<rei
appagato
e
soddisfaXo
11. Le
è
mai
capitato
di
essere
contaXato
da
profili
falsi
e/o
invasivi?
– No,
in
quanto
l’aXenta
tutela
della
privacy
crea
un
forte
senso
di
sicurezza
13. In
conclusione
si
ri<ene
complessivamente
soddisfaXa
dal
servizio
offerto?
– Sì,
sopraXuXo
nel
momento
in
cui
ricevo
concrete
proposte
di
lavoro
– Sì,
perché
mi
permeXe
di
avere
ampia
visibilità
in
un
contesto
internazionale
11
12. MEANS-END CHAIN
Valori
Autos<ma
Appagamento
Serenità
terminali
Valori
Riconoscimento
strumentali
Benefici
Maggiore
Maggiore
Profili
credibili
tranquillità
psicologici
visibilità
Opportunità
di
lavoro
Semplice
u<lizzo
Mantenere
i
contae
Benefici
Semplificazione
funzionali
ricerca
impiego
Informazioni
Estensione
rete
veri<ere
Maggiore
sicurezza
contae
del
sito
AXribu<
astrae
e
Professionalità
Forte
tutela
Grafica
chiara
Alterna<vità
concre<
del
sito
della
privacy
12
13. RICERCA QUANTITATIVA
Al
fine
di
oXenere
i
da<
necessari
per
svolgere
la
nostra
analisi,
abbiamo
somministrato
un
ques<onario
struXurato
composto
da
22
domande
a
217
individui
di
età
compresa
tra
i
16
e
i
58
anni
aXraverso
la
modalità
dell’auto-‐compilazione.
Il
suddeXo
ques<onario
è
stato
così
suddiviso:
1. Informazioni
sulle
abitudini
di
u<lizzo
dei
social
network:
Dopo
una
domanda
di
screening
che
ci
ha
consen<to
di
individuare
gli
u<lizzatori
dei
tre
social
network
abbiamo
rilevato:
– Mo<vo
di
u<lizzo
– Frequenza
di
u<lizzo
– Modalità
di
ricerca
di
un
nuovo
impiego
2. Informazioni
specifiche
su
“Linkedin”:
– Modalità
di
contaXo
– Mo<vo
di
u<lizzo
– Numerosità
dei
feedback
lavora<vi
– U<lizzo
dell’applicazione
Mobile
– Pun<
di
forza
e
di
debolezza
– U<lizzo
dell’account
Premium
13
14. RICERCA QUANTITATIVA
3. Valutazioni
di
importanza
sugli
aXribu<
e
Customer
Sa<sfac<on:
– Individua<
12
Items
emersi
come
rilevan<
dall’analisi
qualita<va,
è
stato
chiesto
all’intervistato
di
aXribuirne
un
giudizio
di
importanza
su
una
scala
da
1
a
9
(1-‐3
Poco
Importante,
4-‐6
Abbastanza
importante
e
7-‐9
Molto
Importante).
– All’intervistato
viene
inoltre
richiesto
di
aXribuire
una
valutazione
di
soddisfazione
rela<vamente
ai
tre
social
network
presi
in
considerazione
(“Facebook”
Linkedin”
e
“Twi5er”)
in
merito
ai
12
items
considera<
precedentemente
e
un
giudizio
sinte<co
sulla
soddisfazione
globale
dei
social
network.
– Infine
i
12
Items
sono
sta<
u<lizza<
per
ricavare
un
giudizio
sulle
caraXeris<che
ricercate
in
un
profilo
di
social
network
ideale.
14
15. RICERCA QUANTITATIVA
4. Informazioni
Socio-‐demografiche:
– Sesso
– Età
– Professione
– Titolo
di
studio
– Status
sociale
(verificato
mediante
il
possesso
di
determina<
beni
in
ambito
domes<co)
– Provincia
di
residenza
15
16. VARIABILI SOCIO-DEMOGRAFICHE
SESSO$
• Sesso
– Maschi:
126
(58,1%)
– Femmine:
91
(41,9%)
41,90%' Maschi'
Femmine'
– Totale
risposte
valide:
217
58,10%'
ETA'%DEL%CAMPIONE%
1,40%& 2,30%& 0,50%& 5,10%&
Per
quanto
riguarda
i
social
network
2,30%&
4,60%&
16,20&ANNI&
21,25&ANNI&
in
generale
la
fascia
d’età
più
26,30&ANNI& numerosa
risulta
essere
quella
tra
i
24%& 31,35&ANNI&
36,40&ANNI&
21
e
i
25
anni
(59,9%)
seguita
dalla
59,90%&
41,45&ANNI& fascia
26-‐30
anni
(24%).
La
meno
46,50&ANNI&
56,60&ANNI&
numerosa
invece
va
dai
56-‐60
anni.
16
17. FACEBOOK
Sulla
totalità
del
campione
è
stato
verificato
che
l’88%
degli
intervista<
u<lizza
facebook
e
il
12%
non
lo
u<lizza.
Con
riferimento
alle
classi
d’età
il
59,9%
degli
u<lizzatori
appar<ene
alla
fascia
d’età
21-‐25
anni
e
il
24%
appar<ene
alla
fascia
26-‐30.
Per
pra<cità
analizziamo
nel
deXaglio
solo
queste
due
classi
che
congiuntamente
rappresentano
l’83,9%
delle
informazioni.
Fascia
21-‐25:
il
91,5%
u<lizza
Facebook,
l’8,5%
non
lo
u<lizza.
Fascia
26-‐30:
l’86,5%
u<lizza
Facebook,
il
13,5%
non
lo
u<lizza.
17
18. LINKEDIN
• È
stato
verificato
che
il
62,2%
degli
intervista<
u<lizza
Linkedin
e
il
37,8%
non
lo
u<lizza.
Le
classi
numericamente
più
rilevan<
u<lizzano
il
social
network
con
le
seguen<
percentuali:
– Fascia
21-‐25:
il
56,2%
u<lizza
Linkedin,
il
43,8%
non
lo
u<lizza.
