Prévia do material em texto
ANÁLISE DOS EFEITOS DA PANDEMIA DA COVID-19 NO E-COMMERCE Camila Araujo Vidal Projeto de Graduação apresentado ao Curso de Engenharia de Produção da Escola Politécnica, Universidade Federal do Rio de Janeiro, como parte dos requisitos necessários à obtenção do título de Engenheiro. Orientador: José Roberto Ribas, D.Sc. Rio de Janeiro Outubro de 2021 ANÁLISE DOS EFEITOS DA PANDEMIA DA COVID-19 NO E-COMMERCE Camila Araujo Vidal PROJETO DE GRADUAÇÃO SUBMETIDO AO CORPO DOCENTE DO CURSO DE ENGENHARIA DE PRODUÇÃO DA ESCOLA POLITÉCNICA DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE ENGENHEIRO DE PRODUÇÃO Examinado por: ________________________________________________ Prof. José Roberto Ribas, D.Sc. ________________________________________________ Prof.ª Maria Alice Ferruccio da Rocha, D.Sc. ________________________________________________ Prof. Édison Renato Pereira da Silva, DSc. Rio de Janeiro Outubro de 2021 Vidal, Camila Araujo Análise dos efeitos da pandemia da Covid-19 no e- commerce / Camila Araujo Vidal – Rio de Janeiro: UFRJ/ ESCOLA POLITÉCNICA, 2021. XIV, 98 p.: il.; 29,7 cm. Orientador: José Roberto Ribas Projeto de Graduação – UFRJ/ Escola Politécnica/ Curso de Engenharia de Produção, 2021. Referências Bibliográficas: p. 76-83 1. E-commerce. 2. Pandemia da Covid-19. 3. Modelagem de Equações Estruturais. 4. Risco percebido. 5. Intenção de compra. 6. Distanciamento social. 7. ARIMA. I. Ribas, José Roberto. II. Universidade Federal do Rio de Janeiro, UFRJ, Curso de Engenharia de Produção. III. Análise dos efeitos da pandemia da Covid-19 no e- commerce. AGRADECIMENTOS Agradeço à minha família – em especial, aos meus pais, Valéria e José, e ao meu irmão, Rafael – pelo apoio e carinho incondicionais ao longo de toda minha trajetória. Obrigada por estarem sempre presentes, nos desafios e nas conquistas. Aos meus queridos avós, pelo amor e pela experiência transmitida. Ao Sávio, meu namorado, pelo companheirismo e por ser fonte de alegria ao longo desses cinco anos. Ao meu orientador, Professor José Roberto Ribas, pelo entusiasmo e por todos os ensinamentos durante este projeto. Sou grata pela oportunidade de ter cursado várias de suas disciplinas, que foram essenciais para meu crescimento. Ao Professor Édison Renato, pelas orientações e pela monitoria de Engenharia de Métodos, determinantes para adquirir confiança em minhas escolhas profissionais. A todos os professores da Engenharia de Produção e a toda a UFRJ, pelo compromisso com o ensino de excelência ao longo desses anos e pelo esforço em ministrar aulas durante a pandemia da Covid-19. À Garagem Get Up e ao Alpi, pela oportunidade de trabalhar com pessoas tão especiais, dentre elas, Eduardo, Flórido, Vinícius, Lourenço e Jessika. Aos amigos da faculdade, Rafael, João Nunes, Lucca, Vianna, Vinícius, Thiago, Bia, Philippe e Fernando, por todo o aprendizado e o tempo que passamos juntos. Aos amigos – Luiza, Victória, Ana Laura, Andressa, Mateus, Arthur, Nataly, Poliana, Felipe, Luis e Saulo – pelo apoio e carinho de sempre. À VTEX e aos colegas de trabalho, pela oportunidade ímpar de enfrentar novos desafios e complementar minha formação profissional. Resumo do Projeto de Graduação apresentado à Escola Politécnica/ UFRJ como parte dos requisitos necessários para a obtenção do grau de Engenheiro de Produção ANÁLISE DOS EFEITOS DA PANDEMIA DA COVID-19 NO E-COMMERCE Camila Araujo Vidal Outubro de 2021 Orientador: José Roberto Ribas Curso: Engenharia de Produção O ano de 2020 foi marcado pelo surgimento de uma enfermidade sem precedentes, que transformou o modo de vida das pessoas. A pandemia da Covid-19, causada pelo vírus SARS- CoV-2, cuja transmissão se dá através de gotículas de saliva, espirro, tosse e aerossóis, já pode ser considerada uma tragédia humanitária, uma vez que levou à morte de milhões de pessoas. O isolamento social, medida orientada pela Organização Mundial da Saúde (OMS) como forma de conter a disseminação do vírus, trouxe incertezas em relação ao futuro do varejo físico e digital. O presente estudo visa a analisar a evolução do comércio eletrônico e seus impactos econômicos em função da pandemia, segundo perspectivas de consumidores e de empresas. Para tal análise, será realizada uma pesquisa de cunho bibliográfico, tendo