linkedin mario bencivinni daniela galati andrea steccati

1.  Overview 2.  Contesto di analisi 3.  Focus su Linkedin 4.  Metodologia di raccolta dei da< 5.  Ricerca qualita<va 6.  Means-‐end chain 7.  Ricerca quan<ta<va 8.  Variabili socio-‐demografiche 9.  Social network e professione 10. Social network e <tolo di studio 11. Età del campione di riferimento 12. Variabile status 13. Frequenza di u<lizzo dei social network 14. Strumen< per cercare lavoro 15. Giudizio sugli strumen<

INDICE 5 6 7 8 9 12 13 16 20 21 24 25 26 27 28

2

16. Conoscenza di Linkedin 18. Mo<vo di u<lizzo di Linkedin 19. Proposte di lavoro ricevute in un mese tramite Linkedin 20. Diffusione e percezione del servizio mobile 21. Possesso dell’account premium 26. Mo<vazione di u<lizzo dei social network: analisi discriminante 28. Mo<vazione di u<lizzo dei social network: regressione 29. Analisi faXoriale 30. Cluster analysis 31. Descrizione dei cluster 32. Regressione lineare: Facebook 33. Regressione lineare: Linkedin 34. Regressione lineare: TwiXer 35. Social Network ideale vs reali

INDICE 29 30 31 32 33 34 39 46 52 55 70 74 77 80 3

30. Pun< di forza e debolezza di Facebook 31. Pun< di forza e di debolezza di Linkedin 32. Pun< di forza e di debolezza di TwiXer 33. Analisi quan<ta<va: pun< di forza di Linkedin 34. Analisi quan<ta<va: pun< di debolezza di Linkedin 35. Analisi discriminante 36.  Implicazioni di Marke<ng 37. Limi< della ricerca

4

INDICE 84 86 88 90 92 94 111 114

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.

OVERVIEW

5

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”.

CONTESTO DI ANALISI

6

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”.

FOCUS SU LINKEDIN

7

•  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”.

METODOLOGIA DI RACCOLTA DEI DATI

8

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

RICERCA QUALITATIVA

9

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

RICERCA QUALITATIVA

10

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

RICERCA QUALITATIVA

11

Grafica chiara

AXribu< astrae e concre<

Professionalità del sito Alterna<vità

Benefici funzionali

Semplice u<lizzo

Estensione rete contae

Opportunità di lavoro

Forte tutela della privacy

Mantenere i contae

Informazioni veri<ere

Benefici psicologici

Maggiore visibilità

Maggiore sicurezza del sito

Profili credibili

Riconoscimento Valori strumentali

Valori terminali

Appagamento Autos<ma

Semplificazione ricerca impiego

Maggiore tranquillità

Serenità

MEANS-END CHAIN

12

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

RICERCA QUANTITATIVA

13

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

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

•  Sesso – Maschi: 126 (58,1%) –  Femmine: 91 (41,9%) –  Totale risposte valide: 217

Per quanto riguarda i social network in generale la fascia d’età più numerosa risulta essere quella tra i 21 e i 25 anni (59,9%) seguita dalla fascia 26-‐30 anni (24%). La meno numerosa invece va dai 56-‐60 anni.

58,10%'

41,90%'

SESSO$

Maschi'

Femmine'

5,10%&

59,90%&

24%&

4,60%&

2,30%&1,40%& 2,30%& 0,50%&

ETA'%DEL%CAMPIONE%

16,20&ANNI&

21,25&ANNI&

26,30&ANNI&

31,35&ANNI&

36,40&ANNI&

41,45&ANNI&

46,50&ANNI&

56,60&ANNI&

VARIABILI SOCIO-DEMOGRAFICHE

16

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.

FACEBOOK

17

•  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).

LINKEDIN

18

•  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.

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).

TWITTER

SINTESI

19

Facebook

Linkedin

TwiHer Sì No Sì No Sì No

Impiegato 84,60% 15,40% 75% 25% 34,60% 65,40% Studente 93,20% 6,80% 57,30% 42,70% 28,20% 71,80%

Facebook

Linkedin

TwiHer 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%

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<camen te s i gn i fi ca<va . TuXavia, con riferimento a Linkedin, si osserva che per le

SOCIAL NETWORK vs PROFESSIONE

professioni più qualificate la percentuale di u<lizzo si aXesta al 100%.

20

SOCIAL NETWORK vs TITOLO DI STUDIO

21

DIPLOMATI

LAUREATI DI 1° LIVELLO

82,40%'

17,60%'

FACEBOOK(

USANO'FACEBOOK'

NON'USANO'FACEBOOK'

29,40%'

70,60%'

LINKEDIN'

USANO'LINKEDIN'

NON'USANO'LINKEDIN'

14,70%'

85,30%'

TWITTER&

USANO'TWITTER'

NON'USANO'TWITTER'

92,90%&

7,10%&

FACEBOOK(

USANO&FACEBOOK&

NON&USANO&FACEBOOK&63,30%&

36,70%&

LINKEDIN'

USANO&LINKEDIN&

NON&USANO&LINKEDIN&

32,70%'

67,30%'

TWITTER&

USANO'TWITTER'

NON'USANO'TWITTER'


22

LAUREATI DI 2° LIVELLO

LAUREA SUPERIORE

22,70%&

77,30%&

TWITTER&

USANO&TWITTER&

NON&USANO&TWITTER&

94,10%'

5,90%'

FACEBOOK(

USANO'FACEBOOK'

NON'USANO'FACEBOOK'

100%$

LINKEDIN'

USANO$LINKEDIN$

NON$USANO$LINKEDIN$70,60%&

29,40%&

TWITTER&

USANO&TWITTER&

NON&USANO&TWITTER&


86,40%'

13,60%'

FACEBOOK(

USANO'FACEBOOK'

NON'USANO'FACEBOOK'

81,80%&

18,20%&

LINKEDIN'

USANO&LINKEDIN&

NON&USANO&LINKEDIN&

23

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 DI RIFERIMENTO

5,10%&

59,90%&

24%&

4,60%&

2,30%&1,40%& 2,30%& 0,50%&

ETA'%DEL%CAMPIONE%

16,20&ANNI&

21,25&ANNI&

26,30&ANNI&

31,35&ANNI&

36,40&ANNI&

41,45&ANNI&

46,50&ANNI&

56,60&ANNI&

24

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 3,53σ"TOTALE"CAMPIONE 2,141 σ"UTILIZZATORI"LINKEDIN 2,065

CAMPIONE DI RIFERIMENTO: VARIABILE STATUS

25

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 TWITTERμ 1,19 2,21 2,54σ 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.

CAMPIONE DI RIFERIMENTO: FREQUENZA DI UTILIZZO SOCIAL NETWORK

26

20,30%&

79,70%&

KIJIJI$

UTILIZZANO&KIJIJI&

NON&UTILIZZANO&KIJIJI&56,20%'

43,80%'

CANALI&OFF)LINE&

UTILIZZANO'CANALI'OFF5LINE'

NON'UTILIZZANO'CANALI'OFF5LINE'

24,40%&

75,60%&

TROVA&LAVORO&

UTILIZZANO&TROVA&LAVORO&

NON&UTILIZZANO&TROVA&LAVORO&

64,50%'

35,50%'

LINKEDIN'

UTILIZZANO'LINKEDIN'

NON'UTILIZZANO'LINKEDIN'

14,70%'

85,30%'

GAZZETTA&DEL&LAVORO&

UTILIZZANO'GAZZETTA'DEL'LAVORO'

NON'UTILIZZANO'GAZZETTA'DEL'LAVORO'

29,50%'

70,50%'

MONSTER(

UTILIZZANO'MONSTER'

NON'UTILIZZANO'MONSTER'

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 .

CAMPIONE DI RIFERIMENTO: QUALI STRUMENTI VENGONO UTILIZZATI PER TROVARE LAVORO

27

μ σCANALI(OFF+LINE 5,71 2,24KIJIJI 4,15 2,048TROVA(LAVORO 4,38 2,116LINKEDIN 6,12 1,977GAZZETTA(DEL(LAVORO 4,04 2,027MONSTER 5,21 2,28

La distribuzione delle valutazioni sui canali off-‐line è asimmetrica a destra ossia sono presen< più valutazioni migliori rispeXo ai giudizi bassi, così come per quanto riguarda i giudizi sul trova lavoro e su Monster. La distribuzione dei giudizi su Linkedin (che presenta la media maggiore e uno scarto minore rispeXo agli altri metodi di ricerca di un impiego) è 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

CAMPIONE DI RIFERIMENTO: COME SONO GIUDICATI I SERVIZI OFFERTI DAGLI STRUMENTI IN QUESTIONE

28

35,90%'

64,10%'

DA#AMICI/FAMILIARI#

SI'

NO'

3,70%&

96,30%&

MASS$MEDIA(TRADIZIONALI(

SI&

NO&

32,70%'

67,30%'

SU#INTERNET#

SI'

NO'

12%$

88%$

DA#DATORI#DI#LAVORO/COLLEGHI#

SI$

NO$

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.

