Pareto e Matrice di Ansoff: Analisi Probabilistica dei Ricavi e Gestione del Rischio (Guida Pratica con Esercizi)

Smettetela di guardare la media: perché la strategia aziendale vive nelle code.

Tutti conosciamo la regola dell’80/20.

La citiamo nelle riunioni marketing, la usiamo per giustificare il taglio dei costi e ci sentiamo intelligenti nel farlo. Ma se ci fermiamo lì, stiamo guidando l’azienda guardando lo specchietto retrovisore.

Il problema della Matrice di Ansoff – quella tabella 2×2 che usiamo per decidere se lanciare nuovi prodotti o entrare in nuovi mercati – è che spesso viene trattata come se ogni quadrante avesse lo stesso profilo di rischio statistico.

Spoiler: non è così.

Quando entrate in un nuovo mercato, non state solo “aumentando l’incertezza”. State entrando in un territorio dove la media non conta più nulla e dove un singolo evento (o cliente) può ribaltare il bilancio.

Oggi proviamo a fare una cosa che si vede raramente: prendiamo la strategia “qualitativa” di Ansoff e la smontiamo con la brutalità della distribuzione di Pareto.

Vediamo cosa succede ai vostri ricavi quando la matematica smette di essere “normale”.

👉 Barilla 2030: La Matrice di Ansoff Rivelata. Strategie di Crescita, Innovazione in Asia e il Segreto per Non Scomparire

---

ESERCIZIO 1 – Introduzione alla distribuzione di Pareto e matrice di Ansoff

Testo: La “GammaTech S.p.A.” vende un solo prodotto (smartphone modello Alpha) in un mercato consolidato. L’azienda sa che, secondo la regola 80/20, il 20% dei clienti contribuisce all’80% dei ricavi. Si stima che la distribuzione dei ricavi per cliente segua una distribuzione di Pareto con parametro [math]\alpha = \ln(5)/\ln(4) \approx 1.16[/math]. Nella matrice di Ansoff, questa situazione corrisponde al quadrante “penetrazione del mercato”. Calcola la probabilità che un cliente scelto a caso generi ricavi superiori alla media dei ricavi dei clienti.

Risoluzione:

Passo 1 – Richiamo teorico distribuzione di Pareto

La funzione di sopravvivenza per la distribuzione di Pareto (tipo I) è:

[math]P(X>x)=\left(\frac{x_m}{x}\right)^\alpha, \quad x\ge x_m[/math]

La media, se [math]\alpha>1[/math], è:

[math]\mu=\frac{\alpha x_m}{\alpha-1}[/math]

Passo 2 – Interpretazione del problema

Per calcolare [math]P(X>\mu)[/math], si usa la proprietà che, per la distribuzione di Pareto, la probabilità che [math]X[/math] superi la media [math]\mu[/math] è:

[math]P(X>\mu)=\left(\frac{\alpha-1}{\alpha}\right)^\alpha[/math]

Passo 3 – Calcolo

Dato [math]\alpha=\frac{\ln 5}{\ln 4}\approx 1.160964[/math], calcoliamo il rapporto:

[math]\displaystyle \begin{aligned}
\frac{\alpha-1}{\alpha} &= \frac{0.160964}{1.160964} \approx 0.1386 \\
P(X>\mu) &= (0.1386)^{\alpha} \approx (0.1386)^{1.160964}
\end{aligned}[/math]

Usando i logaritmi per l’elevamento a potenza:

[math]\displaystyle \begin{aligned}
\ln(0.1386) &\approx -1.976 \\
\alpha \cdot (-1.976) &\approx -2.294 \\
e^{-2.294} &\approx 0.1008
\end{aligned}[/math]

Passo 4 – Risultato

La probabilità che un cliente generi ricavi superiori alla media è circa il 10.1%.

L’Angolo dello Stratega :

Perché questo numero conta? Notate come solo il 10% dei clienti supera la media. In un business maturo (Penetrazione), questo è fisiologico. Significa che il vostro modello di business è retto da una “élite” di clienti alto-spendenti. Perdere uno di quel 10% fa molto più male che perderne dieci sotto la media. La strategia qui non è acquisire a caso, ma blindare quel 10%.