como base artigos, revistas científicas e periódicos. Também serão utilizadas técnicas ARIMA de previsão de séries temporais na série histórica da receita líquida da Amazon, bem como a técnica de Modelagem de Equações Estruturais (MEE) na avaliação de um conjunto de variáveis comportamentais, a partir de dados de uma pesquisa realizada através da internet com potenciais consumidores de e-commerce residentes no estado do Rio de Janeiro. O modelo testado tem o propósito de avaliar a intenção de comprar on-line relacionada à variável exógena “risco percebido” e algumas outras variáveis latentes de mediação durante a pandemia de Covid-19. A validação dos referidos fatores será feita por meio de Análise Fatorial confirmatória. Palavras-chave: e-commerce, pandemia, Covid-19, Modelagem de Equações Estruturais, risco percebido, intenção de compra, distanciamento social, ARIMA. Abstract of Undergraduate Project presented to POLI/ UFRJ as a partial fulfillment of the requirements for the degree of Industrial Engineer. ANALYSIS OF THE EFFECTS OF THE COVID-19 PANDEMIC ON E-COMMERCE Camila Araujo Vidal October 2021 Advisor: José Roberto Ribas Course: Industrial Engineering The year of 2020 was marked by the emergence of an unprecedented disease that transformed people's way of life. The Covid-19 pandemic, caused by the SARS-CoV-2 virus, transmitted through droplets of saliva, sneezing, coughing, and aerosols, can already be considered a humanitarian tragedy, as it has led to the death of millions of people. Social isolation, a measure suggested by the World Health Organization (WHO) as a way to contain the spread of the virus, brought uncertainties about the future of physical and digital retail. This study aims to analyze the evolution of electronic commerce and its economic impacts as a result of the pandemic, from the perspectives of both consumers and businesses. For such analysis, bibliographic research will be carried out, based on articles, scientific journals, and periodicals. ARIMA techniques for forecasting time series will also be used in the historical series of Amazon's net revenue. Finally, the Structural Equation Modeling (SEM) technique will be applied in the evaluation of a set of behavioral variables, based on data from an internet survey with potential e-commerce consumers residing in the state of Rio de Janeiro. The tested model has the goal of assessing the intention of buying online related to the exogenous “perceived risk” variable and some other latent mediation variables during the Covid-19 pandemic. The validation of these factors will be done through Confirmatory Factor Analysis. Keywords: e-commerce, pandemic, Covid-19, Structural Equation Modeling, perceived risk, intention of buying, social isolation, ARIMA. LISTA DE FIGURAS Figura 1: Evolução da indústria de varejo. ............................................................................... 19 Figura 2: Fluxograma da metodologia proposta. ...................................................................... 24 Figura 3: Esquema da Teoria da Ação Racional (TRA). .......................................................... 33 Figura 4: Esquema da Teoria do Comportamento Planejado (TCP). .......................................34 Figura 5: Ilustração do conceito de "diferenciação". ................................................................ 36 Figura 6: Quadro teórico do modelo elaborado. ....................................................................... 46 Figura 7: Modelo estrutural proposto. ...................................................................................... 61 Figura 8: Categorias de produtos comprados on-line durante a pandemia da Covid-19. ......... 72 LISTA DE GRÁFICOS Gráfico 1: Vendas do e-commerce no Brasil em bilhões de reais por ano de 2011 a 2020. .... 27 Gráfico 2: Total de consumidores de e-commerce no Brasil em milhões de 2013 a 2020. ..... 27 Gráfico 3: Receita líquida da Amazon do 1º trimestre de 2007 ao 4º trimestre de 2020, em bilhões de dólares norte-americanos......................................................................................... 39 Gráfico 4: Decomposição da série temporal da receita líquida da Amazon ............................. 