OpenPLS
IT
Inizia gratis
PLS-SEM · Engine open-source

Modellazione di equazioni strutturali.
Finalmente moderna.

La piattaforma aperta per i modelli di equazioni strutturali: editor visuale dei path, la pipeline PLS-SEM completa e report pronti per la pubblicazione. Direttamente nel browser. Oppure self-hosted, quando i tuoi dati sono sensibili.

Inizia gratis Come funziona

Nessuna configurazione, nessuna carta di credito · Engine open-source · Validato rispetto a valori di riferimento consolidati

Anteprima live

Un modello reale, calcolato per intero.

Ecco cosa restituisce openpls-engine per una piccola catena Qualità → Soddisfazione → Lealtà. Percorsi, R², HTMT e IC bootstrap in un'unica vista.

Project › ECSI Demo › Results

Campione di customer satisfaction ECSI (n = 250), 5 000 ricampionamenti bootstrap. Riproducibile nel progetto demo.

Funzionalità

Tutto ciò che serve per fare PLS-SEM sul serio.

Statistica consolidata, strumenti moderni, standard aperti.

Editor visuale

Variabili latenti, indicatori, path tramite drag & drop. Niente YAML, niente codice, niente attriti.

Pipeline PLS-SEM completa

Loading, pesi, coefficienti di path, R², GoF, validati rispetto a valori di riferimento consolidati della letteratura PLS-SEM.

Report curati

PDF, XLSX, LaTeX e un bundle JSON pronto per la pubblicazione, da inserire direttamente nel tuo paper. Tabelle, grafici, sezione metodologica, ognuno a un clic.

Self-host per dati sensibili

Immagine Docker per la didattica, l'ambito clinico e l'enterprise. I tuoi dati non lasciano mai la tua rete.

Formati di esportazione aperti

Modelli, pesi e report in standard aperti (JSON, CSV, LaTeX). Migra dentro e fuori da altri tool PLS, senza lock-in.

Team e versioning

Co-autori, revisori e confronto tra versioni per i gruppi di ricerca. Senza interminabili thread email.

Analisi avanzate Nuovo

Oltre la pipeline standard.

Dieci analisi PLS-SEM moderne, con un clic nello stesso editor, senza un secondo strumento.

Quantifica l'incertezza degli effetti e trasforma il modello in previsioni out-of-sample.

Results › IPMA
Performance Importance Service (priority) Pricing (keep) Brand (low prio) Convenience

  • IPMA

    Importance-Performance Map: mostra quali costrutti sono molto importanti e al tempo stesso poco performanti. Priorità di management a colpo d'occhio.

  • PLSpredict

    Valutazione out-of-sample con cross-validation k-fold e il pannello completo di Shmueli: RMSE, MAE e MAPE rispetto a un benchmark lineare, oltre a una tabella di fit in-sample per inquadrare i risultati.

  • Effetti indiretti specifici

    Ogni catena di mediazione del tuo modello con stime puntuali e intervalli di confidenza bootstrap, valori t e valori p. Basta riportare solo l'effetto indiretto totale.

  • FIMIX-PLS

    La segmentazione a mistura finita fa emergere sottogruppi non osservati nel tuo campione. Rende visibili gli effetti eterogenei.

Metodi, visualizzati

Ecco come appaiono davvero gli output.

Quattro esempi di ciò che OpenPLS produce per le tue analisi. Direttamente dai pannelli esplicativi dell'app.

Results › Bootstrap
0.32 β̂ ≈ 0.40 0.48 5 000 resamples, 95 % CI
01

Distribuzione Bootstrap

5.000 ricampionamenti, stima puntuale e CI al 95 %. Così appare l'incertezza attorno a un coefficiente di percorso.

Results › IPMA
Performance Importance Service (priority) Pricing (keep) Brand (low prio) Convenience
02

Mappa importanza-performance

Quali costrutti sono importanti e sotto-performano? Una vista a quattro quadranti per definire le priorità manageriali.

Results › FIMIX-PLS
Segment 1 (60 %) Segment 2 (40 %)
03

Segmentazione FIMIX

Individua sottogruppi non osservati. Porta alla luce gli effetti eterogenei prima che distorcano i tuoi risultati.

Results › Moderation
β = 0.25 β = 0.40 β = 0.55 Trust Loyalty
04

Simple Slopes

Come cambia un coefficiente di percorso con moderatore basso, medio e alto? Tre linee dicono più di un singolo p-value.

Workflow

Quattro passaggi dai dati al modello.

  1. 01

    Carica i dati

    CSV, XLSX, SPSS o Stata: leggiamo qualunque formato tu abbia.

  2. 02

    Disegna il modello

    Costrutti e path tramite drag & drop. Anteprima live della struttura del modello.

  3. 03

    Calcola

    Un clic. plspm calcola: loading, path, intervalli di confidenza Bootstrap.

  4. 04

    Esporta

    Report in PDF, tabelle in XLSX, modello in JSON o snippet LaTeX, tutto in formati aperti.

Per chi

Applicazioni concrete dal campo.

Il PLS-SEM si usa ovunque sia necessario stimare relazioni tra costrutti latenti non direttamente misurabili, dalle tesi di dottorato al reparto di ricerche di mercato di una Fortune 500.

Ricerca e didattica

Ricerca empirica senza ostacoli di licenza

Tesi di dottorato, submission su rivista e seminari: nessuna licenza commerciale, nessun account di laboratorio condiviso. Engine aperto, metodologia documentata, report riproducibili.

  • Modelli di accettazione (TAM / UTAUT) per l'adozione della health-IT
  • Qualità del servizio e fedeltà (ACSI / ECSI) nella ricerca sull'ospitalità
  • Modelli di reputazione e fiducia (Corporate Reputation Model)
Marketing e CX

Che cosa muove davvero i tuoi KPI cliente?