16,60%&

83,40%&

DA#SCUOLE/UNIVERSITA'#

SI&

NO&

CAMPIONE DI RIFERIMENTO: CONOSCENZA DI LINKEDIN

29

54,40%&

45,60%&

PER$TROVARE$NUOVE$OPPORTUNITA'$DI$LAVORO$

SI&

NO&

58,10%'

41,90%'

PER$MANTENERE$LE$RELAZIONI$IN$AMBITO$LAVORATIVO$

SI'

NO'

12,90%'

87,10%'

PER$MANTENERE$I$CONTATTI$

SI'

NO'

5,10%&

94,90%&

ALTRO&

SI&

NO&

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 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 un'altra, ma è una cosa che non ritengo funzionale e non credo possa portare a veri risulta<” e “per i gruppi”.

CAMPIONE DI RIFERIMENTO: MOTIVO DI UTILIZZO DI LINKEDIN

30

Abbiamo oXenuto 151 risposte in merito alla suddeXa informazione e abbiamo rilevato 66 missing values. Le risposte osservate presentano: media = 1,58 (il campione dichiara di aver ricevuto mediamente un ammontare di proposte pari a zero, una o al massimo due offerte di impiego); e σ = 0,743. La distribuzione è fortemente asimmetrica a sinistra ossia mol< soggee non hanno ricevuto proposte rispeXo a coloro i quali ne hanno ricevute.

53,60%'37,70%'

5,30%' 3,30%'

QUANTE'PROPOSTE'DI'LAVORO'HA'RICEVUTO?'

0'PROPOSTE'

DA'1'A'2'PROPOSTE'

DA'3'A'4'PROPOSTE'

PIU''DI'4'PROPOSTE'

Escludendo i soggee che hanno risposto nega<vamente alla precedente domanda (0 offerte di impiego ricevute) abbiamo s<mato quante persone hanno effeevamente trovato lavoro dopo le proposte ricevute grazie a Linkedin:

18,65%'

81,40%'

PERSONE'CHE'HANNO'EFFETTIVAMENTE'TROVATO'LAVORO'

GRAZIE'A'LINKEDIN'

SI'

NO'

Non considerando i missing values si oeene una distribuzione così formata:

Abbiamo trasformato le variabili in oggeXo in un segmento con<nuo così composto: 1 = 0 proposte, 2 = 1 o 2 proposte, 3 = 3 o 4 proposte e 4 = più di 4 proposte.

CAMPIONE DI RIFERIMENTO: QUANTE PROPOSTE HANNO RICEVUTO IN UN MESE ATTRAVERSO LINKEDIN

31

25,30%'

74,70%'

PERSONE'CHE'UTILIZZANO'L'APPLICAZIONE'MOBILE'

SI'

NO'

Abbiamo riscontrato che il 25,3% degli u<lizzatori di Linkedin possiede anche l’applicazione mobile. Il 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% degli intervista< non possiede l’applicazione mobile. Ciononostante il 16,1% di chi dichiara di non possedere l’applicazione la giudica ugualmente. La media risultante da queste valutazioni è 4 (ossia inferiore rispeXo al valore precedentemente iden<ficato). Con riferimento a questo 16,1%, il 69% di essi dichiara di possedere oggee quali smartphone oppure I-‐pad quindi possiamo supporre che, essendo in possesso di disposi<vi mobile abbiano posseduto l’applicazione di Linkedin ma, giudicandola nega<vamente, abbiano smesso di u<lizzarla dopo un periodo di prova a causa dell’insufficiente soddisfazione legata alla scarsa funzionalità percepita. Il restante 31% la giudica pur non essendo in possesso di disposi<vi mobili.

69%$

31%$

PERSONE'CHE'NON'POSSIEDONO'L'APPLICAZIONE'MOBILE'MA'LA'

GIUDICANO'UGUALMENTE'

POSSIEDONO$DISPOSITIVI$MOBILI$

NON$POSSIEDONO$DISPOSITIVI$MOBILI$

CAMPIONE DI RIFERIMENTO: DIFFUSIONE E PERCEZIONE DEL SERVIZIO MOBILE

32

All’interno del campione analizzato abbiamo oXenuto 179 risposte e 38 missing values. Per quanto riguarda le osservazioni valide si riscontra la seguente distribuzione:

2,20%%

97,20%%

POSSESSORI'DELL'ACCOUNT'PREMIUM'

SI%

NO%

CAMPIONE DI RIFERIMENTO: POSSESSO DELL’ACCOUNT PREMIUM

33

COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK

Wilks''Lambda F df1 df2 Sig.Nuove_Conoscenze_FB 0,954 10,44 2 433 0Mantenere_Contatti_FB 0,531 191,289 2 433 0Informarti_FB 0,921 18,513 2 433 0Opportunità_Lavoro_FB 0,467 246,803 2 433 0

Tests'of'Equality'of'Group'Means

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

N PercentValid 436 67Excluded Missing/or/out3of3range/group/codes 0 0

At/least/one/missing/discriminating/variable 1 0,2Both/missing/or/out3of3range/group/codes/and/at/least/one/missing/discriminating/variable 214 32,9Total 215 33

Total 651 100

Analysis/Case/Processing/SummaryUnweighted/Cases

Il potere discriminante delle variabili esplica<ve segue l’ordine (dal più importante al meno importante) secondo il valore di F. Tanto più è elevato F tanto più discriminan< sono gli item, abbiamo evidenziato in giallo le due variabili maggiormente discriminan<. 34

Function Eigenvalue %/of/Variance Cumulative/% Canonical/Correlation1 1,890a 70,9 70,9 0,8092 ,776a 29,1 100 0,661

Eigenvalues(b)

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

Wilks'%Lambda

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.

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

Brand 1 2FACEBOOK #1,109 0,918LINKEDIN 1,689 #0,226TWITTER #0,33 #1,87

Functions9at9Group9CentroidsFunction

Unstandardized5canonical5discriminant5functions5evaluated5at5group5means

1 2Opportunità*di*Lavoro 0,853 0,02Mantenere*Contatti 80,167 0,809Informarti 80,118 80,303Nuove*Conoscenze 0,156 0,19

FunzioneMatrice*di*struttura*ruotata

*

I valori espressi dalla tabella riportata esprimono i punteggi standardizza< e le coordinate sulla mappa di posizionamento dei brand (valori presi dalle funzioni dei baricentri dei gruppi) rispeXo alle funzioni lineari discriminan<. La mappa di posizionamento viene costruita u<lizzando i punteggi, rispeXo alle prime due funzioni discriminan< degli aXribu< (dato preso dalla matrice di struXura e degli oggee).

La matrice di struXura ruotata indica i coefficien< di correlazione tra i valori della variabile e fra i valori delle funzioni discriminan<. Il potere discriminante della variabile è direXamente proporzionale alla grandezza (in valore assoluto) del valore della correlazione. Abbiamo evidenziato i due risulta< più significa<vi.


36


37


38

39


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).

COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK: REGRESSIONE LINEARE FACEBOOK

Model VARIABILI,UTILIZZATE1 Mantenere_Contatti_FB2 Informarti_FB3 Nuove_Conoscenze_FB

a.,Dependent,Variable:,Giudizio_Globale_FB

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.

Le variabili prese in considerazione vengono escluse dal modello se il livello di significa<vità del loro F è maggiore o uguale a 0,10 E vengono inserite nel modello se il livello di significa<vità di F è inferiore o uguale a 0,08.

40

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.

Model R R'Square Adjusted'R'Square Std.'Error'of'the'Estimate1 ,364a 0,132 0,128 1,3492 ,407b 0,166 0,158 1,3263 ,432c 0,187 0,175 1,313

Model'Summary

Model Sum)of)Squares df Mean)Square F Sig.Regression 56,16 1 56,16 30,846 ,000a

1 Residual 367,776 202 1,821Total 423,936 203Regression 70,316 2 35,158 19,984 ,000b

2 Residual 353,62 201 1,759Total 423,936 203Regression 79,195 3 26,398 15,315 ,000c

3 Residual 344,741 200 1,724Total 423,936 203

ANOVA(d)

Il valore R indica la significa<vità globale del modello. Dalla tabella “Model Summary” si evince come tra i modelli propos< il migliore sia il numero tre in quanto presenta un valore di R maggiore. Per quanto riguarda il p-‐value tue e tre i valori risultano significa<vi in quanto inferiori allo 0,05. In conclusione abbiamo quindi optato per il modello tre in quanto presenta il valore di R maggiore in assoluto.