40 Gráfico 5: Previsão da receita líquida da Amazon nos quatro trimestres de 2020 (em bilhões de dólares norte-americanos)......................................................................................................... 42 Gráfico 6: Valor da ação da Amazon entre outubro de 2016 e setembro de 2021. .................. 43 LISTA DE TABELAS Tabela 1: As dez marcas mais valiosas do mundo em 2021. ................................................... 35 Tabela 2: Receita líquida da Amazon nos quatro trimestres de 2020. ..................................... 41 Tabela 3: Receita líquida real e prevista da Amazon nos quatro trimestres de 2020 ............... 41 Tabela 4: Matriz de correlações das variáveis observadas – Parte 1 ........................................ 53 Tabela 5: Matriz de correlações das variáveis observadas – Parte 2 ........................................ 54 Tabela 6: Variância total explicada – Autovalores iniciais. ..................................................... 55 Tabela 7: Matriz de componente gerada a partir da Análise dos Componentes Principais...... 56 Tabela 8: Matriz de componente rotativa com sinalizações das maiores cargas por variável observada. ................................................................................................................................. 57 Tabela 9: Comunalidades por variável observada. ................................................................... 59 Tabela 10: Alfa de Cronbach por construto.............................................................................. 59 Tabela 11: Principais índices de adequação do modelo ........................................................... 62 Tabela 12: Significância das estimativas de carga das variáveis latentes e observadas. .......... 64 Tabela 13: Significância das estimativas de carga dos termos de erro. .................................... 64 Tabela 14: Perfil dos respondentes ........................................................................................... 70 Tabela 15: Comportamento de compra on-line ........................................................................ 71 Tabela 16: Categorias de produtos comprados on-line durante a pandemia da Covid-19 ....... 72 LISTA DE QUADROS Quadro 1: Tipos de transações do comércio eletrônico ............................................................ 17 Quadro 2: Formulação das hipóteses. ....................................................................................... 50 Quadro 3: Itens do construto Risco Percebido (RP). ................................................................ 50 Quadro 4: Itens do construto Atitude de Prevenção (AP). ....................................................... 51 Quadro 5: Itens do construto Norma Subjetiva (NS). .............................................................. 51 Quadro 6: Itens do construto Utilidade Percebida (UP). .......................................................... 52 Quadro 7: Itens do construto Intenção de Comprar On-line (IC). ............................................ 52 LISTA DE ABREVIATURAS E SIGLAS ACAPS Assessment Capacities Project ADF Dickey-Fuller Aumentado AIC Critério de Informação de Akaike ARIMA Autorregressivo Integrado de Médias Móveis AWS Amazon Web Services B2B Business-to-Business B2C Business-to-Consumer B2G Business-to-Government CAGR Taxa de Crescimento Anual Composta CAPES Coordenação de Aperfeiçoamento de Pessoal de Nível Superior C2B Consumer-to-Business C2C Consumer-to-Consumer C2G Consumer-to-Government EARQM Erro de Aproximação da Raiz Quadrada da Média ECR Efficient Consumer Response EC2 Elastic Compute Cloud EDI Electronic Data Interchange EQM Erro Quadrático Médio FAC Função de Autocorrelação FACP Função de Autocorrelação Parcial G2B Government-to-Business G2C Government-to-Consumer G2G Government-to-Government IoT Internet of Things (Internet das Coisas) MEE Modelagem de Equações Estruturais OMS Organização Mundial da Saúde OPAS Organização Pan-Americana da Saúde PIB Produto Interno Bruto REQM Raiz do Erro Quadrático Médio SARIMA Sazonal Autorregressivo Integrado de Médias Móveis SBVC Sociedade Brasileira de Varejo e Consumo S3 Simple Storage Service TCP Teoria do Comportamento Planejado TRA Teoria da Ação Racional SUMÁRIO 1. INTRODUÇÃO ............................................................................................................... 