Invece di correlare singoli touchpoint, OpenPLS stima l'intero sistema simultaneamente. Vedi quale leva muove davvero fedeltà e NPS, e quale è solo rumore.

  • Modelli di driver di NPS e CSAT da dati di survey
  • Modelli di impatto del customer journey (Awareness → Trust → Conversion)
  • Studi di brand equity con indici formativi
Industria e operations

Rendi misurabili i driver latenti di processi complessi

OpenPLS è particolarmente efficace con N piccoli e molti indicatori, lo scenario tipico delle survey su dipendenti, fornitori e innovazione.

  • Engagement dei dipendenti e cultura della sicurezza (safety-climate models)
  • Performance dei fornitori e resilienza della supply chain
  • Capacità innovativa (absorptive capacity, dynamic capabilities)
Sanità e settore pubblico

Dati sensibili, metodologia chiara

Il self-host come container Docker mantiene i dati di pazienti e dipendenti dentro la tua rete. Metodologicamente identico alla versione cloud, documentato per i comitati etici.

  • Modelli di patient-reported outcome in riabilitazione e cura
  • Adozione di offerte di salute digitale (DTx, telemedicina)
  • Modelli di fiducia del cittadino per iniziative di e-government
Case study

Riproducibili in 60 secondi.

Quattro modelli PLS-SEM pubblicati, disponibili come clone con un clic nel tuo workspace OpenPLS. Ogni caso include dati originali sintetici, la definizione completa del path e metriche chiave riproducibili.

ECSI

European Customer Satisfaction Index

Customer Experience

Sei costrutti riflessivi (Image → Expectations → Quality → Value → Satisfaction → Loyalty), il modello canonico della ricerca di service marketing.

N
250
LVs
6
R²(SAT)
0.71

Fornell et al. (1996)

Apri il case study
UTAUT2 + Trust

Accettazione e-commerce con fiducia

Marketing / E-commerce

Performance expectancy, effort expectancy, influenza sociale e fiducia spiegano l’intenzione d’acquisto e l’uso effettivo. Sono incluse variabili sociodemografiche per la multi-group analysis.

N
400
LVs
6
MGA
Age · Device

Venkatesh et al. (2012)

Apri il case study
JD-R

Engagement dei dipendenti (Job Demands-Resources)

HR / Comportamento organizzativo

Job demands e job resources agiscono su soddisfazione e performance attraverso l’engagement. Un modello mediatore classico con cinque costrutti.

N
350
LVs
5
R²(JP)
0.40

Bakker & Demerouti (2017)

Apri il case study
TAM + Privacy

Adozione di app sanitarie digitali

Sanità / mHealth

PEOU, utilità percepita, health consciousness e rischio di privacy determinano atteggiamento e intenzione comportamentale. Il path negativo della privacy è un ottimo esempio di effect size f².

N
380
LVs
6
Effect
PR → BI negative

Davis (1989); Sun et al. (2013)

Apri il case study

Per clonare serve un account OpenPLS gratuito.

Open Source

Un engine che hai il diritto di ispezionare.

Revisori e commissioni di dottorato vogliono sapere esattamente come sono stati prodotti i tuoi numeri. Con OpenPLS la risposta è semplice: ecco il codice.

Engine su GitHub Basi scientifiche

L'engine è Open Source

Il motore di calcolo (loading, path, Bootstrap, fit) è aperto: GPL-3.0, riproducibile, verificabile. Nessun vendor lock-in per la tua sezione metodologica.

Esteso costantemente

IPMA, PLSpredict, moderazione, segmentazione FIMIX e gli schemi di inner weighting Newton e PCA sono in produzione. Ogni estensione arriva prima nell'engine, poi nell'app.

Validato rispetto a riferimenti

Una matrice crescente di modelli di esempio viene verificata rispetto a valori di riferimento consolidati della letteratura PLS-SEM: loading, path, R², SRMR. Lo stato per ogni caso è pubblico.

Basi scientifiche

Metodologicamente fondato su due decenni di ricerca PLS-SEM.

OpenPLS implementa gli standard che la comunità PLS-SEM ha condiviso per due decenni: da Wold e Lohmöller passando per Tenenhaus fino a Hair, Henseler, Sarstedt e Ringle. I metodi sono documentati, le fonti tracciabili.

Vedi tutti i riferimenti
  • Hair, Hult, Ringle & Sarstedt
    A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM)
    Sage Publications, 3rd ed., 2022
  • Henseler, Ringle & Sarstedt
    A new criterion for assessing discriminant validity in variance-based SEM (HTMT)
    Journal of the Academy of Marketing Science, 2015
  • Tenenhaus, Vinzi, Chatelin & Lauro
    PLS path modeling, including the GoF index
    Computational Statistics & Data Analysis, 2005
Prezzi

Aperto oggi. Aperto per sempre.

L’app web è gratuita. Il motore è open source con licenza GPL-3.0 e resterà sempre tale.

Cloud
Gratis

Tutto ciò che serve per la tua ricerca. Ospitato da noi.

  • Modelli e dataset illimitati
  • Tutti i report e gli export
  • Editor visuale dei path
  • Confronto tra versioni
Inizia gratis
Self-host
$0 GPL-3.0

Engine come container Docker e libreria Python. Sul tuo server, dentro la tua rete.

  • Funzionalità completa dell'engine offline
  • CLI e API Python
  • Sovranità dei dati per clinica e industria
  • Supporto della community su GitHub
Engine su GitHub
Consulting
Su richiesta Custom

Personalizzazioni, formazione e consulenza metodologica per gruppi di ricerca.

  • Coaching metodologico
  • Modelli e plugin personalizzati
  • Workshop on-site
  • Supporto prioritario
Prenota una call