Analisi degli Indici di Concentrazione

Esercizio 1: Indice di Gini per la Concentrazione delle Vendite

Scenario: Un’azienda analizza la distribuzione del fatturato tra 5 negozi.

Dati Originali

Negozio	Fatturato (€)
A	50.000
B	30.000
C	15.000
D	10.000
E	5.000

Passo 1: Ordinamento e Calcolo delle Percentuali

Ordina i negozi dal meno al più redditizio: E (5k), D (10k), C (15k), B (30k), A (50k).

Calcola le percentuali cumulate:

Totale fatturato: 110.000€.

% Fatturato cumulato ([math]y_i[/math]):

[math]
y_1 = \frac{5000}{110000} \approx 0.0455 \text{ (4.55%)}
[/math]

[math]
y_2 = \frac{15000}{110000} \approx 0.1364 \text{ (13.64%)}
[/math]

[math]
y_3 = \frac{30000}{110000} \approx 0.2727 \text{ (27.27%)}
[/math]

[math]
y_4 = \frac{60000}{110000} \approx 0.5455 \text{ (54.55%)}
[/math]

[math]
y_5 = \frac{110000}{110000} = 1 \text{ (100%)}
[/math]

% Negozi cumulati ([math]x_i[/math]): 20%, 40%, 60%, 80%, 100% (poiché ci sono 5 negozi, ogni negozio rappresenta 20% del totale).

Passo 2: Costruzione della Curva di Lorenz

Punti ([math]x_i, y_i[/math]):

[math]
(0, 0), (0.20, 0.0455), (0.40, 0.1364), (0.60, 0.2727), (0.80, 0.5455), (1.00, 1.00)
[/math]

Passo 3: Calcolo dell’Area sotto la Curva di Lorenz (A)

Usiamo la regola dei trapezi:

[math]
A = \sum_{i=1}^{n} \frac{(x_i – x_{i-1}) \cdot (y_i + y_{i-1})}{2}
[/math]

Intervalli:

[math]
\begin{aligned}
A &= \frac{(0.20 – 0) \times (0.0455 + 0)}{2} \\
&+ \frac{(0.40 – 0.20) \times (0.1364 + 0.0455)}{2} \\
&+ \frac{(0.60 – 0.40) \times (0.2727 + 0.1364)}{2} \\
&+ \frac{(0.80 – 0.60) \times (0.5455 + 0.2727)}{2} \\
&+ \frac{(1.00 – 0.80) \times (1.00 + 0.5455)}{2} \\
&= 0.00455 + 0.01819 + 0.04091 + 0.08182 + 0.15455 \\
&= 0.30002
\end{aligned}
[/math]

Passo 4: Indice di Gini (G)

[math]
G = 1 – 2A = 1 – 2 \times 0.30002 = 1 – 0.60004 \approx 0.40
[/math]

Interpretazione:

[math]G = 0.40[/math] → Moderata concentrazione.

Esercizio 2: Indice di Herfindahl-Hirschman (HHI) nel Settore Tech

Scenario: 4 aziende dominano il mercato con quote:

Apple (50%), Samsung (30%), Huawei (15%), Xiaomi (5%).

Calcolo dell’HHI

Quote in percentuale intera:

[math]
\begin{aligned}
HHI &= \sum_{i=1}^{n} s_i^2 \\
&= 50^2 + 30^2 + 15^2 + 5^2 \\
&= 2500 + 900 + 225 + 25 \\
&= 3650
\end{aligned}
[/math]

Interpretazione:

[math]HHI > 2500[/math] → Mercato altamente concentrato (oligopolio). Un valore di 3650 indica una forte presenza di poche grandi aziende nel settore.

Esercizio 3: Rapporto di Concentrazione (CR4) nell’E-Commerce

Scenario: Quote di mercato:

Amazon (40%), eBay (20%), Alibaba (15%), Walmart (10%), Altri (15%).

Calcolo del CR4

Il CR4 è la somma delle quote di mercato delle prime 4 aziende per dimensione.