15 1.1. APRESENTAÇÃO DO TEMA ................................................................................. 15 1.1.1. E-commerce ....................................................................................................... 15 1.1.1.1. História do Comércio .................................................................................. 15 1.1.1.2. Conceitos Fundamentais ............................................................................. 16 1.1.1.3. Tendências do E-commerce ........................................................................ 20 1.1.2. Pandemia da Covid-19 ..................................................................................... 21 1.2. OBJETIVOS .............................................................................................................. 23 1.2.1. Objetivo Geral .................................................................................................. 23 1.2.2. Objetivos Específicos ........................................................................................ 23 1.3. METODOLOGIA ...................................................................................................... 24 1.3.1. Estudo Bibliográfico ......................................................................................... 24 1.3.2. Modelos de Previsão Autorregressivos ........................................................... 25 1.3.3. Validação Empírica .......................................................................................... 25 1.3.4. Modelagem de Equações Estruturais ............................................................. 25 1.4. ÂMBITO E JUSTIFICATIVA DO ESTUDO ........................................................... 26 1.5. LIMITAÇÕES ........................................................................................................... 28 1.6. ESTRUTURAÇÃO DO TRABALHO ...................................................................... 28 2. REFERENCIAL TEÓRICO .......................................................................................... 30 2.1. MEDIDAS ADOTADAS PELAS EMPRESAS PARA LIDAR COM OS IMPACTOS DA PANDEMIA ................................................................................................................... 30 2.2. MUDANÇAS NO COMPORTAMENTO DO CONSUMIDOR DEVIDO À PANDEMIA .........................................................................................................................31 2.3. APLICAÇÕES DA MODELAGEM DE EQUAÇÕES ESTRUTURAIS NO CONTEXTO DA PANDEMIA ............................................................................................ 33 3. INFLUÊNCIA DA PANDEMIA NO E-COMMERCE NA ÓTICA DA AMAZON . 35 3.1. MODELO DE MÉDIA MÓVEL SAZONAL AUTORREGRESSIVA INTEGRADA (SARIMA) ............................................................................................................................ 35 3.1.1. Análise do Crescimento da Amazon ............................................................... 38 4. INFLUÊNCIA DA PANDEMIA NO E-COMMERCE NA ÓTICA DO CONSUMIDOR ...................................................................................................................... 44 4.1. MODELAGEM DE EQUAÇÕES ESTRUTURAIS (MEE) ..................................... 45 4.1.1. Definição dos Construtos ................................................................................. 45 4.1.1.1. Risco Percebido ........................................................................................... 46 4.1.1.2. Atitude de Prevenção .................................................................................. 47 4.1.1.3. Norma Subjetiva .......................................................................................... 48 4.1.1.4. Utilidade Percebida ..................................................................................... 49 4.1.1.5. Intenção de Comprar On-line ...................................................................... 49 4.1.1.6. Formulação de Hipóteses ............................................................................ 49 4.1.2. Análise Confirmatória ...................................................................................... 