💡 Osservazione: Nella distribuzione di Pareto, la maggior parte dei valori è sotto la media ([math]P(X>\mu) < 0.5[/math]), a causa dell’asimmetria destra (“coda pesante”).

Domanda di riflessione: Perché la probabilità [math]P(X>\mu)[/math] non dipende da [math]x_m[/math]?

---

ESERCIZIO 2 – Pareto e sviluppo del prodotto (matrice di Ansoff)

Testo: La stessa azienda, nel quadrante “sviluppo del prodotto” di Ansoff, lancia una nuova versione dello smartphone (modello Beta) in mercati esistenti. I ricavi per cliente per il nuovo prodotto seguono una Pareto con [math]x_m=100€[/math] e [math]\alpha = 2.5[/math]. Calcola: a) Il ricavo medio per cliente. b) Il valore mediano dei ricavi. c) La probabilità che un cliente abbia ricavi superiori a 500 €.

Risoluzione:

Passo 1 – Media

[math]\displaystyle \begin{aligned}
\mu &= \frac{\alpha x_m}{\alpha-1} = \frac{2.5 \cdot 100}{2.5-1} \\
&= \frac{250}{1.5} \approx 166.67€
\end{aligned}[/math]

Passo 2 – Mediana

La mediana [math]M[/math] soddisfa [math]P(X>M)=0.5[/math]. Dalla formula [math](x_m/M)^\alpha = 0.5[/math], si ricava:

[math]M=x_m \cdot 2^{1/\alpha}[/math]

Calcolo:

[math]\displaystyle \begin{aligned}
2^{1/2.5} &= 2^{0.4} \approx 1.3195 \\
M &\approx 100 \cdot 1.3195 \approx 131.95€
\end{aligned}[/math]

Passo 3 – Probabilità [math]P(X>500)[/math]

[math]\displaystyle \begin{aligned}
P(X>500) &= \left(\frac{x_m}{500}\right)^\alpha = \left(\frac{100}{500}\right)^{2.5} \\
&= (0.2)^{2.5} = (0.2)^2 \cdot (0.2)^{0.5} \\
&= 0.04 \cdot \sqrt{0.2} \approx 0.04 \cdot 0.4472 \\
&\approx 0.01789
\end{aligned}[/math]

Circa 1.79%.

Risultati: a) 166.67 €, b) 131.95 €, c) 1.79%.

L’Angolo dello Stratega:

Media vs Mediana: Qui vediamo l’effetto dell’asimmetria. La media è il 26% più alta della mediana. Se presentate al board solo la media (“Il cliente medio spende 167€”), state mentendo per eccesso sulla realtà del cliente tipico (che ne spende 132).

Inoltre, con un α=2.5 (più alto del caso precedente), la distribuzione è più “equa” e meno estrema. Lanciare nuovi prodotti spesso riduce la dipendenza dalle “balene” (i clienti giganti) rispetto ai prodotti legacy, rendendo il fatturato più prevedibile.

💡 Osservazione: La media [math](\mu \approx 167€)[/math] è maggiore della mediana [math](M \approx 132€)[/math], confermando l’asimmetria a destra. Pochi clienti “top” (ricavi [math]> 500€[/math], probabilità [math]\approx 1.8\%[/math]) alzano significativamente la media.

Domanda di riflessione: Cosa succede alla media se [math]\alpha[/math] si avvicina a 1 da valori maggiori? E se [math]\alpha[/math] diventa molto grande (es. 10)?

---

ESERCIZIO 3 – Sviluppo del mercato e Pareto

Testo: Nel quadrante “sviluppo del mercato” (nuovi mercati, prodotto esistente), la GammaTech esporta lo smartphone Alpha in un nuovo paese. I ricavi per cliente in questo mercato seguono Pareto con [math]x_m=80€[/math] e [math]\alpha = 2[/math]. Calcola: a) Il coefficiente di variazione (deviazione standard / media). b) Il ricavo minimo per appartenere al top 5% dei clienti (95° percentile).