– Fascia
26-‐30:
il
75%
u<lizza
Linkedin,
il
25%
non
lo
u<lizza.
• È
opportuno
soXolineare
come
al
crescere
della
fascia
d’età
aumen<
la
percentuale
di
u<lizzatori
all’interno
della
classe,
seppur
risul<no
essere
meno
numerose.
– Fascia
31-‐35:
il
90%
u<lizza
Linkedin,
il
10%
non
lo
u<lizza
(10
osservazioni).
– Fascia
36-‐40:
il
100%
u<lizza
Linkedin
(5
osservazioni).
– Fascia
46-‐50:
il
100%
u<lizza
Linkedin
(5
osservazioni).
18
19. TWITTER
• È
stato
verificato
che
il
30,4%
degli
intervista<
u<lizza
TwiXer
e
il
69,6%
non
lo
u<lizza.
Le
classi
numericamente
più
rilevan<
u<lizzano
il
social
network
con
le
seguen<
percentuali:
– Fascia
21-‐25:
il
28,5%
u<lizza
Linkedin,
il
71,5%
non
lo
u<lizza.
– Fascia
26-‐30:
il
40,4%
u<lizza
Linkedin,
il
59,6%
non
lo
u<lizza.
SINTESI
Dall’analisi
emerge
quindi
che
il
social
network
più
diffuso
è
Facebook
seguito
da
Linkedin
e
TwiXer.
TuXavia
è
u<le
osservare
come
la
percentuale
degli
u<lizzatori
di
Linkedin
aumen<
al
crescere
dell’età
(fenomeno
che
conferma
la
specificità
del
social
network
riguardante
l’inserimento
nel
mondo
lavora<vo
o
le
opportunità
ad
esso
connesse).
19
20. SOCIAL NETWORK vs PROFESSIONE
Per
quanto
riguarda
i
da<
aggrega<
no<amo
che
il
numero
di
u<lizzatori
di
Facebook
presenta
dei
valori
eleva<
per
quanto
riguarda
gli
studen<
o
gli
impiega<.
Le
altre
professioni
presentano
una
percentuale
di
osservazioni
scarse
che
rendono
impossibile
un’analisi
s t a < s < c a m e n t e
s i g n i fi c a < v a .
TuXavia,
con
riferimento
a
Linkedin,
si
osserva
che
per
le
Facebook
Linkedin
TwiHer
professioni
più
Sì
No
Sì
No
Sì
No
qualificate
la
Impiegato
84,60%
15,40%
75%
25%
34,60%
65,40%
percentuale
di
u<lizzo
Studente
93,20%
6,80%
57,30%
42,70%
28,20%
71,80%
Facebook
Linkedin
TwiHer
si
aXesta
al
1
00%.
Sì
No
Sì
No
Sì
No
Dirigente
0,5%
0
100%
100%
0
0
100%
Doc.
Universitario
0,5%
100%
0
100%
0
0
100%
Imprenditore
0,9%
0
100%
100%
0
100%
0
Libero
professionista
5,1%
9,10%
90,90%
90,90%
9,10%
45,50%
54,50%
20
22. SOCIAL NETWORK vs TITOLO DI STUDIO
DIPLOMATI
FACEBOOK( LINKEDIN' TWITTER&
17,60%' 14,70%'
29,40%'
USANO'FACEBOOK' USANO'LINKEDIN' USANO'TWITTER'
NON'USANO'FACEBOOK' NON'USANO'LINKEDIN' NON'USANO'TWITTER'
70,60%'
82,40%' 85,30%'
LAUREATI
DI
1°
LIVELLO
FACEBOOK( LINKEDIN' TWITTER&
7,10%&
36,70%& 32,70%'
USANO&FACEBOOK& USANO&LINKEDIN& USANO'TWITTER'
NON&USANO&FACEBOOK& NON&USANO&LINKEDIN& NON'USANO'TWITTER'
63,30%& 67,30%'
92,90%&
22
23. SOCIAL NETWORK vs TITOLO DI STUDIO
LAUREATI
DI
2°
LIVELLO
FACEBOOK( LINKEDIN' TWITTER&
13,60%'
18,20%&
22,70%&
USANO'FACEBOOK' USANO&LINKEDIN& USANO&TWITTER&
NON'USANO'FACEBOOK' NON&USANO&LINKEDIN& NON&USANO&TWITTER&
86,40%' 81,80%& 77,30%&
LAUREA
SUPERIORE
FACEBOOK( LINKEDIN' TWITTER&
5,90%'
29,40%&
USANO'FACEBOOK' USANO$LINKEDIN$ USANO&TWITTER&
NON'USANO'FACEBOOK' NON$USANO$LINKEDIN$ NON&USANO&TWITTER&
70,60%&
94,10%'
100%$
23
24. ETA’ DEL CAMPIONE DI RIFERIMENTO
La
fascia
d’età
più
numerosa
risulta
essere
quella
compresa
tra
i
21
e
i
25
anni
(53,9%)
e
quella
tra
i
26
e
i
30
anni
(24%)
con
un
peso
aggregato
sul
totale
del
campione
del
77,9%.
ETA'%DEL%CAMPIONE%
1,40%& 2,30%& 0,50%& 5,10%&
2,30%& 16,20&ANNI&
4,60%&
21,25&ANNI&
26,30&ANNI&
24%& 31,35&ANNI&
36,40&ANNI&
59,90%&
41,45&ANNI&
46,50&ANNI&
56,60&ANNI&
24
25. CAMPIONE DI RIFERIMENTO:
VARIABILE STATUS
Abbiamo
aXribuito
al
possesso
di
un
oggeXo
di
status
un
valore
pari
a
uno,
lo
status
sociale
è
dato
da:
STATUS=
Σ
n°
oggee
possedu<.
Sulla
totalità
del
campione
la
media
e
la
deviazione
standard
della
variabile
STATUS
sono
μ=3,36
e
σ=2,141.
Mediana=3.
La
suddeXa
distribuzione
è
asimmetrica
verso
sinistra
in
quanto
si
rilevano
più
osservazioni
di
soggee
con
uno
status
<
3
rispeXo
alle
persone
che
hanno
uno
status
maggiore.