2

2

2


Coefficienti)standardizzatiB Errore)std. Beta

(Costante) 2,712 0,627Mantenere)i)Contatti 0,374 0,08 0,309Informarsi 0,121 0,041 0,193Fare)Nuove)Conoscenze 0,081 0,036 0,145

Coefficienti)non)standardizzati)I coefficien<

determina< sono i seguen<:

41

Mantenere'i'Contatti 0,4775889 47,8%Informarsi 0,2982998 29,8%Fare'Nuove'Conoscenze 0,2241113 22,4%

PESO'PERCENTUALE'DEI'DRIVER

47,8%&

29,8%&

22,4%&

0,0%&

10,0%&

20,0%&

30,0%&

40,0%&

50,0%&

60,0%&

Mantenere&i&Conta7& Informarsi& Fare&Nuove&Conoscenze&


Calcolando il coefficiente Beta in valor i percentual i è possibi le determinare con che peso le variabili ritenute rilavan< impaXano sulla soddisfazione globale. Con questo procedimento è possibile ricavare l’influenza delle singole variabili. Le più rilevan< in ordine di importanza risultano essere: Mantenere i conta>, Informarsi e Fare nuove conoscenze.

42

Model VARIABILI,UTILIZZATE1 Opportunità_Lavoro_LK2 Informarti_LK3 Nuove_Conoscenze_LK

a.#Dependent#Variable:#Giudizio_Globale_LK


Model'Summary




3 Residual 164,43 146 1,126Total 293,333 149

ANOVA(d)

COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK: REGRESSIONE LINEARE LINKEDIN

Dal Model Summary risulta che il modello con l’R square più elevato è il terzo pertanto abbiamo optato per questa opzione. Il livello di significa<vità è adeguato anche con riferimanto ai p-‐value dal momento che sono tue inferiori a 0,05.

43

Variabile(dipendente:(Soddisfazione(globale(Linkedin

Coefficienti)standardizzatiB Errore)std. Beta t Sig.

(Constant) 2,415 0,443 5,455 0Cogliere)Opportunità)di)Lavoro 0,361 0,058 0,413 6,234 0Informarsi 0,186 0,041 0,301 4,515 0Fare)Nuove)Conoscenze 0,106 0,036 0,189 2,924 0,004

Coefficienti)non)standardizzati)

Cogliere(Opportunità(di(Lavoro 0,4573643 45,7%Informarsi 0,3333333 33,3%Fare(Nuove(Conoscenze 0,2093023 20,9%

PESO(PERCENTUALE(DEI(DRIVER

45,7%&

33,3%&

20,9%&

0,0%&

5,0%&

10,0%&

15,0%&

20,0%&

25,0%&

30,0%&

35,0%&

40,0%&

45,0%&

50,0%&

Cogliere&Opportunità&di&Lavoro& Informarsi& Fare&Nuove&Conoscenze&

COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK: REGRESSIONE LINEARE LINKEDIN

Gli item vengono evidenzia< nella prima tabella. Successivamente, aXraverso il calcolo del peso percentuale dei cluster è possibile calcolare l’influenza delle singole variabili. Le più rilevan< risultano essere Cogliere nuove opportunità di lavoro e informarsi.

44

Model VARIABILI,UTILIZZATE1 Informarti_TW2 Nuove_Conoscenze_TW

Model R R'Square Adjusted'R'Square Std.'Error'of'the'Estimate1 ,677a 0,458 0,451 1,442 ,713b 0,508 0,496 1,38

Model'Summary



2 Residual 150,359 79 1,903Total 305,805 81

ANOVA(c)

COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK: REGRESSIONE LINEARE TWITTER

Dal Model Summary risulta che il modello con l’R square più elevato è il secondo, pertanto abbiamo optato per questa opzione. Il livello di significa<vità è adeguato anche con riferimento ai p-‐value dal momento che sono tue inferiori a 0,05.

45

Coefficienti)standardizzatiB Errore)std. Beta t Sig.

(Constant) 1,908 0,474 4,029 0Informarsi 0,476 0,064 0,61 7,411 0Fare9Nuove9Conoscenze 0,216 0,076 0,235 2,853 0,006

Coefficienti)non)standardizzati)

Informarsi 0,7218935 72,2%Fare,Nuove,Conoscenze 0,2781065 27,8%

PESO,PERCENTUALE,DEI,DRIVER72,2%%

27,8%%

0,0%%

10,0%%

20,0%%

30,0%%

40,0%%

50,0%%

60,0%%

70,0%%

80,0%%

Informarsi% Fare%Nuove%Conoscenze%

COSA SPINGE GLI UTENTI ALL’UTILIZZO DEI SOCIAL NETWORK: REGRESSIONE LINEARE TWITTER

AXraverso il calcolo del peso percentuale dei cluster è possibile calcolare l’influenza delle singole variabili. La più rilevante risulta essere Informarsi.

La tabella indica gli item presi in considerazione.

46

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.

ANALISI FATTORIALE

47

•  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)

ANALISI FATTORIALE

48

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%.

ANALISI FATTORIALE

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

Total,Variance,Explained

Extraction,Sums,of,Squared,Loadings Rotation,Sums,of,Squared,LoadingsInitial,Eigenvalues

Extraction,Method:,Principal,Component,Analysis.

49

CommunalitiesInitial Extraction

Credibilità_Professionalità_ID 1 0,609Privacy_ID 1 0,644Interesse_Visitatori_ID 1 0,343Veridicità_Info_ID 1 0,574Innovatività_ID 1 0,736Coerenza_Esigenze_Informative_ID 1 0,831Frequenza_Aggiornamento_ID 1 0,754NON_Invasività_ID 1 0,55Struttura_Grafica_ID 1 0,701Facilità_Uso_ID 1 0,581Estetica_ID 1 0,764Completezza_ID 1 0,535ExtractionPMethod: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).

ANALISI FATTORIALE

50

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 del l ’ 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<.

ANALISI FATTORIALE

51

Qualità(del(network(e(affidabilità(degli(utenti Aspetto(e(funzionalità Potenziale(informativo(dei(gruppiPrivacy_ID 0,798Credibilità_Professionalità_ID 0,736NON_Invasività_ID 0,729Veridicità_Info_ID 0,661Interesse_Visitatori_ID 0,528Estetica_ID 0,869Struttura_Grafica_ID 0,799Facilità_Uso_ID 0,738Completezza_ID 0,702Coerenza_Esigenze_Informative_ID 0,888Frequenza_Aggiornamento_ID 0,859Innovatività_ID 0,827

ComponentRotated(Component(Matrix(a)

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.

ANALISI FATTORIALE

52

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<.

Cluster Number+of+Cases+in+each+Cluster1 492 1053 30

Valid 184Missing 33

CLUSTER ANALYSIS

26,63%&

57,07%&

16,30%&

PESO%DEI%SINGOLI%CLUSTER%

CLUSTER&1&

CLUSTER&2&

CLUSTER&3&

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).

53

Per semplicità abbiamo riportato solamente la soluzione ritenuta migliore, tuXe le altre analisi sono consultabili nel file allegato: OUTPUT CLUSTER ANALYSIS.

Modello significa<vo: P-‐value < 0.05

Mean%Square df Mean%Square df F Sig.Qualità%del%Network%e%Affidabilità%degli%Utenti 48,235 2 0,478 181 100,898 0Aspetto%e%Funzionalità 53,494 2 0,42 181 127,38 0Potenziale%Informativo%dei%Gruppi 4,996 2 0,956 181 5,227 0,006

Cluster ErrorANOVA

CLUSTER ANALYSIS La tabella ANOVA permeXe di valutare le significa<vità della clusterizzazione effeXuata. Si può notare come adoXando una soluzione a tre cluster si oXengano adegua< livelli di significa<vità per ciascuno di essi.

1 2 3Qualità+del+Network+e+Affidabilità+degli+Utenti 0,32691 0,31616 =1,64052Aspetto+e+Funzionalità =1,19032 0,5938 =0,13411Potenziale+Informativo+dei+Gruppi 0,2818 =0,00268 =0,45091

Final+Cluster+Centers

La tabella “Final Cluster Centers” Indica la media di ciascun cluster per ciascuna variabile u<lizzata durante la procedura.

54

CLUSTER ANALYSIS U<lizzando la tabella della slide precedente “final cluster centers” è possibile aXribuire ai vari cluster le loro caraXeris<che specifiche in relazione alle variabili considerate. Analizzando i centri finali è possibile determinare l’ordinamento dei cluster per ciascun faXore riga e successivamente osservando il faXore colonna. ORDINAMENTO FATTORE RIGA:

ITEM CLUSTER*1* CLUSTER*2 CLUSTER*3Qualità(del(network(e(affidabilità(degli(utenti 1 2 3Aspetto(e(funzionalità 3 1 2Potenziale(informativo(dei(gruppi 1 2 3

INTERESSE*DEI*CLUSTER

ORDINAMENTO FATTORE COLONNA:

ITEM CLUSTER*1* CLUSTER*2 CLUSTER*3Qualità(del(network(e(affidabilità(degli(utenti ✚*✚ ✚Aspetto(e(funzionalità ✚*✚ ✚*✚Potenziale(informativo(dei(gruppi ✚ ✚

INTERESSE*DEI*CLUSTER

Il cluster 1 e il cluster 2 aXribuiscono un’importanza similare all’item “qualità del network e affidabilità degli uten<”, tuXavia il cluster 1 aXribuisce l’importanza maggiore rispeXo a questa variabile. Il cluster 2 e il cluster 3 vengono iden<fica< come i più sensibili ad ’”aspeXo e funzionalità”. 55