[math]
CR4 = 40\% + 20\% + 15\% + 10\% = 85\%
[/math]

Interpretazione:

[math]CR4 > 80\%[/math] → Dominio di poche aziende. L’85% del mercato è detenuto dalle prime quattro aziende, indicando una forte concentrazione.

Esercizio 4: Indice di Entropia per l’Analisi della Diversificazione Geografica

Cos’è l’Entropia?

L’entropia è un concetto derivato dalla teoria dell’informazione (Shannon, 1948) che misura il grado di incertezza o disordine in un sistema. Nel contesto aziendale:

• Entropia bassa ([math]\approx 0[/math]): Fatturato concentrato in poche categorie (es. una sola regione domina).
• Entropia alta ([math]\approx 1[/math]): Fatturato distribuito uniformemente tra tutte le categorie.

È l’indicatore perfetto per valutare se un’azienda dipende troppo da un mercato specifico o se ha un portafoglio bilanciato.

Scenario

Un’azienda italiana opera in 3 macro-regioni con questa distribuzione di fatturato:

• Nord: 60%
• Centro: 30%
• Sud: 10%

Obiettivo

• Calcolare l’entropia della distribuzione.
• Normalizzare il risultato per confronti futuri.
• Interpretare i risultati per decisioni strategiche.

Passo 1: Calcolo Manuale dell’Entropia

Formula:

[math]
E = – \sum_{i=1}^{n} p_i \ln(p_i)
[/math]

dove [math]p_i[/math] è la percentuale del fatturato nella regione [math]i[/math].

Calcoli:

• • Nord (60%):

[math]
0.6 \times \ln(0.6) = 0.6 \times (-0.5108) \approx -0.3065
[/math]

• • Centro (30%):

[math]
0.3 \times \ln(0.3) = 0.3 \times (-1.2040) \approx -0.3612
[/math]

• • Sud (10%):

[math]
0.1 \times \ln(0.1) = 0.1 \times (-2.3026) \approx -0.2303
[/math]

Somma:

[math]
\begin{aligned}
E &= – (-0.3065 – 0.3612 – 0.2303) \\
&= – (-0.8980) \\
&= 0.8980
\end{aligned}
[/math]

Passo 2: Entropia Normalizzata

Per confrontare entropie tra diversi numeri di categorie ([math]n[/math]):

[math]
E_{norm} = \frac{E}{\ln(n)} = \frac{0.8980}{\ln(3)} \approx \frac{0.8980}{1.0986} \approx 0.8174
[/math]

Scala di interpretazione:

• 0: Massima concentrazione (tutto in una regione).
• 1: Massima diversificazione (uguale fatturato in tutte le regioni).

Risultato:

[math]0.8174[/math] → Diversificazione alta, ma con una leggera predominanza del Nord.

Passo 3: Implementazione in Python

Ecco come automatizzare il calcolo con Python:

import numpy as np

# Input dati
percentuali = np.array([0.6, 0.3, 0.1])  # Nord, Centro, Sud

# Calcolo entropia
# Attenzione: np.log usa ln (log naturale)
E = -np.sum(percentuali * np.log(percentuali))

# Entropia normalizzata
n = len(percentuali)  # Numero di categorie
E_norm = E / np.log(n)

# Output
print(f"Entropia: {E:.4f}")
print(f"Entropia normalizzata: {E_norm:.4f}")
    
Entropia: 0.8979
Entropia normalizzata: 0.8173

Passo 4: Visualizzazione Grafica

Per rendere i risultati più intuitivi, possiamo tracciare un grafico a barre:

import matplotlib.pyplot as plt
import numpy as np

regioni = ['Nord', 'Centro', 'Sud']
percentuali = np.array([0.6, 0.3, 0.1]) 

plt.bar(regioni, percentuali, color=['#1f77b4', '#ff7f0e', '#2ca02c'])
plt.title('Distribuzione del Fatturato per Regione')
plt.xlabel('Regione')
plt.ylabel('% Fatturato')
plt.ylim(0, 0.7) 
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()
    

Interpretazione Strategica

• Punto di forza: L’azienda non dipende eccessivamente da una singola regione ([math]E_{norm} \approx 0.82[/math]).
• Rischio: Il Nord contribuisce al 60% del fatturato. Se questa regione entrasse in crisi, l’impatto sarebbe significativo.