Prendendo
in
considerazione
gli
u<lizzatori
di
Linkedin
si
osserva
che
la
media
e
la
deviazione
standard
si
aXestano
a
μ=3,53
e
σ=2,065.
Mediana=3.
La
media
è
leggermente
maggiore
e
la
distribuzione
è
asimmetrica
a
sinistra
in
quanto
anche
in
questo
caso
la
maggioranza
dei
soggee
hanno
uno
status
<
3
rispeXo
a
quelli
che
hanno
uno
status
maggiore.
μ"TOTALE"CAMPIONE 3,36 μ"UTILIZZATORI"LINKEDIN 3,53
σ"TOTALE"CAMPIONE 2,141 σ"UTILIZZATORI"LINKEDIN 2,065
25
26. CAMPIONE DI RIFERIMENTO: FREQUENZA DI
UTILIZZO SOCIAL NETWORK
Abbiamo
riclassificato
la
variabile
“frequenza
di
u<lizzo
social
network”
con
i
seguen<
valori:
ogni
giorno=1,
più
di
una
volta
a
seemana=2,
meno
di
una
volta
a
seemana=3
e
meno
di
una
volta
al
mese=4.
Abbiamo
considerato
l’intervallo
1-‐4
come
una
variabile
numerica
con<nua
e
poi
abbiamo
calcolato
media
e
deviazione
standard
in
riferimento
all’u<lizzo
di
tue
e
tre
i
social
network
oXenendo
i
seguen<
risulta<:
FACEBOOK LINKEDIN TWITTER
μ 1,19 2,21 2,54
σ 0,461 0,961 1,138
Dalla
tabella
emerge
che
Facebook
è
mediamente
u<lizzato
ogni
giorno
(in
quanto
1,19
è
approssimabile
a
1),
Linkedin
viene
u<lizzato
mediamente
più
di
una
volta
a
seemana
(2,21
approssimabile
a
2)
mentre
TwiXer
presenta
un
valore
vicino
alla
media
tra
l’u<lizzo
del
social
network
più
di
una
volta
a
seemana
e
meno
di
una
volta
a
seemana.
Su
TwiXer
è
importante
notare
che
la
deviazione
standard
presenta
il
valore
maggiore
dei
tre
quindi
la
variabilità
delle
risposte
è
superiore
rispeXo
all’u<lizzo
degli
altri
social
network.
Inoltre
la
distribuzione
di
TwiXer
è
asimmetrica
a
destra.
Mediana=3
e
Media=2,54.
Questo
significa
che
ci
sono
più
soggee
che
lo
u<lizzano
raramente
rispeXo
a
coloro
i
quali
lo
u<lizzano
più
frequentemente.
26
27. CAMPIONE DI RIFERIMENTO: QUALI STRUMENTI
VENGONO UTILIZZATI PER TROVARE LAVORO
CANALI&OFF)LINE& KIJIJI$ TROVA&LAVORO&
20,30%&
24,40%&
UTILIZZANO'CANALI'OFF5 UTILIZZANO&TROVA&
43,80%' LINE' UTILIZZANO&KIJIJI& LAVORO&
56,20%' NON'UTILIZZANO'CANALI' NON&UTILIZZANO&KIJIJI& NON&UTILIZZANO&TROVA&
OFF5LINE' LAVORO&
79,70%& 75,60%&
LINKEDIN' GAZZETTA&DEL&LAVORO& MONSTER(
14,70%'
35,50%' UTILIZZANO'LINKEDIN' UTILIZZANO'GAZZETTA' 29,50%' UTILIZZANO'MONSTER'
DEL'LAVORO'
NON'UTILIZZANO' NON'UTILIZZANO' NON'UTILIZZANO'
64,50%' LINKEDIN' GAZZETTA'DEL'LAVORO' MONSTER'
70,50%'
85,30%'
Dall’analisi
si
può
notare
che
i
metodi
di
ricerca
impiego
che
presentano
una
percentuale
maggiore
sono
i
CANALI
OFF-‐LINE
e
LINKEDIN.
Tale
risultato
è
in
linea
con
l’immagine
di
alterna<vità
tra
i
due
canali
emersa
durante
le
interviste
effeXuate
.
27
28. CAMPIONE DI RIFERIMENTO: COME SONO GIUDICATI
I SERVIZI OFFERTI DAGLI STRUMENTI IN QUESTIONE
μ σ La
distribuzione
delle
valutazioni
sui
canali
off-‐line
è
CANALI(OFF+LINE 5,71 2,24 asimmetrica
a
destra
ossia
sono
presen<
più
KIJIJI 4,15 2,048 valutazioni
migliori
rispeXo
ai
giudizi
bassi,
così
come
per
quanto
riguarda
i
giudizi
sul
trova
lavoro
e
su
TROVA(LAVORO 4,38 2,116
Monster.
La
distribuzione
dei
giudizi
su
Linkedin
(che
LINKEDIN 6,12 1,977 presenta
la
media
maggiore
e
uno
scarto
minore
GAZZETTA(DEL(LAVORO 4,04 2,027 rispeXo
agli
altri
metodi
di
ricerca
di
un
impiego)
è
MONSTER 5,21 2,28 molto
asimmetrica
a
destra.
Ra<ng
in
ordine
di
preferenza:
1. LINKEDIN
2. CANALI
OFF-‐LINE
3. MONSTER
4. TROVA
LAVORO
5. KIJIJI
6. GAZZETTA
DEL
LAVORO
28
29. CAMPIONE DI RIFERIMENTO: CONOSCENZA DI LINKEDIN
DA#AMICI/FAMILIARI# DA#SCUOLE/UNIVERSITA'# MASS$MEDIA(TRADIZIONALI(
3,70%&
16,60%&
35,90%'
SI' SI& SI&
NO' NO& NO&
64,10%'
83,40%& 96,30%&
SU#INTERNET# DA#DATORI#DI#LAVORO/COLLEGHI#
12%$
32,70%'
SI' SI$
NO' NO$
67,30%'
88%$
Come
evidenziato
dai
risulta<
oXenu<
la
promozione
di
Linkedin
risulta
efficace
per
quanto
riguarda
internet
e
il
passaparola
(valori
superiori
al
30%)
mentre
le
scuole,
le
università,
i
datori
di
lavoro
e
i
colleghi
rivestono
un
ruolo
marginale
(valori
compresi
tra
12%
e
16,6%)
mentre
il
canale
dei
mass-‐media
tradizionali
non
risulta
sfruXato
dall’azienda
in
quanto
solo
il
3,7%
degli
intervista<
ha
dichiarato
di
esserne
venuto
a
conoscenza
grazie
a
essi.