52 4.1.3. Especificação do Modelo Estrutural ............................................................... 60 4.1.4. Avaliação da Validade do Modelo ................................................................... 61 4.1.5. Análise dos Resultados e Conclusões .............................................................. 65 4.1.5.1. Análise da Hipótese 1 .................................................................................. 66 4.1.5.2. Análise da Hipótese 2 .................................................................................. 66 4.1.5.3. Análise da Hipótese 3 .................................................................................. 67 4.1.5.4. Análise da Hipótese 4 .................................................................................. 68 4.1.5.5. Análise da Hipótese 5 .................................................................................. 68 4.1.5.6. Estatísticas Descritivas da Pesquisa ............................................................ 70 5. CONCLUSÃO ................................................................................................................. 74 REFERÊNCIAS BIBLIOGRÁFICAS ................................................................................. 76 APÊNDICE I – ITENS DO QUESTIONÁRIO ................................................................... 84 APÊNDICE II – RESPOSTAS DO QUESTIONÁRIO ...................................................... 92 ANEXO I – SÉRIE DA RECEITA LÍQUIDA DE VENDAS DA AMAZON ................... 98 15 1. INTRODUÇÃO Neste capítulo, será realizada uma contextualização do tema, de modo a destacar sua relevância e as principais motivações para a realização deste trabalho. Também serão expostos os objetivos gerais e específicos, as limitações do estudo e a metodologia utilizada. 1.1. APRESENTAÇÃO DO TEMA 1.1.1. E-commerce 1.1.1.1. História do Comércio A troca de bens existe desde os primórdios da civilização, entretanto, foi com o surgimento da moeda e das atividades de distribuição que o comércio passou a representar um vínculo efetivo entre a produção e o consumo. No Brasil, as primeiras formas de comércio surgiram no século XVI, sob a forma de escambo, quando a população local indígena foi utilizada como mão de obra para a extração de pau-brasil em troca de objetos europeus. Em seguida, o comércio passou a ser voltado para a exportação de açúcar, ouro e pedras preciosas. Com a vinda da família real portuguesa para o Brasil em 1808, o comércio dentro da colônia, que antes era voltado para a subsistência — com exceção das culturas de exportação — se ampliou, devido à vinda de comerciantes europeus para o Brasil. Com o processo de industrialização, que se intensificou a partir de 1880, e o avanço da urbanização, mais produtos passaram a ser comercializados. As mercadorias, inclusive, passaram a percorrer maiores distâncias, de modo que as vendas atendessem populações de outras regiões. Durante o período conhecido como “Milagre Econômico” no Brasil, no início dos anos de 1970, surgiram os primeiros hipermercados, que comercializavam alimentos, eletrodomésticos, entre outros artigos (VAROTTO, 2006). Nos anos 1990, houve a introdução de conceitos como EDI (Electronic Data Interchange), ECR (Efficient Consumer Response) e códigos de barras, que permitiram a automatização de processos nas lojas. Com o advento da internet, foram criadas as primeiras lojas on-line, que permitiram que as pessoas realizassem compras por meio de um computador e recebessem os produtos em casa. Desde então, a internet mudou a maneira como indivíduos 16 e empresas compartilham informações, como compram e como vendem (DAMANPOUR, 2001). De acordo com o editor chefe do International Journal of Electronic Commerce, Vladmir Zwass (2015), o e-commerce consiste em utilizar redes de telecomunicações para compartilhar informações, manter relacionamentos e realizar transações. O e-commerce representa a atividade econômica de compra e venda de produtos e serviços por meio de plataformas on-line, além da transferência de dinheiro e informações para executar as transações (PANTELIMON, 2020). De modo geral, uma plataforma de e-commerce permite que o cliente realize buscas por produtos, bem como navegue pelo catálogo, visualize imagens, especificações e preços