Azioni raccomandate:

• Potenziare le vendite al Sud per aumentare la diversificazione.
• Analizzare perché il Centro contribuisce solo al 30%.

Confronto con Altri Indicatori

• Indice di Gini: Misura la concentrazione, ma non la diversificazione.
• HHI: Utile per analisi di mercato, ma meno intuitivo per distribuzioni geografiche.
• Vantaggio dell’entropia: Fornisce una misura diretta del “bilanciamento”.

Esempio Pratico

Se l’azienda aggiungesse una quarta regione con il 5% del fatturato:

• Nuove percentuali: [0.55, 0.30, 0.10, 0.05]
• Nuova entropia: [math]E \approx 1.0086[/math]
• Nuova entropia normalizzata (per n=4): [math]E_{norm} = \frac{1.0086}{\ln(4)} \approx \frac{1.0086}{1.3863} \approx 0.7276[/math] (più bassa perché, nonostante più regioni, la distribuzione è meno uniforme rispetto all’Enorm precedente per 3 regioni).

Conclusioni

• L’entropia è uno strumento potente per valutare la diversificazione aziendale.
• Python automatizza i calcoli e permette di gestire scenari complessi.
• Un valore di [math]0.8174[/math] suggerisce che l’azienda è sulla buona strada, ma può migliorare la distribuzione.

Prova tu stesso: Modifica le percentuali nel codice Python e osserva come cambia l’entropia! 🚀

 

Esercizio 5: Curva di Lorenz per il ROI delle Campagne

Scenario: Distribuzione del ROI tra 5 campagne:

Campagna 1 (45%), Campagna 2 (25%), Campagna 3 (15%), Campagna 4 (10%), Campagna 5 (5%).

Dati Ordinati (dal ROI più basso al più alto) e Cumulati

Campagna	% ROI	% Cum. Campagne ([math]x_i[/math])	% Cum. ROI ([math]y_i[/math])
5	5%	20%	5%
4	10%	40%	15%
3	15%	60%	30%
2	25%	80%	55%
1	45%	100%	100%

Punti per la Curva di Lorenz ([math]x_i, y_i[/math]), includendo (0,0):

[math]
(0, 0), (0.20, 0.05), (0.40, 0.15), (0.60, 0.30), (0.80, 0.55), (1.00, 1.00)
[/math]

Calcolo dell’Indice di Gini

L’area sotto la curva è data come [math]A = 0.31[/math].

[math]
G = 1 – 2A = 1 – 2 \times 0.31 = 1 – 0.62 = 0.38
[/math]

Interpretazione:

[math]G = 0.38[/math] → Moderata concentrazione del ROI tra le campagne.

Grafico con Python:

Il codice Python per generare il grafico della Curva di Lorenz:

import matplotlib.pyplot as plt
import numpy as np

x = np.array([0, 0.20, 0.40, 0.60, 0.80, 1.00])
y = np.array([0, 0.05, 0.15, 0.30, 0.55, 1.00])

plt.plot(x, y, marker='o', label='Curva di Lorenz')
plt.plot([0, 1], [0, 1], '--', label='Uguaglianza perfetta')
plt.fill_between(x, y, x, alpha=0.2)
plt.title("Concentrazione del ROI")
plt.xlabel("% Campagne")
plt.ylabel("% ROI")
plt.legend()
plt.grid(True) # Added grid for better readability
plt.show()
    

Esercizio 6: Indice di Gini per la Customer Base

Scenario: Distribuzione del fatturato per segmenti di clienti:

• Top 10% clienti → 70% fatturato.
• Successivi 20% → 20% fatturato.
• Restanti 70% → 10% fatturato.