29
30. CAMPIONE DI RIFERIMENTO: MOTIVO DI UTILIZZO DI
LINKEDIN
Si
osserva
che
il
mo<vo
principale
di
u<lizzo
di
Linkedin
risulta
essere
il
mantenere
le
relazioni
in
ambito
lavora<vo
con
una
percentuale
superiore
al
58%.
La
seconda
mo<vazione
in
ordine
di
importanza
è
per
trovare
nuove
opportunità
di
lavoro
(54,4%).
Per
mantenere
i
contae
ricopre
un
ruolo
marginale
se
paragonato
alle
prime
due
scelte
degli
intervista<
infae
si
PER$MANTENERE$LE$RELAZIONI$IN$
AMBITO$LAVORATIVO$
aXesta
al
12,9%.
Tra
gli
uten<
che
hanno
indicato
“Altro”
le
risposte
più
interessan<
sono:
“per
raccogliere
informazioni”,
“ho
scelto
di
iscrivermi
perché
può
essere
un
opportunità
come
41,90%' SI'
un'altra,
ma
è
una
cosa
che
non
ritengo
funzionale
e
non
credo
58,10%' NO'
possa
portare
a
veri
risulta<”
e
“per
i
gruppi”.
PER$TROVARE$NUOVE$ PER$MANTENERE$I$CONTATTI$ ALTRO&
OPPORTUNITA'$DI$LAVORO$ 12,90%' 5,10%&
SI' SI&
45,60%& SI&
NO' NO&
54,40%& NO&
87,10%' 94,90%&
30
31. CAMPIONE DI RIFERIMENTO: QUANTE PROPOSTE
HANNO RICEVUTO IN UN MESE ATTRAVERSO LINKEDIN
Abbiamo
trasformato
le
variabili
in
oggeXo
in
un
segmento
Non
considerando
i
missing
values
si
con<nuo
così
composto:
1
=
0
proposte,
2
=
1
o
2
proposte,
oeene
una
distribuzione
così
formata:
3
=
3
o
4
proposte
e
4
=
più
di
4
proposte.
Abbiamo
oXenuto
151
risposte
in
merito
alla
suddeXa
QUANTE'PROPOSTE'DI'LAVORO'HA'
informazione
e
abbiamo
rilevato
66
missing
values.
Le
risposte
RICEVUTO?'
osservate
presentano:
media
=
1,58
(il
campione
dichiara
di
aver
5,30%' 3,30%'
ricevuto
mediamente
un
ammontare
di
proposte
pari
a
zero,
una
o
0'PROPOSTE'
al
massimo
due
offerte
di
impiego);
e
σ
=
0,743.
La
distribuzione
è
DA'1'A'2'PROPOSTE'
fortemente
asimmetrica
a
sinistra
ossia
mol<
soggee
non
hanno
37,70%' 53,60%' DA'3'A'4'PROPOSTE'
ricevuto
proposte
rispeXo
a
coloro
i
quali
ne
hanno
ricevute.
PIU''DI'4'PROPOSTE'
PERSONE'CHE'HANNO'
EFFETTIVAMENTE'TROVATO'LAVORO'
GRAZIE'A'LINKEDIN' Escludendo
i
soggee
che
hanno
risposto
nega<vamente
18,65%' alla
precedente
domanda
(0
offerte
di
impiego
ricevute)
SI'
abbiamo
s<mato
quante
persone
hanno
effeevamente
81,40%'
NO' trovato
lavoro
dopo
le
proposte
ricevute
grazie
a
Linkedin:
31
32. CAMPIONE DI RIFERIMENTO: DIFFUSIONE E
PERCEZIONE DEL SERVIZIO MOBILE
Abbiamo
riscontrato
che
il
25,3%
degli
u<lizzatori
di
PERSONE'CHE'UTILIZZANO'
Linkedin
possiede
anche
l’applicazione
mobile.
Il
L'APPLICAZIONE'MOBILE'
giudizio,
espresso
su
una
scala
da
1
a
9,
risulta
avere
media
=
5,03
ossia
si
reputano
abbastanza
soddisfae.
Lo
scarto
quadra<co
e
pari
a
σ
=
1,899.
Il
restante
74,7%
25,30%'
SI'
degli
intervista<
non
possiede
l’applicazione
mobile.
NO'
Ciononostante
il
16,1%
di
chi
dichiara
di
non
possedere
74,70%'
l’applicazione
la
giudica
ugualmente.
La
media
risultante
da
queste
valutazioni
è
4
(ossia
inferiore
rispeXo
al
valore
precedentemente
iden<ficato).
PERSONE'CHE'NON'POSSIEDONO'
Con
riferimento
a
questo
16,1%,
il
69%
di
essi
dichiara
di
L'APPLICAZIONE'MOBILE'MA'LA'
possedere
oggee
quali
smartphone
oppure
I-‐pad
quindi
GIUDICANO'UGUALMENTE'
possiamo
supporre
che,
essendo
in
possesso
di
disposi<vi
mobile
abbiano
posseduto
l’applicazione
di
Linkedin
ma,
giudicandola
nega<vamente,
abbiano
31%$ POSSIEDONO$DISPOSITIVI$
smesso
di
u<lizzarla
dopo
un
periodo
di
prova
a
causa
MOBILI$
dell’insufficiente
soddisfazione
legata
alla
scarsa
69%$
NON$POSSIEDONO$
DISPOSITIVI$MOBILI$
funzionalità
percepita.