Risoluzione:

Passo 1 – Media e Varianza con [math]\alpha = 2[/math]

Media:

[math]\mu=\frac{\alpha x_m}{\alpha-1}=\frac{2 \cdot 80}{2-1}=160€[/math]

Varianza (per [math]\alpha > 2[/math]):

[math]\sigma^2=\frac{x_m^2 \alpha}{(\alpha-1)^2(\alpha-2)}[/math]

Poiché [math]\alpha = 2[/math], il denominatore [math](\alpha-2)[/math] è zero. Quindi, la varianza è infinita e il coefficiente di variazione non è definito (divergente).

Passo 2 – 95° percentile

Il 95° percentile [math]x_{0.95}[/math] soddisfa [math]P(X>x_{0.95})=0.05[/math]. Dalla formula [math](x_m/x_{0.95})^\alpha = 0.05[/math], si ricava:

[math]x_{0.95}=x_m \cdot (0.05)^{-1/\alpha}[/math]

Calcolo con [math]\alpha=2[/math]:

[math]\displaystyle \begin{aligned}
(0.05)^{-1/2} &= \left(\frac{1}{0.05}\right)^{0.5} = 20^{0.5} \\
&\approx 4.4721 \\
x_{0.95} &\approx 80 \cdot 4.4721 \approx 357.77€
\end{aligned}[/math]

L’Angolo dello Stratega:

Cosa significa “Varianza Infinita” in azienda? Questo è l’esercizio più importante. Un α ≤ 2 è un segnale d’allarme rosso. Significa che i metodi standard di gestione del rischio (come il Value at Risk basato sulla Normale) falliranno.

In questo nuovo mercato, potresti avere mesi di calma piatta e poi un ordine improvviso che svuota il magazzino, o un reso colossale che brucia il margine. Non potete fare previsioni accurate qui. La strategia operativa deve essere basata su agilità e riserve di liquidità, non su budget rigidi, perché gli eventi estremi non sono “anomalie”, sono la norma.

💡 Osservazione: Con [math]\alpha = 2[/math], la varianza è infinita, indicando che i ricavi hanno una “coda estremamente pesante”. Eventi estremi sono molto più probabili rispetto a una distribuzione normale. Questo implica grande incertezza e rischio nel nuovo mercato.

Domanda di riflessione: Perché con [math]\alpha = 2[/math] la varianza è infinita? Cosa significa per la gestione del rischio in un nuovo mercato?

---

ESERCIZIO 4 – Diversificazione e Pareto (casi combinati)

Testo: Nel quadrante “diversificazione” (nuovi prodotti, nuovi mercati), GammaTech lancia un accessorio tech innovativo. I ricavi per cliente seguono Pareto([math]x_m=50€[/math], [math]\alpha = 1.5[/math]). In più, per i clienti business, i ricavi possono essere moltiplicati per un fattore [math]K = 3[/math] nel 10% dei casi (indipendentemente dal valore di Pareto). Calcola il ricavo atteso per un cliente generico in questo scenario.

Risoluzione:

Passo 1 – Ricavo atteso senza fattore [math]K[/math] ([math]\mu_P[/math])

[math]\displaystyle \begin{aligned}
\mu_P &= \frac{\alpha x_m}{\alpha-1} = \frac{1.5 \cdot 50}{1.5-1} \\
&= \frac{75}{0.5} = 150€
\end{aligned}[/math]

Passo 2 – Ricavo atteso totale [math]E[R][/math]

Il ricavo atteso totale è la media ponderata tra il ricavo atteso del 90% dei clienti standard e il ricavo atteso del 10% dei clienti business (dove il ricavo [math]X[/math] è moltiplicato per [math]K=3[/math]):

[math]\displaystyle \begin{aligned}
E[R] &= P(\text{Non Business}) \cdot E[X] + P(\text{Business}) \cdot E[3X] \\
&= 0.9 \cdot E[X] + 0.1 \cdot 3 \cdot E[X] \\
&= 0.9 \cdot 150 + 0.3 \cdot 150 \\
&= 135 + 45 = 180€
\end{aligned}[/math]

Risultato: Il ricavo atteso è [math]180€[/math].