Dati Ordinati (dal segmento di clienti meno redditizio al più redditizio) e Cumulati

Segmento	% Clienti	% Fatturato	% Cum. Clienti ([math]x_i[/math])	% Cum. Fatturato ([math]y_i[/math])
Restanti	70%	10%	70%	10%
Successivi	20%	20%	[math]70\% + 20\% = 90\%[/math]	[math]10\% + 20\% = 30\%[/math]
Top	10%	70%	[math]90\% + 10\% = 100\%[/math]	[math]30\% + 70\% = 100\%[/math]

Punti per la Curva di Lorenz ([math]x_i, y_i[/math]), includendo (0,0):

[math]
(0, 0), (0.70, 0.10), (0.90, 0.30), (1.00, 1.00)
[/math]

Calcolo di G

L’area sotto la curva è data come [math]A = 0.14[/math].

[math]
G = 1 – 2A = 1 – 2 \times 0.14 = 1 – 0.28 = 0.72
[/math]

Interpretazione:

[math]G = 0.72[/math] → Forte concentrazione. Indica che una piccola percentuale di clienti genera una grande percentuale del fatturato.

Scegliere l’Indice Giusto: Quando Usare Cosa?

La scelta dell’indice di concentrazione più adatto dipende dalla specifica domanda a cui vuoi rispondere e dal tipo di dati che stai analizzando:

• Indice di Gini: Ideale per analizzare la disuguaglianza nella distribuzione di una variabile all’interno di un insieme di unità. Usalo per capire quanto le vendite sono concentrate tra i negozi, il fatturato tra i clienti, il ROI tra le campagne marketing, le entrate tra i dipendenti, ecc. È particolarmente utile quando vuoi visualizzare questa disuguaglianza tramite la Curva di Lorenz.
• Indice di Herfindahl-Hirschman (HHI) e Rapporto di Concentrazione (CRk): Entrambi misurano la concentrazione del mercato tra attori competitivi (aziende). L’HHI (somma dei quadrati delle quote) è più sensibile alla quota dei player più grandi e riflette meglio l’intensità della competizione. Il CRk (somma delle quote dei primi ‘k’ attori) è più semplice da calcolare e interpretare, dando una rapida idea del dominio dei leader di mercato. Usali per analisi competitive.
• Indice di Entropia: Ottimo per valutare il grado di diversificazione (o la sua assenza, ovvero la concentrazione) in variabili categoriche, come la distribuzione del fatturato per regione geografica, per canale di vendita, per categoria di prodotto, ecc. Ti dice quanto un fenomeno è bilanciato o se dipende eccessivamente da poche categorie.

Usare l’indice corretto ti garantisce di ottenere insight pertinenti per prendere decisioni strategiche mirate.

L’Importanza Strategica degli Indici di Concentrazione

Gli indici di concentrazione presentati (Gini, HHI, CRk, Entropia) sono strumenti analitici potenti, indispensabili per chi opera nel settore vendite e marketing. Non sono semplici metriche statiche, ma rivelatori di dinamiche fondamentali:

• Identificano il Principio di Pareto (o il suo scostamento): Ti aiutano a quantificare il grado in cui “pochi” (clienti, prodotti, campagne, negozi) contribuiscono alla “moltitudine” (fatturato totale, ROI totale).
• Supportano l’Allocazione Strategica delle Risorse: Capire dove risiede la concentrazione ti permette di focalizzare investimenti, sforzi commerciali e risorse di marketing dove hanno il maggiore impatto o dove è necessario intervenire per ridurre il rischio (es. diversificare se la concentrazione è eccessiva).
• Informano sulle Strategie Competitive: Analizzare la concentrazione del mercato ti aiuta a definire come competere in un settore (es. è un oligopolio stretto o un mercato più frammentato?).
• Misurano il Rischio e la Diversificazione: L’entropia, in particolare, offre una misura diretta di quanto sei esposto alla volatilità di singole aree o categorie.

Integrare regolarmente l’analisi della concentrazione nei tuoi processi decisionali ti permette di passare da un approccio reattivo a uno proattivo, basato sui dati, ottimizzando performance e resilienza del tuo business nel tempo.

(196)

PubblicitàPubblicità