Il
restante
31%
la
giudica
pur
non
essendo
in
possesso
di
disposi<vi
mobili.
32
33. CAMPIONE DI RIFERIMENTO: POSSESSO DELL’ACCOUNT
PREMIUM
All’interno
del
campione
analizzato
abbiamo
oXenuto
179
risposte
e
38
missing
values.
Per
quanto
riguarda
le
osservazioni
valide
si
riscontra
la
seguente
distribuzione:
POSSESSORI'DELL'ACCOUNT'
PREMIUM'
2,20%%
SI%
NO%
97,20%%
33
34. COSA SPINGE GLI UTENTI ALL’UTILIZZO
DEI SOCIAL NETWORK
Abbiamo
chiesto
ai
nostri
intervista<
di
rispondere
ad
una
domanda
struXurata
rela<va
al
mo<vo
che
li
spinge
all’u<lizzo
dei
diversi
Social
Network.
Si
rilevano
436
osservazioni
valide
e
in
un
solo
caso
viene
riscontrato
almeno
una
variabile
discriminante
mancante
Analysis/Case/Processing/Summary
Unweighted/Cases N Percent
Valid 436 67
Excluded Missing/or/out3of3range/group/codes 0 0
At/least/one/missing/discriminating/variable 1 0,2
Both/missing/or/out3of3range/group/codes/and/at/least/one/missing/discriminating/variable 214 32,9
Total 215 33
Total 651 100
Il
potere
discriminante
delle
variabili
Tests'of'Equality'of'Group'Means
esplica<ve
segue
l’ordine
(dal
più
Wilks''Lambda F df1 df2 Sig.
importante
al
meno
importante)
Nuove_Conoscenze_FB 0,954 10,44 2 433 0 secondo
il
valore
di
F.
Tanto
più
è
Mantenere_Contatti_FB 0,531 191,289 2 433 0 elevato
F
tanto
più
discriminan<
sono
Informarti_FB 0,921 18,513 2 433 0 gli
item,
abbiamo
evidenziato
in
giallo
Opportunità_Lavoro_FB 0,467 246,803 2 433 0 le
due
variabili
maggiormente
discriminan<.
34
35. COSA SPINGE GLI UTENTI ALL’UTILIZZO
DEI SOCIAL NETWORK
Eigenvalues(b)
Function Eigenvalue %/of/Variance Cumulative/% Canonical/Correlation
1 1,890a 70,9 70,9 0,809
2 ,776a 29,1 100 0,661
Si
nota
come
le
prime
due
funzioni
discriminan<
risul<no
più
che
sufficien<
per
l’analisi
in
quanto
se
considerate
congiuntamente
permeXono
di
spiegare
il
100%
della
varianza
dei
gruppi.
Wilks'%Lambda
Test%of%Function(s) Wilks'%Lambda Chi:square df Sig.
1"through"2 0,195 705,694 8 0
2 0,563 247,786 3 0
Il
P-‐value
pari
a
zero
che
emerge
aXraverso
il
test
Lambda
di
Wilks
conferma
che
le
variabili
in
ques<one
sono
significa<ve.
35
36. COSA SPINGE GLI UTENTI ALL’UTILIZZO
DEI SOCIAL NETWORK
Functions9at9Group9Centroids I
valori
espressi
dalla
tabella
riportata
esprimono
i
punteggi
Function standardizza<
e
le
coordinate
sulla
mappa
di
posizionamento
Brand 1 2 dei
brand
(valori
presi
dalle
funzioni
dei
baricentri
dei
gruppi)
FACEBOOK #1,109 0,918 rispeXo
alle
funzioni
lineari
discriminan<.
La
mappa
di
LINKEDIN 1,689 #0,226 posizionamento
viene
costruita
u<lizzando
i
punteggi,
rispeXo
TWITTER #0,33 #1,87 alle
prime
due
funzioni
discriminan<
degli
aXribu<
(dato
preso
Unstandardized5canonical5discriminant5
dalla
matrice
di
struXura
e
degli
oggee).
functions5evaluated5at5group5means
La
matrice
di
struXura
ruotata
Matrice*di*struttura*ruotata
indica
i
coefficien<
di
Funzione
correlazione
tra
i
valori
della
* 1 2
variabile
e
fra
i
valori
delle
Opportunità*di*Lavoro 0,853 0,02
funzioni
discriminan<.
Il
potere
Mantenere*Contatti 80,167 0,809
discriminante
della
variabile
è
Informarti 80,118 80,303
direXamente
proporzionale
alla
Nuove*Conoscenze 0,156 0,19
grandezza
(in
valore
assoluto)
del
valore
della
correlazione.
Abbiamo
evidenziato
i
due
risulta<
più
significa<vi.
36
39. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL
NETWORK
Come
si
evince
dalla
Mappa
di
Posizionamento
i
tre
social
network
sono
percepi<
come
piaXaforme
che
offrono
un
diverso
servizio
e
hanno
un
diverso
<po
di
potenziale:
FACEBOOK:
Si
posiziona
nel
quadrante
in
cui
si
collocano
i
Social
Network
con
un
alto
potenziale
sociale;
anali<camente
è
percepito
come
il
miglior
Social
da
poter
u<lizzare
per
mantenere
i
propri
conta>.
LINKEDIN:
Si
posiziona
nel
quadrante
in
cui
si
collocano
i
Social
Network
con
un
alto
potenziale
lavora?vo
(e
risulta
avere
anche
un
discreto
potenziale
informa?vo);
anali<camente
risulta
essere
percepito
come
il
miglior
Social
da
poter
sfruXare
per
cogliere
opportunità
nel
mondo
del
lavoro
e
per
fare
nuove
conoscenze.
TWITTER:
Si
posiziona
nel
quadrante
in
cui
si
collocano
i
Social
Network
con
un
alto
potenziale
informa?vo;
anali<camente
è
percepito
come
il
miglior
Social
da
poter
u<lizzare
per
tenersi
informa?
(seguito
da
Facebook).