CLUSTER 1: I CONCRETI •  Aspee ritenu< rilevan<: Qualità del network e affidabilità degli uten<: -‐ tutela della privacy -‐ interesse di chi visita il profilo -‐ credibilità dei contae -‐ veridicità delle informazioni dei contae -‐ non invasività delle segnalazioni inviate dal social network Potenziale informa<vo dei gruppi: -‐ coerenza dei contenu< offer< dai gruppi -‐ frequenza di aggiornamento dei contenu< dei gruppi -‐ innova<vità degli argomen< traXa< nei gruppi

DESCRIZIONE DEI CLUSTER

56

DESCRIZIONE DEI CLUSTER Caratteristiche Socio-Demografiche

COMPOSIZIONE DEL CLUSTER 1: I CONCRETI (26,63%) Sesso: •  Maschi = 67,3% •  Femmine = 32,7% Età •  16-‐20 = 4,1% •  21-‐25 = 53,1% •  26-‐30 = 24,5% •  31-‐35 = 4,1% •  >35 = 14,2% Status •  I Concre< possiedono mediamente

3,71 oggee su 8

67,30%'

22,70%'

SESSO$CLUSTER$1:$I$CONCRETI$

Maschi''

Femmine'

4,10%&

53,10%&24,50%&

4,10%& 14,20%&

ETA'%DEL%CLUSTER%1:%I%CONCRETI%

16+20&Anni&

21+25&Anni&

26+30&Anni&

31+35&Anni&

>35&Anni&

57

DESCRIZIONE DEI CLUSTER UTENTI CONCRETI vs SOCIAL NETWORK

FACEBOOK -‐ Il 93,9% dichiara di u<lizzare FACEBOOK con una frequenza di media 1,21 (circa una volta al giorno) contro il 6,1% che dichiara di non u<lizzarlo.

LINKEDIN – Il 71,4% dichiara di u<lizzare LINKEDIN con una frequenza di media 2,03 (circa una volta a seemana) contro il 28,6% che dichiara di non u<lizzarlo.

TWITTER – Il 28,6% dichiara di u<lizzare TWITTER con una frequenza di media 2,38 (meno di una volta a seemana) contro il 71,4% che dichiara di non u<lizzarlo.

93,90%&

6,10%&

UTENTI&CONCRETI&CHE&USANO&FACEBOOK&

Sì&

No&71,40%'

28,60%'

UTENTI&CONCRETI&CHE&USANO&LINKEDIN&

Sì'

No'

28,60%'

71,40%'

UTENTI&CONCRETI&CHE&USANO&TWITTER&

Sì'

No'

58

DESCRIZIONE DEI CLUSTER UTENTI CONCRETI vs SOCIAL NETWORK

PERCHÈ USI LINKEDIN? Su una scala da 1 a 9 (1-‐3 poco importante, 4-‐6 abbastanza importante, 7-‐9 molto importante), gli uten? concre? dichiarano che l’importanza dell’uso di linkedin è legata alle seguen< mo<vazioni (dal più importante al meno importante): trovare opportunità di lavoro (mediamente 8,08); Informarsi su argomen. di interesse (mediamente 5,89); mantenere i contaX (mediamente 5,39); fare nuove conoscenze (4,72)

GIUDIZIO GLOBALE DEGLI UTENTI CONCRETI SUI SOCIAL NETWORK (VOTO MEDIO)

FACEBOOK = 6,32 LINKEDIN = 7,03 TWITTER = 5,65

59

CLUSTER 2: GLI ACCURATI (57,07%) •  Aspee ritenu< rilevan<: AspeXo e funzionalità (fa5ore valutato maggiormente 0.5938) -‐ este<ca del social network -‐ completezza della struXura del social network -‐ struXura e grafica del social network -‐ facilità d’uso Qualità del network e affidabilità degli uten<: -‐ tutela della privacy -‐ interesse di chi visita il profilo -‐ credibilità dei contae -‐ veridicità delle informazioni dei contae -‐ non invasività delle segnalazioni inviate dal social network


60


CLUSTER 2: GLI ACCURATI Sesso: •  Maschi = 49,5% •  Femmine = 50,5% Fasce di età: •  16-‐20 = 4,8% •  21-‐25 = 66,7% •  26-‐30 = 18,1% •  31-‐35 = 4,8% •  < 35 = 5,6%

49,50%'50,50%'

SESSO$CLUSTER$2:$GLI$ACCURATI$

Maschi'

Femmine'

Status •  I Concre< possiedono

mediamente 3,85 oggee su 8

4,80%&

66,70%&

18,10%&

4,80%&5,60%&

ETA'%DEL%CLUSTER%2:%GLI%ACCURATI%

16+20&Anni&

21+25&Anni&

26+30&Anni&

31+35&Anni&

>35&Anni&

61

DESCRIZIONE DEI CLUSTER UTENTI ACCURATI vs SOCIAL NETWORK

FACEBOOK -‐ Il 94,3% dichiara di u<lizzare FACEBOOK con una frequenza di media 1,14 (circa una volta al giorno) contro il 5,7% che dichiara di non u<lizzarlo.

LINKEDIN – Il 66,7% dichiara di u<lizzare LINKEDIN con una frequenza di media 2,11 (circa una volta a seemana) contro il 33,3% che dichiara di non u<lizzarlo.

TWITTER – Il 32,4% dichiara di u<lizzare TWITTER con una frequenza di media 2,61 (poco più di una volta al mese) contro il 67,6% che dichiara di non u<lizzarlo.

94,30%'

5,70%'

UTENTI&ACCURATI&CHE&USANO&FACEBOOK&

Sì'

No'66,70%&

33,30%&

UTENTI&ACCURATI&CHE&USANO&LINKEDIN&

Sì&

No&

32,40%'

67,60%'

UTENTI&ACCURATI&CHE&USANO&TWITTER&

Sì'

No'

62

DESCRIZIONE DEI CLUSTER UTENTI ACCURATI vs SOCIAL NETWORK

PERCHE USI LINKEDIN?

Su una scala da 1 a 9 (1-‐3 poco importante, 4-‐6 abbastanza importante, 7-‐9 molto importante) Gli uten? accura? dichiarano che l’importanza dell’uso di linkedin è legata alle seguen< mo<vazioni (dal più importante al meno importante): trovare opportunità di lavoro (mediamente 8,04); mantenere i contaX (mediamente 5,47); Informarsi su argomen. di interesse (mediamente 5,41); fare nuove conoscenze (3,95).

GIUDIZIO GLOBALE DEGLI UTENTI ACCURATI SUI SOCIAL NETWORK (VOTO MEDIO)

FACEBOOK = 7,06 LINKEDIN = 6,91 TWITTER = 6,29

63

CLUSTER 3: I DISTACCATI (16,3%) Tale cluster non mostra preferenze par<colari. Possiamo definire gli individui che ne appartengono come “poco coinvol<”. Gli Uten? Distacca? seppur poco coinvol< dai social network rispeXo agli altri due cluster, danno una maggiore rilevanza all’aspeXo e alla funzionalità del social network, seguito dal potenziale informa<vo offerto dai gruppi, infine danno scarsa rilevanza alla qualità del network e all’affidabilità degli uten<.


64


CLUSTER 3: I DISTACCATI 16,3% Sesso: •  Maschi = 59,2% •  Femmine = 40,8% Fasce di età: •  16-‐20 = 10% •  21-‐25 = 56,7% •  26-‐30 = 26,7% •  31-‐35 = 3,3% •  > 35 = quello che resta

59,20%'

40,80%'

SESSO$CLUSTER$3:$I$DISTACCATI$

Maschi'

Femmine'

10%$

56,70%$

26,70%$

3,30%$ 3,30%$

ETA'%DEL%CLUSTER%3:%I%DISTACCATI%

16+20$Anni$

21+25$Anni$

26+30$Anni$

31+35$Anni$

>35$Anni$

Status •  I Concre< possiedono

mediamente 3 oggee su 8. 65

DESCRIZIONE DEI CLUSTER UTENTI DISTACCATI vs SOCIAL NETWORK

FACEBOOK – Il 76,7% dichiara di u<lizzare FACEBOOK con una frequenza di media 1,18 (circa una volta al giorno) contro il 23,3% che dichiara di non u<lizzarlo.

LINKEDIN – Il 53,3% dichiara di u<lizzare LINKEDIN con una frequenza di media 2,57 (poco più di una volta al mese) contro il 46,7% che dichiara di non u<lizzarlo.

TWITTER – Il 30% dichiara di u<lizzare TWITTER con una frequenza di media 2,54 (poco più di una volta al mese) contro il 70% che dichiara di non u<lizzarlo.

76,70%&

23,30%&

UTENTI&DISTACCATI&CHE&USANO&FACEBOOK&

Sì&

No& 53,30%&

46,70%&

UTENTI&DISTACCATI&CHE&USANO&LINKEDIN&

Sì&

No&

30%$

70%$

UTENTI&DISTACCATI&CHE&USANO&TWITTER&

Sì$

No$

66

PERCHE USI LINKEDIN?