dos produtos. Além disso, também é possível escolher diferentes locais para receber ou retirar o pedido, bem como selecionar o método de pagamento mais conveniente (SANTHI, 2018). Pode-se dizer que existem diversos benefícios e desafios advindos do uso do e- commerce, tanto para as empresas quanto para os consumidores. Dentre os benefícios para as empresas, pode-se citar: a ausência de restrições de horários para realização das vendas, dado que, a qualquer momento, é possível estabelecer contato com clientes e fornecedores; a facilidade de personalizar os produtos conforme as necessidades do cliente, que podem ser informadas de forma on-line; e a criação de um mercado praticamente sem fronteiras, dado que os produtos podem ser enviados para outras cidades, estados e países. Dentre os desafios do e-commerce para as empresas, pode-se citar: a competição com concorrentes nacionais e internacionais; a preocupação com a segurança, uma vez que hackers, por vezes, atacam sites e consumidores; e o fato de a tecnologia estar em rápida evolução, pressionando as empresas a inovar para não se tornarem obsoletas (TASSABEHJI, 2003). Dentre os benefícios para consumidores, pode-se citar: a variedade de produtos disponíveis; a possibilidade de fácil comparação de itens de diferentes marcas e modelos; e a conveniência de realizar compras a qualquer momento e de qualquer lugar. Quanto às principais limitações, na ótica de consumidores, destacam-se a impossibilidade da verificação física quanto à qualidade do produto e a indisponibilidade de obter o produto no momento imediato após a compra (SANTHI, 2018). 1.1.1.2. Conceitos Fundamentais Nota-se também que o varejo tem se tornado cada vez mais complexo do que uma simples relação cliente-loja. Dito isso, o e-commercepode ser classificado conforme os agentes 17 envolvidos nas relações de comércio, entre eles: empresas, consumidores, indústrias e até mesmo o governo (COELHO et al., 2013). A classificação resumida no Quadro 1 identifica os possíveis relacionamentos de e- commerce com base na parte que inicia a transação e na parte que aceita a transação. Acrônimo Nome Descrição B2B Business-to-business Transações entre empresas B2C / C2B Business-to-consumer/ Consumer- to-business Transações entre empresa e consumidor final C2C Consumer-to-consumer Transações entre consumidores finais G2C / C2G Government-to-consumer/ Consumer-to-government Transações entre governo e consumidores finais B2G / G2B Business-to-government/ Government-to-business Transações entre governo e empresas G2G Government-to-government Transações entre departamentos do governo Quadro 1: Tipos de transações do comércio eletrônico Fonte: Adaptado de Coelho et al. (2013) Dentre as categorias acima, as que são mais comuns são: B2B (Business-to-business), B2C (Business-to-consumer) e C2C (Consumer-to-consumer), sendo o grande destaque o modelo B2C (COELHO et al., 2013). Business-to-consumer (B2C) descreve as atividades de comércio de produtos e serviços entre empresas e consumidores (NEMAT, 2011). Alguns exemplos de empresas relevantes da modalidade B2C são a Amazon, nos Estados Unidos, e a Alibaba, na China. Um exemplo de transação B2C consiste em um consumidor final comprar uma mercadoria de um varejista. Business-to-business (B2B) envolve as transações comerciais entre empresas. Um aspecto relevante dessa relação é que o volume das transações B2B é maior do que o volume das transações B2C. A principal razão para isso é que, em uma cadeia de suprimentos padrão, ocorrem transações entre empresas envolvendo subcomponentes do produto, enquanto, em uma transação B2C, ocorre a venda específica de um produto acabado ao cliente final. Por fim, outra modalidade comum é a Consumer-to-consumer (C2C), que envolve transações entre consumidores por meio de uma plataforma terceira. Normalmente, o intermediário da relação cobra uma taxa para conectar os consumidores e se isenta de verificar 18 a qualidade dos produtos oferecidos (NEMAT, 2011). Alguns exemplos desta modalidade de e-commerce são o Mercado Livre, o eBay e a OLX. Uma observação relevante é que há empresas que funcionam em um modelo híbrido, por exemplo, a Shopee, que começou principalmente com a modalidade C2C, mas depois adotou um modelo híbrido entre C2C e B2C. Vale ressaltar