39
40. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL
NETWORK: REGRESSIONE LINEARE FACEBOOK
In
seguito
alla
domanda
volta
a
far
emergere
le
mo<vazioni
che
spingono
gli
uten<
all’u<lizzo
dei
diversi
Social
Network
(che
prevedeva
come
risposte:
u?lizzo
il
social
network
in
ques?one
per
mantenere
i
miei
conta>,
per
fare
nuove
conoscenze,
per
cogliere
opportunità
nel
mondo
del
lavoro
e
per
tenermi
informato)
abbiamo
infine
chiesto
di
dare
un
giudizio
sulla
soddisfazione
globale
verso
il
social
network.
L’analisi
di
regressione
lineare
serve
ad
individuare
la
relazione
esistente
tra
una
variabile
dipendente
(variabile
obieXvo,
nel
nostro
caso
soddisfazione
globale
verso
il
Social
Network)
e
un
insieme
di
variabili
indipenden<
(variabili
esplica.ve).
Abbiamo
u<lizzato
la
tecnica
Stepwise
in
quanto
consente
di
oXenere
output
molto
precisi
dal
momento
che
alterna
automa<camente
e
nel
modo
più
opportuno
passi
forward
e
passi
backward
ed
include
nell’analisi
solamente
gli
item
che
impaXano
significa<vamente
sulla
soddisfazione
globale.
Abbiamo
u<lizzato
la
stessa
tecnica
per
tue
e
tre
i
social
network.
Model VARIABILI,UTILIZZATE Le
variabili
prese
in
considerazione
vengono
escluse
dal
1 Mantenere_Contatti_FB modello
se
il
livello
di
significa<vità
del
loro
F
è
maggiore
2 Informarti_FB o
uguale
a
0,10
E
vengono
inserite
nel
modello
se
il
livello
3 Nuove_Conoscenze_FB di
significa<vità
di
F
è
inferiore
o
uguale
a
0,08.
a.,Dependent,Variable:,Giudizio_Globale_FB
40
41. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL
NETWORK: REGRESSIONE LINEARE FACEBOOK
Model'Summary 2
Il
valore
R
indica
la
significa<vità
Model R R'Square Adjusted'R'Square Std.'Error'of'the'Estimate
1 ,364a 0,132 0,128 1,349 globale
del
modello.
2 ,407b 0,166 0,158 1,326 Dalla
tabella
“Model
Summary”
si
3 ,432c 0,187 0,175 1,313 evince
come
tra
i
modelli
propos<
il
ANOVA(d) migliore
sia
il
numero
tre
in
quanto
2
Model Sum)of)Squares df Mean)Square F Sig. presenta
un
valore
di
R
maggiore.
Regression 56,16 1 56,16 30,846 ,000a
Per
quanto
riguarda
il
p-‐value
tue
e
tre
i
1 Residual 367,776 202 1,821
Total 423,936 203 valori
risultano
significa<vi
in
quanto
Regression 70,316 2 35,158 19,984 ,000b inferiori
allo
0,05.
2 Residual 353,62 201 1,759 In
conclusione
abbiamo
quindi
optato
Total 423,936 203
Regression 79,195 3 26,398 15,315 ,000c
per
il
modello
tre
in
quanto
presenta
il
2
3 Residual 344,741 200 1,724 valore
di
R
maggiore
in
assoluto.
Total 423,936 203
Coefficienti)non)standardizzati Coefficienti)standardizzati
I
coefficien<
) B Errore)std. Beta
(Costante) 2,712 0,627
determina<
sono
i
Mantenere)i)Contatti 0,374 0,08 0,309
seguen<:
Informarsi 0,121 0,041 0,193
Fare)Nuove)Conoscenze 0,081 0,036 0,145
41
42. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL
NETWORK: REGRESSIONE LINEARE FACEBOOK
PESO'PERCENTUALE'DEI'DRIVER Calcolando
il
coefficiente
Beta
in
Mantenere'i'Contatti 0,4775889 47,8% valori
percentuali
è
possibile
Informarsi 0,2982998 29,8% determinare
con
che
peso
le
variabili
Fare'Nuove'Conoscenze 0,2241113 22,4% ritenute
rilavan<
impaXano
sulla
soddisfazione
globale.
Con
questo
60,0%& procedimento
è
possibile
ricavare
50,0%&
47,8%&
l’influenza
delle
singole
variabili.
Le
40,0%& più
rilevan<
in
ordine
di
importanza
30,0%&
29,8%& risultano
essere:
Mantenere
i
conta>,
22,4%& Informarsi
e
Fare
nuove
conoscenze.
20,0%&
10,0%&
0,0%&
Mantenere&i&Conta7& Informarsi& Fare&Nuove&Conoscenze&
42
43. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL
NETWORK: REGRESSIONE LINEARE LINKEDIN
Model VARIABILI,UTILIZZATE
1 Opportunità_Lavoro_LK
2 Informarti_LK
3 Nuove_Conoscenze_LK
a.#Dependent#Variable:#Giudizio_Globale_LK
Model'Summary
Model R R'Square Adjusted'R'Square Std.'Error'of'the'Estimate Dal
Model
Summary
risulta
che
il
modello
con
1 ,552a 0,304 0,3 1,174
2 ,638b 0,407 0,399 1,088
l’R
square
più
elevato
è
il
terzo
pertanto
3 ,663c 0,439 0,428 1,061 abbiamo
optato
per
questa
opzione.
ANOVA(d)
Model Sum)of)Squares df Mean)Square F Sig.
Regression 89,31 1 89,31 64,786 ,000a
1 Residual 204,024 148 1,379
Total 293,333 149 Il
livello
di
significa<vità
è
adeguato
anche
con
2
Regression
Residual
119,272 2
174,061 147
59,636
1,184
50,365 ,000b
riferimanto
ai
p-‐value
dal
momento
che
sono
Total 293,333 149 tue
inferiori
a
0,05.
Regression 128,904 3 42,968 38,152 ,000c
3 Residual 164,43 146 1,126
Total 293,333 149
43
44. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL
NETWORK: REGRESSIONE LINEARE LINKEDIN
Coefficienti)non)standardizzati Coefficienti)standardizzati
) B Errore)std. Beta t Sig.