Su una scala da 1 a 9 (1-‐3 poco importante, 4-‐6 abbastanza importante, 7-‐9 molto importante) Gli uten? distacca? dichiarano che l’importanza dell’uso di Linkedin è legata alle seguen< mo<vazioni (dal più importante al meno importante): trovare opportunità di lavoro (mediamente 7,23); mantenere i contaX (mediamente 5,09); Informarsi su argomen. di interesse (mediamente 4,18); fare nuove conoscenze (3,95)

GIUDIZIO GLOBALE DEGLI UTENTI DISTACCATI SUI SOCIAL NETWORK (VOTO MEDIO)

FACEBOOK = 6,11 LINKEDIN = 6

TWITTER = 5,46

DESCRIZIONE DEI CLUSTER UTENTI DISTACCATI vs SOCIAL NETWORK

67

Si individuano come target prioritari per LINKEDIN i cluster degli uten< CONCRETI e degli uten< ACCURATI: ques< sono rappresenta< dai soggee più aevi dal punto di vista lavora<vo e più interessa< ai social network in generale e a linkedin in par<colare. Gli Uten. concre. (26,63%) preferiscono Linkedin agli altri social network (voto 7,03); circa l’80% del cluster è composto da uten< di età compresa fra i 21 e i 30 anni (il che spiega la rilevanza dell’interesse verso il mondo lavora<vo). Sono uten< che dichiarano di possedere circa 4 oggee su 8, 3 dei quali (smartphone, I-‐pad e internet ad alta velocità) sono strumen< funzionali all’accesso in internet. Circa il 70% u<lizza Linkedin e dichiara di effeXuare l’accesso più di una volta a seemana (più spesso di quanto dichiarato dagli uten< degli altri cluster). Infine dichiarano di u<lizzare linkedin perché lo ritengono molto importante per trovare opportunità e/o informazioni sul mondo del lavoro.

COMMENTO SINTETICO SUI CLUSTER

68

Gli uten. accura. cos<tuiscono il cluster più numeroso (57,07%), preferiscono Facebook (7,06) ma danno comunque un giudizio molto alto a Linkedin (6,91); sono uten< della stessa fascia di età del cluster precedente. Dichiarano anch’essi di effeXuare l’accesso a Linkedin circa una volta a seemana e giudicano il social network molto importante per trovare opportunità e/o informazioni sul mondo del lavoro. A differenza degli uten< concre< (che considerano come aspee più rilevan< dei social network rispeevamente qualità del network/affidabilità degli uten? e potenziale informa?vo dei gruppi) dichiarano di ritenere par<colarmente rilevan< in un social network rispeevamente l’aspe5o e la funzionalità e secondariamente qualità del network/affidabilità degli uten? (quest’ul<mo valore molto vicino a quello degli uten< concre<).

COMMENTO SINTETICO SULLA CLUSTER

69

Gli uten. distacca. (16,3%) risultano poco interessa< ai macrofaXori che sinte<zzano le caraXeris<che principali dei social network individua< precedentemente e risultano poco coinvol< in generale dall’u<lizzo dei social, dato confermato dal momento che aXribuiscono dei giudizi medi a tue e tre i social più bassi rispeXo agli altri due cluster (rispeevamente 6,11; 6; 5,46) sono inoltre gli uten< che dichiarano di effeXuare l’accesso su Linkedin più raramente e dichiarano di accedere più spesso soltanto a Facebook (circa una volta al giorno) probabilmente dato il caraXere ludico e ricrea<vo del social network. Un ul<mo aspeXo rilevante può essere quello rela<vo alla fascia di età (il 10% ha età compresa fra i 16 e i 20 anni) il che dimostra che si traXa di soggee che non avvertono par<colari necessità legate allo sfruXamento del potenziale lavora<vo offerto da Linkedin.

COMMENTO SINTETICO SULLA CLUSTER

70

REGRESSIONE LINEARE: FACEBOOK L’analisi di regressione lineare serve a individuare la relazione esistente tra una variabile dipendente (variabile obieXvo – SODDISFAZIONE GLOBALE SUL SOCIAL NETWORK) e un insieme di variabili indipenden< (variabili esplica.ve – ITEM RILEVANTI individua. precedentemente). 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. AXraverso l’analisi miriamo ad oXenere il livello di soddisfazione globale di un singolo social network dopo aver determinato la valutazione dei singoli aXribu< ad esso rela<vi.

MODEL VARIABILI+UTILIZZATE1 Completezza2 Credibilità3 Facilità4d'uso4 Non4invasività5 Struttura4grafica

Le variabili prese in considerazione vengono escluse dal modello se il livello di significa<vità del loro F è maggiore o uguale a 0,10 vengono inserite nel modello se il livello di significa<vità di F è inferiore o uguale a 0,08.

Dependent Variable: Giudizio globale FB

71

REGRESSIONE LINEARE: FACEBOOK Il valore R indica la significa<vità globale del modello. Dalla tabella “Model Summary” si evince come tra i modelli propos< il migliore sia il numero cinque in quanto presenta un valore R maggiore.

Model R R'Square Adjusted'R'Square Std.'Error'of'the'Estimate1 ,561a 0,315 0,311 1,0912 ,621b 0,385 0,378 1,0373 ,659c 0,434 0,424 0,9984 ,679d 0,461 0,448 0,9775 ,687e 0,471 0,456 0,97

Model'Summary(f)

Per quanto riguarda il p-‐value tue e cinque i valori risultano significa<vi ossia sono inferiori allo 0,05. In conclusione abbiamo quindi optato per il modello cinque in quanto presenta il valore di R maggiore in assoluto.

2

2

2




3 Residual 169,303 170 0,996Total 299,034 173Regression 137,719 4 34,43 36,07 ,000d

4 Residual 161,316 169 0,955Total 299,034 173Regression 140,939 5 28,188 29,954 ,000e

5 Residual 158,096 168 0,941Total 299,034 173

ANOVA(f)

72

REGRESSIONE LINEARE: FACEBOOK

RispeXo a Facebook abbiamo individuato come rilevante la spiegazione dei seguen< item del quinto modello:

Coeff.&StandB Std.&Error Beta

(Constant) 1,398 0,44Completezza.FB 0,207 0,076 0,22Credibilità.FB 0,136 0,05 0,176Facilità.d'uso 0,216 0,068 0,238NON.Invasività 0,101 0,036 0,18Struttura.Grafica.FB 0,141 0,076 0,15

MATRICE.DEI.COEFFICIENTICoefficienti&non&standardizzati

73

REGRESSIONE LINEARE: FACEBOOK

PESO%PERCENTUALE%DEI%DRIVER β %Completezza 0,2200000 22,8%Credibilità 0,1760000 18,3%Facilità%d'uso 0,2380000 24,7%NON%Invasività 0,1800000 18,7%Grafica 0,1500000 15,6%

Calcolando il coefficiente Beta in valori percentuali è possibile determinare con che peso impaXano sulla soddisfazione globale le variabili ritenute rilevan<. Con questo procedimento è possibile ricavare l’influenza delle singole variabili. Le più rilevan< in ordine di importanza risultano essere: Facilità d’uso, Completezza e Non Invasività.

22,8%%

18,3%%

24,7%%

18,7%%

15,6%%

0,0%%

5,0%%

10,0%%

15,0%%

20,0%%

25,0%%

30,0%%

Completezza% Credibilità% Facilità%d'uso% NON%Invasività% Grafica%74

REGRESSIONE LINEARE: LINKEDIN U<lizzando l’analogo metodo per Linkedin sono state determinate le variabili da u<lizzare prendendo in considerazione le variabili con un livello di significa<vità di F minore o uguale a 0,05 ed escludendo le variabili con un livello di significa<vità di F maggiore o uguale a 0,1.

Model R R'Square Adjusted'R'Square Std.'Error'of'the'Estimate1 ,633a 0,4 0,396 1,0492 ,703b 0,494 0,486 0,9683 ,727c 0,529 0,518 0,9374 ,755d 0,57 0,556 0,8995 ,749e 0,561 0,551 0,904

Model'SummaryIn questo caso il quarto modello risulta essere il più significa<vo in quanto possiede l’ R maggiore.

MODEL VARIABILI+UTILIZZATE VARIABILI+NON+UTILIZZATE1 Completezza2 Coerenza+Esigenze+Informative .3 Struttura+Grafica .4 Credibilità+5 . Coerenza+Esigenze+Informative

a.#Dependent#Variable:#Giud_Globale_LK

Variables+Entered/Removed(a)

2

75

REGRESSIONE LINEARE: LINKEDIN

Anche in questo caso tue e cinque i p-‐value risultano significa<vi ossia sono inferiori allo 0,05. In conclusione abbiamo quindi optato per il modello numero quaXro in quanto presenta il valore di R maggiore in assoluto.


