Modelli ed analisi dei pattern di adozione dell'equipaggiamento nel settore automotive = Models and analysis of the adoption patterns of the equipment in the automotive sector

Ogni azienda automobilistica ha come obiettivo principale quello di avvicinare il più possibile la propria offerta alla domanda del cliente ma il mercato automobilistico è piuttosto complesso da descrivere e ancor di più da analizzare perché dinamico e governato da fattori e dinamiche di diverso genere che lo rendono eterogeneo. Per questo motivo le case automobilistiche si affidano ad aziende di business intelligence come JATO per ottenere supporto nel processo di decision making. Grazie alla propria estensione internazionale, JATO ha una visione completa dei mercati automobilistici di molti paesi perché tiene traccia di varie informazioni, principalmente specifiche dei veicoli, ma anche volumi e transazioni di vendita. Nel mio lavoro di tesi ho scelto di studiare i veicoli in termini di equipaggiamento e analizzarne sia l’offerta che la domanda, applicando diverse tecniche di data mining per poter caratterizzare questo aspetto. Con equipaggiamento s’intende l’insieme di caratteristiche che compongono un veicolo, cioè sia quelle standard, che dipendono dalla configurazione di base scelta, che quelle option, che dipendono dalle aggiunte a discrezione del cliente, ed è un aspetto fondamentale del prodotto automotive perché consente ad un veicolo di differenziarsi da quello di un competitor, soprattutto nello scenario attuale dove i produttori tendono ad includere sempre più feature nella configurazione di base e offrire sempre meno optional. Nella prima parte del mio lavoro ho combinato i dati sulle specifiche dei veicoli con i volumi di vendita tedeschi del periodo 2016-2021 per calcolare i tassi di adozione di una serie di feature, sia come equipaggiamento standard che option, e studiarne la variazione nel tempo. L’analisi è stata effettuata a mezzo di un algoritmo di clustering gerarchico e una funzione rule-based per il labeling degli andamenti identificati. Ho scelto di analizzare i dati da 2 prospettive, cioè confrontando sia i segmenti di mercato che le case automobilistiche, in entrambi i casi per identificare eventuali andamenti comuni. I risultati hanno mostrato coerenza sia fra feature correlate che fra i produttori francesi. Nella seconda parte ho analizzato i dati italiani del periodo 2020-2021 del database transazionale, restringendo l'analisi ai veicoli dei segmenti C1 SUV e C2 SUV, con l’obiettivo di caratterizzare i profili di domanda dei clienti. Ogni feature, sia standard che option, è stata valorizzata per poter valorizzare l'equipaggiamento complessivo del veicolo e descriverlo tramite le spese per categoria di equipaggiamento e le principali specifiche tecniche che ne influenzano maggiormente le performance. Dopo aver scelto il tipo di propulsione d’interesse, un primo clustering divide le transazioni in 5 fasce di prezzo, il secondo identifica per ogni fascia di prezzo i profili di acquisto analoghi che vengono poi visualizzati tramite un radar chart. La caratterizzazione ottenuta potrà essere sfruttata per sviluppare degli strumenti che supportino il cliente nell’esplorazione dell’offerta del mercato: partendo da un veicolo selezionato si possono visualizzare veicoli con caratteristiche di acquisto analoghe e confrontare veicoli con alimentazioni diverse. Ho validato i risultati di entrambe le analisi sia utilizzando delle metriche analitiche che confrontandomi con gli SME di JATO per verificare la validità e l’utilità dei risultati ottenuti, grazie ai quali abbiamo raggiunto l’obiettivo preposto, cioè una caratterizzazione dello spazio degli equipaggiamenti.