(Constant) 2,415 0,443 5,455 0
Cogliere)Opportunità)di)Lavoro 0,361 0,058 0,413 6,234 0
Informarsi 0,186 0,041 0,301 4,515 0
Fare)Nuove)Conoscenze 0,106 0,036 0,189 2,924 0,004
Variabile(dipendente:(Soddisfazione(globale(Linkedin
PESO(PERCENTUALE(DEI(DRIVER Gli
item
vengono
Cogliere(Opportunità(di(Lavoro 0,4573643 45,7%
Informarsi 0,3333333 33,3%
evidenzia<
nella
prima
Fare(Nuove(Conoscenze 0,2093023 20,9% tabella.
Successivamente,
aXraverso
il
calcolo
del
50,0%& 45,7%& peso
percentuale
dei
45,0%&
40,0%&
cluster
è
possibile
35,0%&
33,3%&
calcolare
l’influenza
delle
30,0%&
25,0%& 20,9%&
singole
variabili.
Le
più
20,0%& rilevan<
risultano
essere
15,0%&
10,0%& Cogliere
nuove
5,0%&
opportunità
di
lavoro
e
0,0%&
Cogliere&Opportunità&di&Lavoro& Informarsi& Fare&Nuove&Conoscenze& informarsi.
44
45. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL
NETWORK: REGRESSIONE LINEARE TWITTER
Model VARIABILI,UTILIZZATE
1 Informarti_TW
2 Nuove_Conoscenze_TW
Model'Summary Dal
Model
Summary
risulta
che
Model R R'Square Adjusted'R'Square Std.'Error'of'the'Estimate il
modello
con
l’R
square
più
1 ,677a 0,458 0,451 1,44 elevato
è
il
secondo,
pertanto
2 ,713b 0,508 0,496 1,38 abbiamo
optato
per
questa
opzione.
ANOVA(c)
Model Sum)of)Squares df Mean)Square F Sig.
Il
livello
di
significa<vità
è
Regression 139,954 1 139,954 67,509 ,000a
1 Residual 165,851 80 2,073
adeguato
anche
con
riferimento
Total 305,805 81 ai
p-‐value
dal
momento
che
Regression 155,446 2 77,723 40,836 ,000b sono
tue
inferiori
a
0,05.
2 Residual 150,359 79 1,903
Total 305,805 81
45
46. COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL
NETWORK: REGRESSIONE LINEARE TWITTER
Coefficienti)non)standardizzati Coefficienti)standardizzati
) B Errore)std. Beta t Sig.
La
tabella
indica
gli
(Constant) 1,908 0,474 4,029 0 item
presi
in
Informarsi 0,476 0,064 0,61 7,411 0 considerazione.
Fare9Nuove9Conoscenze 0,216 0,076 0,235 2,853 0,006
PESO,PERCENTUALE,DEI,DRIVER 80,0%% 72,2%%
Informarsi 0,7218935 72,2%
70,0%%
Fare,Nuove,Conoscenze 0,2781065 27,8%
60,0%%
50,0%%
AXraverso
il
calcolo
del
peso
40,0%%
percentuale
dei
cluster
è
possibile
27,8%%
30,0%%
calcolare
l’influenza
delle
singole
20,0%%
variabili.
La
più
rilevante
risulta
10,0%%
essere
Informarsi.
0,0%%
Informarsi% Fare%Nuove%Conoscenze%
46
47. ANALISI FATTORIALE
Dall’analisi
qualita<va
sono
emersi
14
aXribu<
considera<
rilevan<
dai
risponden<
nella
valutazione
dei
social
network:
1. Credibilità
dei
contae
2. Tutela
della
privacy
3. Interesse
di
chi
visita
il
tuo
profilo
4. Veridicità
delle
informazioni
dei
tuoi
contae
5. Innova<vità
degli
argomen<
traXa<
nei
gruppi
ai
quali
hai
aderito
6. Coerenza
dei
contenu<
offer<
dai
gruppi
con
le
tue
esigenze
7. Frequenza
di
aggiornamento
dei
contenu<
dei
gruppi
8. Non
invasività
delle
segnalazioni
inviate
dal
social
network
9. Grafica
del
social
network
10. Facilità
d’uso
del
social
network
11. Completezza
della
struXura
del
social
network
12. Este<ca
del
social
network
Agli
intervista<
è
stato
chiesto
di
aXribuire
un
giudizio
di
importanza
ai
suddee
item
secondo
la
scala:
1-‐3
Poco
importante,
4-‐6
Abbastanza
importante
e
7-‐9
molto
importante.
47
48. ANALISI FATTORIALE
• Dopo
diverse
prove
effeXuate
con
diverse
tecniche
si
è
optato
di
riportare
solamente
l’output
da
noi
giudicato
adeguato
ai
fini
dell’analisi
(è
possibile
visionare
le
diverse
prove
nell’output
allegato).
Descrizione
del
procedimento
u.lizzato:
• Descrieve:
soluzione
iniziale
• Estrazione
– Metodo:
componen<
principali
– Analizza:
matrice
di
correlazione
– Visualizza:
soluzione
faXoriale
ruotata,
scree
plot
– Numero
faXori:
3
Max
iterazioni
di
convergenza:
100
• Rotazione:
Varimax
• Opzioni:
Esclusione
listwise
(soppressione
coefficien<
piccoli
<
0,4
in
modo
da
rendere
migliore
la
leXura
dei
da<
dal
momento
che
i
gruppi
di
item
hanno
valori
>0,5)
48
49. ANALISI FATTORIALE
Total,Variance,Explained
Initial,Eigenvalues Extraction,Sums,of,Squared,Loadings Rotation,Sums,of,Squared,Loadings
Component Total %,of,Variance Cumulative,% Total %,of,Variance Cumulative,% Total %,of,Variance Cumulative,%
1 4,195 34,96 34,96 4,195 34,96 34,96 2,601 21,677 21,677
2 1,845 15,372 50,332 1,845 15,372 50,332 2,583 21,529 43,206
3 1,582 13,179 63,511 1,582 13,179 63,511 2,437 20,305 63,511
4 0,865 7,205 70,716
5 0,635 5,294 76,01
6 0,606 5,048 81,057
7 0,532 4,433 85,49
8 0,471 3,927 89,418
9 0,451 3,76 93,177
10 0,356 2,967 96,144
11 0,294 2,45 98,595
12 0,169 1,405 100
Extraction,Method:,Principal,Component,Analysis.