(Constant) 1,462 0,442Completezza.LK 0,313 0,058 0,378Grafica.LK 0,222 0,05 0,307Credibilità.LK 0,264 0,057 0,292Variabile&dipendente:&Soddisfazione&globale&Linkedin

Coefficienti&non&standardizzatiMATRICE.DEI.COEFFICIENTI

RispeXo a Linkedin abbiamo individuato come rilevante la spiegazione dei seguen< item del quarto modello:




3 Residual 111,496 127 0,878Total 236,656 130Regression 134,828 4 33,707 41,708 ,000d

4 Residual 101,828 126 0,808Total 236,656 130Regression 132,77 3 44,257 54,104 ,000e

5 Residual 103,886 127 0,818Total 236,656 130

ANOVA(f)

2

76

REGRESSIONE LINEARE: LINKEDIN

PESO%PERCENTUALE%DEI%DRIVER β %Completezza 0,378 38,7%Credibilità 0,307 31,4%Facilità%d'uso 0,292 29,9%

38,7%&

31,4%& 29,9%&

0,0%&

5,0%&

10,0%&

15,0%&

20,0%&

25,0%&

30,0%&

35,0%&

40,0%&

45,0%&

Completezza& Credibilità& Facilità&d'uso&

Calcolando il coefficiente Beta in valori percentuali è possibile determinare il peso di impaXo sulla soddisfazione globale delle variabili ritenute rilevan<. Successivamente abbiamo ricavato l’influenza delle singole variabili. La più rilevante risulta essere la Completezza, seguita da Credibilità e Facilità d’uso.

77

REGRESSIONE LINEARE: TWITTER Abbiamo u<lizzato il medesimo metodo anche per TwiXer. Abbiamo preso in considerazione le variabili con un livello di significa<vità di F minore o uguale a 0,05 ed escludendo le variabili con un livello di significa<vità di F maggiore o uguale di 0,1.

Model VARIABILI,UTILIZZATE1 Non,Invasività2 Completezza3 Interesse,Visitatori


Model'Summary

In questo caso il terzo modello risulta essere il più significa<vo in quanto possiede l’ R maggiore.

2

78

REGRESSIONE LINEARE: TWITTER




3 Residual 60,918 58 1,05Total 174,968 61

ANOVA(d)

In questo caso tue e tre i p-‐value risultano significa<vi ossia sono inferiori allo 0,05. In conclusione abbiamo quindi optato per il modello numero t re in quanto presenta il valore di R maggiore in assoluto.

2

RispeXo a TwiXer abbiamo individuato come rilevante la

spiegazione dei seguen< item del terzo modello:


(Constant) 0,564 0,528 1,067 0,291NON+Invasività+TW 0,333 0,08 0,397 4,148 0Completezza+TW 0,374 0,083 0,384 4,51 0Interesse+Visitatori+TW 0,204 0,076 0,248 2,682 0,01Variabile&dipendente:&Soddisfazione&globale&Twitter

t Sig.

MATRICE+DEI+COEFFICIENTICoefficienti&non&standardizzati

79

REGRESSIONE LINEARE: TWITTER Calcolando il coefficiente Beta in valori percentuali è possibile determinare il peso di impaXo sulla soddisfazione globale delle variabili ritenute rilevan<. Successivamente abbiamo ricavato l’influenza delle singole variabili. La più rilevante risulta essere la Non invasività, seguita da Completezza e interesse visitatori.

PESO%PERCENTUALE%DEI%DRIVER β %NON%Invasività 0,397 38,6%Completezza 0,384 37,3%Interesse%Visitatori 0,248 24,1%

38,6%& 37,3%&

24,1%&

0,0%&

5,0%&

10,0%&

15,0%&

20,0%&

25,0%&

30,0%&

35,0%&

40,0%&

45,0%&

NON&Invasività& Completezza& Interesse&Visitatori&80

MEDIA STD.)ERROR MEDIA STD.)ERROR MEDIA STD.)ERROR MEDIA STD.)ERRORCredibilità 7,3 0,119 5,5 0,128 7,44 0,131 5,89 0,227Tutela-della-Privacy 7,9 0,124 4,81 0,18 6,68 0,14 5,77 0,258Interesse-dei-Visitatori 6,53 0,115 5,45 0,13 6,73 0,139 5,42 0,262Veridicità-delle-Informazioni 7,27 0,113 5,19 0,137 7,28 0,123 5,77 0,247Innovatività-degli-argomenti-dei-gruppi 6,59 0,117 4,97 0,149 6,21 0,141 6,76 0,292Coerenza-dei-gruppi-con-le-esigenze-Informative- 6,73 0,119 4,79 0,169 6,31 0,145 6,5 0,276Frequenza-di-aggiornamento-dei-contenuti-dei-gruppi 6,17 0,135 5,67 0,149 5,91 0,18 6,58 0,29NON-Invasività-del-social-network 7,47 0,127 5,05 0,176 6,24 0,169 6,31 0,257Grafica 7,05 0,12 6,61 0,106 5,53 0,163 5,92 0,243Facilità-d'uso 7,71 0,10 7,3 0,11 5,8 0,179 5,56 0,224Estetica 6,73 0,12 6,7 0,116 5,54 0,165 5,85 0,248Completezza 7,08 0,11 6,69 0,106 5,98 0,143 5,63 0,221

SOCIAL-NETWORK-IDEALE FACEBOOK LINKEDIN TWITTER

SOCIAL NETWORK IDEALE VS FACEBOOK LINKEDIN E TWITTER

Nella tabella sono riassun< i valori medi aXribui< dagli intervista< all’importanza degli item oggeXo di studio rispeXo al social network ideale e il loro giudizio nei confron< dei social network da essi u<lizza<. Nelle slides seguen< viene evidenziato l’andamento dei valori medi dei vo< aXribui< a Facebook Linkedin e TwiXer rapporta< al social network ideale.

81

0"

1"

2"

3"

4"

5"

6"

7"

8"

9"

Credibilità"

Tutela"della"Privacy"

Interesse"dei"Visitatori"

Veridicità"delle"Informazioni"

InnovaDvità"degli"argomenD"dei"gruppi"

Coerenza"dei"gruppi"con"le"esigenze"InformaDve""

Frequenza"di"aggiornamento"dei"contenuD"dei"gruppi"

NON"Invasività"del"social"network"

Grafica"

Facilità"d'uso"

EsteDca"

Completezza"

SOCIAL"NETWORK"IDEALE"

FACEBOOK"

FACEBOOK VS SOCIAL NETWORK IDEALE

82

0"

1"

2"

3"

4"

5"

6"

7"

8"

9"

Credibilità"








Grafica"

Facilità"d'uso"

EsteDca"

Completezza"


LINKEDIN"

LINKEDIN VS SOCIAL NETWORK IDEALE

83

0"

1"

2"

3"

4"

5"

6"

7"

8"

9"

Credibilità"








Grafica"

Facilità"d'uso"

EsteDca"

Completezza"


TWITTER"

TWITTER VS SOCIAL NETWORK IDEALE

84

ITEM Importanza media Soddisfazione media Asse X Asse YCredibilità 7,3 5,5 0,26 -0,23Tutela della Privacy 7,9 4,81 0,86 -0,92Interesse dei Visitatori 6,53 5,45 -0,51 -0,28Veridicità delle Informazioni 7,27 5,19 0,23 -0,54Innovatività degli argomenti dei gruppi 6,59 4,97 -0,45 -0,76Coerenza dei gruppi con le esigenze informative 6,73 4,79 -0,31 -0,94Frequenza di aggiornamento dei gruppi 6,17 5,67 -0,87 -0,06NON Invasività del social 7,47 5,05 0,43 -0,68Grafica 7,05 6,61 0,01 0,88Falicità d'uso 7,71 7,30 0,67 1,57Estetica 6,73 6,70 -0,31 0,97Completezza 7,08 6,69 0,04 0,96

ANALISI DEI PUNTI DI FORZA E DI DEBOLEZZA DI FACEBOOK

Per la costruzione della matrice abbiamo u<lizzato la media degli aXribu< rela<vi al social network ideale per ricavare l'importanza rela<va degli aXribu<. Per quanto riguarda invece la soddisfazione abbiamo calcolato le medie dei giudizi aXribui< ai suddee item dagli uten<, per il social network Facebook.

7,04 5,73

85

PUNTI DI FORZA E DI DEBOLEZZA DI FACEBOOK

86

Importanza media Soddisfazione media Asse X Asse YCredibilità 7,3 7,44 0,26 1,14Tutela della Privacy 7,9 6,68 0,86 0,38Interesse dei Visitatori 6,53 6,73 -0,51 0,43Veridicità delle Informazioni 7,27 7,28 0,23 0,98Innovatività degli argomenti dei gruppi 6,59 6,21 -0,45 -0,09Coerenza dei gruppi con le esigenze informative 6,73 6,31 -0,31 0,01Frequenza di aggiornamento dei gruppi 6,17 5,91 -0,87 -0,39NON Invasività del social 7,47 6,24 0,43 -0,06Grafica 7,05 5,53 0,01 -0,77Falicità d'uso 7,71 5,80 0,67 -0,50Estetica 6,73 5,54 -0,31 -0,76Completezza 7,08 5,98 0,04 -0,32

7,04 6,30

ANALISI DEI PUNTI DI FORZA E DI DEBOLEZZA DI LINKEDIN

Per la costruzione della matrice abbiamo u<lizzato la media degli aXribu< rela<vi al social network ideale per ricavare l'importanza rela<va degli aXribu<. Per quanto riguarda invece la soddisfazione abbiamo calcolato le medie dei giudizi aXribui< ai suddee item dagli uten<, per il social network Linkedin.