L’Angolo dello Stratega:

L’effetto leva: Questo esercizio simula il mondo reale, dove le distribuzioni si mischiano. Quel 10% di clienti business che triplica il valore è il motivo per cui ci si diversifica. Anche se sono rari, il loro impatto sul valore atteso (20 % sul totale) giustifica la complessità operativa. È l’essenza del B2B2C: cacciare le balene (Business) mentre si pesca con la rete (Consumer).

💡 Osservazione: Il fattore moltiplicativo [math]K=3[/math] applicato al 10% dei clienti aumenta la media complessiva del [math](180-150)/150 = 20\%[/math] rispetto al caso base. Questo appesantisce ulteriormente la coda della distribuzione.

Domanda di riflessione: Se il fattore [math]K[/math] fosse applicato solo se [math]X >[/math] mediana, come cambierebbe il calcolo?

---

ESERCIZIO 5 – Confronto tra quadranti di Ansoff con Pareto

Testo: GammaTech ha questi dati per i 4 quadranti di Ansoff: Penetrazione: [math]\alpha = 1.8[/math], [math]x_m=90[/math]; Sviluppo prodotto: [math]\alpha = 2.2[/math], [math]x_m=110[/math]; Sviluppo mercato: [math]\alpha = 2.0[/math], [math]x_m=70[/math]; Diversificazione: [math]\alpha = 1.5[/math], [math]x_m=50[/math]. Ordina i quadranti per ricavo medio per cliente crescente. Poi ordina per probabilità di superare 300 €.

Risoluzione:

Passo 1 – Calcolo e Ordine delle Medie ([math]\mu=\frac{\alpha x_m}{\alpha-1}[/math])

La formula [math]\mu=\frac{\alpha x_m}{\alpha-1}[/math] dà:

• μ₁ (Penetrazione): [math]\frac{1.8 \cdot 90}{0.8} = 202.5€[/math]
• μ₂ (Sviluppo Prodotto): [math]\frac{2.2 \cdot 110}{1.2} \approx 201.67€[/math]
• μ₃ (Sviluppo Mercato): [math]\frac{2.0 \cdot 70}{1.0} = 140€[/math]
• μ₄ (Diversificazione): [math]\frac{1.5 \cdot 50}{0.5} = 150€[/math]

Ordine per media crescente: 3 (140), 4 (150), 2 (≈201.67), 1 (202.5).

Passo 2 – Calcolo e Ordine delle Probabilità [math]P(X>300)[/math] (Formula: [math](x_m/300)^\alpha[/math])

• P₁ (Penetrazione): [math](90/300)^{1.8} = (0.3)^{1.8} \approx 0.1145[/math]
• P₂ (Sviluppo Prodotto): [math](110/300)^{2.2} \approx (0.3667)^{2.2} \approx 0.110[/math]
• P₃ (Sviluppo Mercato): [math](70/300)^{2.0} \approx (0.2333)^2 \approx 0.0544[/math]
• P₄ (Diversificazione): [math](50/300)^{1.5} \approx (0.1667)^{1.5} \approx 0.0680[/math]

Ordine per probabilità decrescente: 1 (11.45%), 2 (11.0%), 4 (6.8%), 3 (5.44%).

💡 Osservazione: Nonostante la media simile, Penetrazione e Sviluppo Prodotto dominano la probabilità di ricavi alti. La Diversificazione ([math]\alpha=1.5[/math]) ha una coda più pesante rispetto a Sviluppo Mercato ([math]\alpha=2.0[/math]), risultando in una probabilità [math]P(X>300)[/math] più alta, nonostante [math]x_m[/math] e [math]\mu[/math] siano più bassi.