La
colonna
“%
of
variance”
riporta
la
percentuale
di
varianza
spiegata
da
ciascuna
componente.
In
generale
una
percentuale
cumulata
del
60-‐70%
viene
considerata
acceXabile.
L’analisi
svolta
con
tre
faXori
permeXe
di
oXenere
un
valore
del
63,511%
e
questo
valore
è
da
considerare
unitamente
all’effeeva
riduzione
di
complessità
oXenuta:
oXenendo
una
forte
riduzione
di
complessità
si
può
acceXare
una
percentuale
di
varianza
spiegata
inferiore
dal
momento
che
considerando
quaXro
componen<
si
aumenterebbe
un
aumento
pari
solo
al
7%.
49
50. ANALISI FATTORIALE
Communalities
Initial Extraction
Credibilità_Professionalità_ID 1 0,609
Privacy_ID 1 0,644
Interesse_Visitatori_ID 1 0,343
Veridicità_Info_ID 1 0,574
Innovatività_ID 1 0,736
Coerenza_Esigenze_Informative_ID 1 0,831
Frequenza_Aggiornamento_ID 1 0,754
NON_Invasività_ID 1 0,55
Struttura_Grafica_ID 1 0,701
Facilità_Uso_ID 1 0,581
Estetica_ID 1 0,764
Completezza_ID 1 0,535
ExtractionPMethod:PPrincipalPComponentPAnalysis.
Le
“Communali<es”
esprimono
l’ammontare
di
variabilità
che
una
singola
variabile
condivide
con
tuXe
le
altre
variabili.
Il
dato
del
63,511%
di
varianza
spiegata
è
una
media
per
tuXe
le
variabili;
come
si
può
notare
dalla
tabella,
per
le
singole
variabili,
tale
dato
varia
dal
34,3%
(INTERESSE
VISITATORI)
all’83,1%
(COERENZA
ESIGENZE
INFORMATIVE).
Si
è
scelto
di
u<lizzare
3
componen<
in
modo
da
ridurre
lo
scarto
al
minimo
in
quanto
con
le
soluzioni
scartate
si
sarebbe
oXenuto
un
risultato
non
significa<vo
(vedere
allegato).
50
51. ANALISI FATTORIALE
Come
si
evince
dallo
“Scree
P l o t ”
l ’ u < l i z z o
d i
t r e
componen<
risulta
oemale
in
quanto
è
evidente
che
la
pendenza
della
spezzata
è
più
marcata
dopo
il
terzo
faXore.
Considerandone
quaXro
si
oXerrebbe
un
aumento
della
complessità
dell’interpretazione
dal
momento
che
un
faXore
spiegherebbe
solamente
un
unico
item
che
invece
può
essere
efficacemente
incluso
in
uno
dei
tre
faXori
più
significa<vi
semplificando
notevolmente
la
leXura
dei
risulta<.
51
52. ANALISI FATTORIALE
Rotated(Component(Matrix(a)
Component
Qualità(del(network(e(affidabilità(degli(utenti Aspetto(e(funzionalità Potenziale(informativo(dei(gruppi
Privacy_ID 0,798
Credibilità_Professionalità_ID 0,736
NON_Invasività_ID 0,729
Veridicità_Info_ID 0,661
Interesse_Visitatori_ID 0,528
Estetica_ID 0,869
Struttura_Grafica_ID 0,799
Facilità_Uso_ID 0,738
Completezza_ID 0,702
Coerenza_Esigenze_Informative_ID 0,888
Frequenza_Aggiornamento_ID 0,859
Innovatività_ID 0,827
Extraction(Method:(Principal(Component(Analysis.(Rotation(Method:(Varimax(with(Kaiser(Normalization.(a.(Rotation(converged(in(5(iterations.
Le
componen<
u<lizzate
sono
le
seguen<:
• Qualità
del
network
e
affidabilità
degli
uten.
che
spiega
i
faXori:
privacy,
credibilità
e
professionalità,
non
invasività,
veridicità
delle
informazioni
e
interesse
dei
visitatori.
• AspeHo
e
funzionalità
che
spiega
i
faXori:
este<ca,
struXura
grafica,
facilità
d’uso
e
completezza.
• Potenziale
informa.vo
dei
gruppi
che
spiega
i
faXori:
coerenza
delle
esigenze
informa<ve,
frequenza
di
aggiornamento
dei
gruppi
e
innova<vità.
52
53. CLUSTER ANALYSIS
Tale
analisi
è
stata
svolta
classificando
il
campione
in
gruppi
aven<
caraXeris<che
omogenee
all’interno
e
disomogenee
esternamente.
Le
variabili
scelte
sono
le
medesime
u<lizzate
per
la
factor
analysis.
La
cluster
analysis
è
stata
rilanciata
più
volte
in
modo
da
assicurare
la
rappresenta<vità
dei
da<.
NUMERO
DI
CLUSTER:
3
risulta
essere
la
soluzione
migliore
data
l’omogeneità
della
distribuzione
del
numero
del
campione
all’interno
di
ciascun
cluster
(definendo
un
numero
diverso
di
cluster
si
oXerrebbe
una
disomogeneità
più
marcata:
vedi
allegato).
PESO%DEI%SINGOLI%CLUSTER%
Cluster Number+of+Cases+in+each+Cluster
1 49 16,30%&
2 105 26,63%&
CLUSTER&1&
3 30 CLUSTER&2&
CLUSTER&3&
Valid 184 57,07%&
Missing 33
Per
semplicità
abbiamo
riportato
solamente
la
soluzione
ritenuta
migliore,
tuXe
le
altre
analisi
sono
consultabili
nel
file
allegato:
OUTPUT
CLUSTER
ANALYSIS.
53