87

PUNTI DI FORZA E DI DEBOLEZZA DI LINKEDIN

88

Importanza media Soddisfazione media Asse X Asse YCredibilità 7,3 5,89 0,26 -0,11Tutela della Privacy 7,9 5,77 0,86 -0,23Interesse dei Visitatori 6,53 5,42 -0,51 -0,58Veridicità delle Informazioni 7,27 5,77 0,23 -0,23Innovatività degli argomenti dei gruppi 6,59 6,76 -0,45 0,76Coerenza dei gruppi con le esigenze informative 6,73 6,5 -0,31 0,50Frequenza di aggiornamento dei gruppi 6,17 6,58 -0,87 0,58NON Invasività del social 7,47 6,31 0,43 0,31Grafica 7,05 5,92 0,01 -0,08Falicità d'uso 7,71 5,56 0,67 -0,44Estetica 6,73 5,85 -0,31 -0,15Completezza 7,08 5,63 0,04 -0,37

7,04 6,00

ANALISI DEI PUNTI DI FORZA E DI DEBOLEZZA DI TWITTER

Per la costruzione della matrice abbiamo u<lizzato la media degli aXribu< rela<vi al social network ideale per ricavare l'importanza rela<va degli aXribu<. Per quanto riguarda invece la soddisfazione abbiamo calcolato le medie dei giudizi aXribui< ai suddee item dagli uten<, per il social network TwiXer.

89

PUNTI DI FORZA E DI DEBOLEZZA DI TWITTER

90

Sulle 217 osservazioni rilevate 56 soggee (ossia il 25,81% del campione) hanno indicato dei pun< di forza di Linkedin: I più diffusi: •  In 20 casi (35,71% rispeXo alle 56 risposte) è stato indicato come punto di forza la

professionalità del sito •  La veridicità delle informazioni •  La credibilità del sito Alcune peculiarità riscontrate: •  Rappresenta un modo alterna<vo ai canali off-‐line •  Catalogazione dei contae in base all'azienda a cui appartengono •  Immediata visione dei contae che si potrebbero conoscere e il grado di relazioni che ci

distanzia da loro •  Le aziende li u<lizzano molto per fare recrui<ng dal momento che è di facile consultazione

e gratuito •  semplicità, efficacia e conoscenza

ANALISI QUANTITATIVA: PUNTI DI FORZA DI LINKEDIN

91

ANALISI QUANTITATIVA: PUNTI DI FORZA DI LINKEDIN

•  Pubblico di nicchia, tecnico e specializzato, si possono aggiungere solamente persone che conosci realmente.

•  La discrezione, la capacità di aver creato una determinata credibilità intorno al marchio e la possibilità di mantenere relazioni commerciali tramite il web.

•  La presenza di mol< cv, organizza< per keywords. La possibilità di collegarsi con persone affini. La possibilità di trovare offerte di lavoro e di essere trovato da possibili datori di lavoro.

•  Il networking professionale, la sua diffusione e l'ambiente costruevo che crea, incita discussione su argomen< interessan<ssimi che non sarebbe possibile altrimen<.

•  Consente di essere conosciu< e apprezza< nelle discussioni dei gruppi da persone che altrimen< difficili da incontrare in condizioni non compe<<ve.

•  Il conceXo e la gerarchia tra contae (1', 2' e 3' grado) che fornisce numerosi strumen< di privacy per chi non vuol essere contaXato (non mostrare indirizzo email, non richiesta di "amicizia").

•  permeXe di avere info generali sulle aziende 92

Sulle 217 osservazioni rilevate 51 soggee (ossia il 23,5% del campione) hanno indicato dei pun< di debolezza di Linkedin: I più diffusi: •  L’account Premium a pagamento: 9 osservazioni •  La NON facilità d’uso: 8 osservazioni •  Grafica non soddisfacente: 7 osservazioni •  Scarsa interazione live tra gli iscrie: 6 osservazioni Alcune peculiarità riscontrate: •  poca incisività, scarsa capacità di selezionare i candida< e la compe<<vità di altre fon< di

ricerca •  potrebbe aggiungere contenu< semi-‐professionale (non ludici) per essere più accaevante •  A volte la visibilità a tuXo il network delle raccomandazioni e delle visite dei profili

potrebbe limitare l’accesso e la visione ai profili, e il rilascio delle raccomandazioni •  gruppi invasivi e poco interessan< e poche funzioni del servizio free

ANALISI QUANTITATIVA: PUNTI DI DEBOLEZZA DI LINKEDIN

93

•  Bassa capacità di personalizzazione della propria pagina •  La mancanza di un reale riscontro in rete che i contae, le conoscenze e le opportunità

por<no in seguito a concre< risulta< di business oltre ad accrescere la conoscenza degli argomen< in ques<one

•  Il sistema di comunicazione tra contae e gruppi non consente un'efficace integrazione opera<va come ad esempio è possibile con google e google+ (quest'ul<mo ha delle preroga<ve interessan<, le sincronizzazione nei disposi<vi mobili non sono ancora efficacissime, solo recentemente è possibile salvare le aevità svolte: ad esempio contae e interven<). Non c'è un'area per ges<re i documen< in “cloud”. Le applicazioni disponibili sono ancore semplici e poco complete, ad es Xing è simile ma meno diffuso ma a molte più applicazioni per ges<re relazioni, comunicazioni e progee di gruppo. Le tariffe sono troppo alte rispeXo al servizio gratuito di Google+ e l'economico Xing.

•  È necessario aggiornarlo con<nuamente per essere più visibile perché c'è molta più concorrenza che off-‐line.

•  La ricerca per parole chiave a volte non porta ai risulta< auspica<.

ANALISI QUANTITATIVA: PUNTI DI DEBOLEZZA DI LINKEDIN

94

OBIETTIVO: analizzare il posizionamento compe<<vo dei 3 social network presi in considerazione sulla base della soddisfazione espressa in merito ai seguen< aXribu<:

7.  Frequenza di aggiornamento dei gruppi 8.  Non invasività delle segnalazioni 9.  StruXura e grafica 10. Facilità d’uso 11. Completezza 12. Grafica

1.  Credibilità 2.  Tutela della Privacy 3.  Interesse dei visitatori 4.  Veridicità delle informazioni 5.  Innova<vità degli argomen< 6.  Coerenza dei contenu< dei gruppi

Unweighted*Cases N PercentValid 368 96,1Excluded Missing*or*out?of?range*group*codes 0 0

At*least*one*missing*discriminating*variable 15 3,9Both*missing*or*out?of?range*group*codes*and*at*least*one*missing*discriminating*variable 0 0Total 15 3,9

Total 383 100

Analysis*Case*Processing*Summary

Il numero totale di osservazioni rilevate dall’analisi è di 368. In 15 casi c’è almeno una variabile discriminante mancante.

ANALISI DISCRIMINANTE

95

Il potere discriminante delle variabili esplica<ve segue l’ordine (dal più importante al meno importante) secondo il valore di F. Tanto più è elevato F tanto più discriminan< sono gli item, abbiamo evidenziato in giallo le due variabili maggiormente significa<ve. Il test Lambda di Wilks conferma la scelta in quanto i valori più bassi di λ stanno a indicare che la maggior parte della variabilità è aXribuibile alla differenza tra la media dei gruppi.

Wilks''Lambda F df1 df2 Sig.Credibilità 0,772 53,855 2 365 0Privacy 0,857 30,505 2 365 0Interesse'dei'visitatori 0,887 23,249 2 365 0Veridicità'delle'Informazioni 0,761 57,293 2 365 0Innovatività 0,872 26,857 2 365 0Coerenza'dei'gruppi 0,867 27,937 2 365 0Frequenza'di'aggiornamento'dei'gruppi 0,976 4,444 2 365 0,012Non'invasività 0,925 14,749 2 365 0Grafica 0,919 16,125 2 365 0Facilità'd'uso 0,827 38,178 2 365 0Estetica 0,912 17,57 2 365 0Completezza 0,929 13,91 2 365 0

Tests'of'Equality'of'Group'MeansANALISI DISCRIMINANTE

96

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.

La significa<vità pari a zero che emerge aXraverso il test Lambda di Wilks conferma che le variabili in ques<one sono significa<ve.

Test%of%Function(s) Wilks'%Lambda Chi:square df Sig.1%through%2 0,432 301,909 24 0

2 0,811 75,351 11 0

Wilks'%Lambda

Function Eigenvalue %/of/Variance Cumulative/% Canonical/Correlation1 ,878a 79 79 0,6842 ,233a 21 100 0,435

a./First/2/canonical/discriminant/functions/were/used/in/the/analysis.b./Maximum/number/of/functions/is/2.