L’Angolo dello Stratega:

Cacciatori di “Home Run”: Qui sta il paradosso. Se il vostro KPI è la “stabilità e media alta”, rimanete nella Penetrazione o Sviluppo Prodotto. Ma se siete una startup o cercate una crescita esponenziale, la Diversificazione è più attraente nonostante la media più bassa.

Perché? Perché ha la “coda” più lunga (P(X>300) è più alta rispetto allo Sviluppo Mercato).

In termini di Venture Capital: state cercando rendimenti sicuri (Media) o il prossimo unicorno (Coda)?

Domanda di riflessione: Perché, nonostante la media più bassa, la diversificazione ha probabilità maggiore di superare 300 € rispetto allo sviluppo mercato?

---

ESERCIZIO 6 – Massimizzazione del ricavo in strategia di diversificazione (avanzato)

Testo: GammaTech nel quadrante diversificazione deve decidere tra due prodotti A e B. I ricavi per cliente per A seguono Pareto([math]x_m=60, \alpha=1.7[/math]), per B Pareto([math]x_m=40, \alpha=1.3[/math]). L’azienda vuole massimizzare la probabilità di avere ricavi per cliente superiori a 500 €. Quale scegliere? Inoltre, determina il valore [math]S[/math] soglia tale che per obiettivi superiori a [math]S[/math] conviene B, per obiettivi inferiori conviene A.

Risoluzione:

Passo 1 – Probabilità per A e B di superare [math]500€[/math]

• Per A:
  [math]P_A = (60/500)^{1.7} = (0.12)^{1.7} \approx 0.0272 \quad (2.72\%)[/math]
• Per B:
  [math]P_B = (40/500)^{1.3} = (0.08)^{1.3} \approx 0.0375 \quad (3.75\%)[/math]

Conclusione: Per un obiettivo alto ([math]500€[/math]), **conviene B** ([math]3.75\% > 2.72\%[/math]).

Passo 2 – Trovare la soglia [math]S[/math] (P(X>S) è la stessa)

Si cerca [math]S[/math] tale che [math](60/S)^{1.7} = (40/S)^{1.3}[/math]. Prendendo i logaritmi naturali:

[math]\displaystyle \begin{aligned}
1.7(\ln 60 – \ln S) &= 1.3(\ln 40 – \ln S) \\
1.7 \ln 60 – 1.7 \ln S &= 1.3 \ln 40 – 1.3 \ln S \\
1.7 \ln 60 – 1.3 \ln 40 &= 0.4 \ln S \\
6.9603 – 4.7956 &\approx 0.4 \ln S \\
2.1647 &= 0.4 \ln S \\
\ln S &\approx 5.41175 \\
S &\approx e^{5.41175} \approx 224.1€
\end{aligned}[/math]

Interpretazione: Per obiettivi di ricavo [math]S > 224.1€[/math], il prodotto B (con [math]\alpha[/math] più piccolo) è più probabile. Per obiettivi [math]S < 224.1€[/math], è più probabile il prodotto A.

💡 Osservazione: Il prodotto con [math]\alpha[/math] più piccolo ([math]B, \alpha=1.3[/math]) ha la coda più pesante. Per obiettivi molto ambiziosi (coda estrema), conviene investire nel prodotto con la coda più pesante, anche se [math]x_m[/math] è più basso.

L’Angolo dello Stratega:

La soglia dell’ambizione: Questo calcolo definisce la vostra “fame”. Il prodotto B ha un “floor” più basso (40€ vs 60€), quindi è più rischioso sui piccoli numeri. Ma ha un α molto più basso (1.3 vs 1.7), il che significa che “scala” meglio.

Se il vostro obiettivo è semplicemente coprire i costi (es. target 100€), scegliete A. Se volete dominare il mercato (target 500€+), dovete scegliere B. Matematicamente, la prudenza (A) è nemica dell’eccellenza (B) quando si punta a numeri molto alti.

Domanda di riflessione: Perché [math]\alpha[/math] più piccolo dà coda più pesante? Come si collega alla strategia di diversificazione di Ansoff (rischio/rendimento)?

---

RISPOSTE ALLE DOMANDE DI RIFLESSIONE