Eigenvalues(b)


97

I valori espressi dalla tabella riportata esprimono i punteggi standardizza< e le coordinate sulla mappa di posizionamento dei brand (valori presi dalle funzioni dei baricentri dei gruppi) rispeXo alle funzioni lineari discriminan<. La mappa di posizionamento viene costruita u<lizzando i punteggi, rispeXo alle prime due funzioni discriminan< degli aXribu< (dato preso dalla matrice di struXura e degli oggee).


Brand 1 2FACEBOOK !0,649 !0,71LINKEDIN 1,029 0,436TWITTER !0,343 1,083

functions4evaluated4at4group4meansUnstandardized4canonical4discriminant4

Functions;at;Group;CentroidsFunction

98

La matrice di struXura ruotata ind ica i l coefficiente d i correlazione tra i valori della variabile e fra i valori delle funzioni discriminan<. Il potere discriminante della variabile è direXamente proporzionale alla grandezza (in valore assoluto) del valore della correlazione. In genere la correlazione dello stesso aXributo con le diverse funzioni discriminan< sono notevolmente differen<.

Se questo fenomeno è verificato si procede all’interpretazione del significato delle dimensioni ossia si associa ciascun aXributo solo ed esclusivamente alla funzione discriminante con la quale manifesta la correlazione maggiore.

!1 2

Credibilità!e!Professionalità 0,694 0,012Privacy 0,681 0,074Interesse!dei!Visitatori 0,505 @0,097Veridicità!Informazioni 0,407 0,189Innovatività @0,257 @0,188Coerenza!Esigenze!Informative @0,239 @0,229Frequenza!Aggiornamento @0,151 @0,532NON!Invasività 0,033 0,516Struttura!Grafica 0,142 0,444Facilità!Uso @0,011 @0,38Estetica 0,121 0,308Completezza @0,113 0,265

Matrice!di!struttura!ruotataFunzione


99

AXraverso la mappa di posizionamento si possono interpretare l e p o s i z i o n i d i Facebook, Linkedin e TwiXer rispeXo alle due funzioni lineari discriminan< ossia: X = professionalità e la privacy del sito; Y = frequenza di aggiornamento (in b a s s o ) v s n o n invasività dei social network (in alto).

GIUDIZIO SINTETICO: Facebook risulta essere percepito come il social network con maggiore frequenza di aggiornamento, TwiXer presenta una elevata “non invasività” e Linkedin una buona “non invasività”. Per quanto concerne la professionalità e privacy del sito osserviamo che Linkedin presenta il posizionamento migliore e Facebook il peggiore.


100

GIUDIZIO ANALITICO: con riferimento al veXore coerenza del contenuto dei gruppi con le esigenze informa<ve degli uten< osserviamo che Facebook oeene il posizionamento migliore.


101

GIUDIZIO ANALITICO: con riferimento all’item completezza del social network osserviamo che TwiXer oeene il posizionamento migliore.


102

GIUDIZIO ANALITICO: rispeXo alla variabile credibilità degli uten. iscriX al social network il posizionamento migliore è oXenuto da Linkedin.


103

GIUDIZIO ANALITICO: Facebook risulta essere il social network meglio posizionato per quanto riguarda la facilità d’uso.


104

GIUDIZIO ANALITICO: Facebook è il social network percepito migliore per quanto concerne la frequenza di aggiornamento dei gruppi.


105

GIUDIZIO ANALITICO: rela<vamente all’ innova.vità degli argomen. traHa. dai gruppi Facebook oeene il miglior posizionamento.


106

GIUDIZIO ANALITICO: Linkedin risulta essere il social nework con il miglior posizionamento per quanto riguarda l’interesse dei visitatori.


107

GIUDIZIO ANALITICO: TwiXer risulta essere percepito il meno invasivo, seguito da Linkedin e con Facebook marcamente distante dai primi due social network (viene quindi percepito come un social network invasivo).


108

GIUDIZIO ANALITICO: Linkedin è percepito come il social network che tutela maggiormente la privacy rispeXo a TwiXer e Facebook.


109

GIUDIZIO ANALITICO: Linkedin è percepito anche come il social network con la miglior veridicità delle informazioni rilasciate dagli uten< nei profili.


110

SINTESI DEL GIUDIZIO ANALITICO: •  LINKEDIN RISULTA AVERE LA MIGLIOR PERCEZIONE NELLA MENTE DEI CONSUMATORI IN:

1.  Credibilità degli uten< 2.  Interesse dei visitatori verso gli altri uten< 3.  Tutela della privacy 4.  Veridicità delle informazioni rilasciate dagli uten< nei propri profili

•  FACEBOOK RISULTA AVERE LA MIGLIOR PERCEZIONE NELLA MENTE DEI CONSUMATORI IN: 1.  Coerenza del contenuto dei gruppi con le esigenze informa<ve degli uten< 2.  Facilità d’uso 3.  Frequenza di aggiornamento dei contenu< informa<vi dei gruppi 4.  Innova<vità

•  TWITTER RISULTA AVERE LA MIGLIOR PERCEZIONE NELLA MENTE DEI CONSUMATORI IN: 1.  Completezza del social network (dal punto di vista struXurale e funzionale del sito) 2.  Non invasività


111

IMPLICAZIONI DI MARKETING •  Dall’analisi svolta è emerso che l’iscrizione a Linkedin è direXamente correlata con l’età

degli intervista<. Ciò è da aXribuirsi alla professionalità del sito che presuppone una specializzazione adeguata per poterne sfruXare appieno i pun< di forza. La percentuale di soggee iscrie a Linkedin aumenta in maniera direXamente proporzionale rispeXo al <tolo di studio posseduto. Inoltre i possessori di un account presentano una media della variabile (STATUS) da noi riclassificata leggermente superiore rispeXo alla media generale (questo fenomeno risulta coerente con la correlazione posi<va rispeXo ai <toli di studio in quanto si può presupporre che con un livello d’istruzione superiore si possa godere di reddi< più eleva< e di conseguenza si possa godere di una capacità di acquisto più elevata).

•  Linkedin risulta essere consultato dagli iscrie in media più di una volta a seemana (a differenza di Facebook che viene visitato più frequentemente: una volta a seemana). Anche questo fenomeno è da considerarsi coerente con la percezione professionale, lavora<va e non ludica del sito.

•  Linkedin è lo strumento più u<lizzato per cercare lavoro tra le 6 alterna<ve proposte e oeene la media migliore dei giudizi (6,12). Tale considerazione è da aXribuire all’elevata professionalità e all’internazionalità del sito.

112

IMPLICAZIONI DI MARKETING •  Si rileva che i canali aXraverso i quali si viene maggiormente a conoscenza del sito

sono Amici e familiari (35%) e Internet (32,7%). Il fenomeno in ques<one viene considerato rilevante in quanto il passaparola tra amici e familiari risulta essere molto efficace.

•  Linkedin risulta ricoprire un ruolo determinante nella percezione del consumatore per quanto riguarda la credibilità degli uten<, l’interesse dei visitatori verso gli altri uten<, la tutela della privacy e la veridicità delle informazioni presen< nei profili. Queste caraXeris<che si riconoscono appieno nel conceXo di social network “professionale”. Si ri<ene importante mantenere e, laddove possibile, rafforzare queste caraXeris<che all’interno del social network.

•  A nostro avviso sarebbe u<le potenziare l’interazione tra i diversi soggee all’interno del network data l’indicazione di questo bisogno espressa dagli intervista< nei “pun< di debolezza” e dalla difficoltà di trovare effeevamente un impiego grazie a Linkedin.

113

IMPLICAZIONI DI MARKETING

•  L’account premium viene percepito come troppo dispendioso da alcuni uten< e presenta una diffusione non soddisfacente (2,2% del campione). A tal proposito, per aumentarne la soXoscrizione potrebbe essere u<le diminuire il prezzo oppure potenziare i servizi offer<.

•  Rendere il sito più user-‐friendly, migliorarne l’interfaccia e la grafica (individua< come pun< di debolezza sostanziali) potrebbe contribuire in maniera significa<va ad una rapida diffusione del servizio dal momento che ne renderebbe maggiormente agevole la fruizione, mantenendo sempre il target focalizzato su una nicchia di soggee professionali e specializza< (circostanza che rappresenta un punto di forza sostanziale del social network).

114

LIMITI DELLA RICERCA

•  Data la ristreXezza dei tempi non è stato possibile raggiungere un numero elevato di ques<onari (217 in totale). Il campione di riferimento potrebbe non essere rappresenta<vo della popolazione.

•  La raccolta dei da< per fasce d’età superiori ai 30 anni si è rilevata scarsa. •  Ciononostante abbiamo riscontrato una notevole significa<vità dei risulta< delle nostre

analisi. Questo fenomeno potrebbe essere determinato dal faXo che la maggioranza assoluta del campione di riferimento fosse cos<tuita da studen< e che quindi sia stata rilevata un’ampia uniformità dei da<.

115

linkedin mario bencivinni daniela galati andrea steccati

Business