que, para que pessoas, empresas e governo possam vender e comprar produtos e serviços de forma on-line, existem empresas responsáveis por prover plataformas de e-commerce, tais como: VTEX, Shopify, Magento, Oracle Suite Commerce, WooCommerce, Salesforce Commerce Cloud, entre outras. Além dos tipos de e-commerce, é válido destacar também dois conceitos, cujas denominações serão mantidas originalmente na língua inglesa, que podem ser entendidos como capacidades de uma plataforma de e-commerce: os marketplaces e a estratégia omnichannel. Os marketplaces são plataformas nas quais os vendedores podem ser empresas ou pessoas físicas interessadas em vender produtos. Além de vender seus próprios produtos, o marketplace pode vender mercadorias de outras lojas, os sellers (HAGIU, 2015). De maneira simples, funcionam como “shopping centers virtuais”, nos quais lojistas de diferentes marcas podem vender os seus produtos. Dentre as vantagens de um marketplace, pode-se destacar, por parte dos sellers, a ampliação da atuação geográfica, o ganho de visibilidade dos produtos anunciados e a facilidade de aproveitar a estrutura tecnológica já existente dos marketplaces. Já os marketplaces podem trabalhar com produtos de diversas categorias, sem precisar restringir o portfólio a alguns segmentos, gerando mais tráfego para seu site. Alguns exemplos conhecidos são a Amazon, o Magazine Luiza e as Lojas Americanas. Sobre a integração do varejo físico e digital, pode-se dizer que ela revolucionou a forma como o negócio de e-commerce tradicional opera, trazendo mudanças fundamentais nas expectativas do consumidor e nos processos de tomada de decisão (MISHRA et al., 2020). A evolução da indústria do varejo se caracteriza pela transição entre diferentes estratégias: single-channel, multi-channel, cross-channel e omnichannel, como pode ser observado na Figura 1. 19 Figura 1: Evolução da indústria de varejo. Fonte: Talin (2021) O single-channel refere-se ao varejo através de um único canal, seja on-line, seja off- line, sem a coexistência entre diferentes canais. Com o desenvolvimento da internet e de outras tecnologias, o varejo passou a incluir outros canais, como o on-line e o mobile, e a operá-los como meios independentes, dando origem à estratégia multi-channel (BECK et al., 2015). A estratégia multi-channel significa dispor de mais de um canal independente para vender produtos e se relacionar com clientes. A abordagem cross-channel também possui vários canais de vendas. A diferença é que eles estão vinculados entre si. “Cross”, do inglês, significa “ultrapassar os limites de algo”. Assim, por exemplo, um cliente pode comprar um produto on-line e retirá-lo em uma loja física. O último estágio e, portanto, a melhor forma de explorar todos os canais de vendas e informações é a abordagem omnichannel. “Omni”, do latim, significa “tudo”, “todos”, “universal”. A estratégia omnichannel engloba "um conjunto de processos integrados e decisões que suportam uma visão unificada de uma marca a partir da compra, devolução e troca do produto, independentemente do canal (na loja física, on-line, mobile, call center ou via redes sociais)" (ABERDEEN GROUP, 2012, p. 1). A principal ideia é fazer com que o consumidor sequer perceba a diferença entre o universo on-line e off-line. Dentre as iniciativas que permitem melhorar a experiência de compra e a performance dos canais de venda e de entrega, pode-se citar: comprar on-line e retirar em uma loja física (denominada “ponto de retirada”, ou pick up point, na língua inglesa); comprar on-line e enviar os produtos do estoque de uma (ou mais) loja(s) para a casa do cliente; comprar na loja física e enviar os produtos (do centro de distribuição ou de outra loja) para a casa do cliente; comprar em uma loja física e retirar em outra loja física; realizar devoluções ou trocas através de diferentes canais; comprar e resgatar vales-presente nos diversos canais; além de uma marca 20 poder vender seus produtos através de marketplaces de terceiros, isto é, através de sites como o das Lojas Americanas e o do Magazine Luiza (FORRESTER RESEARCH, 2014). Assim, dado que podem existir diferentes canais de venda e de entrega, também é possível ter uma conta de cliente unificada e um histórico de pedidos em todos os canais. Quando um cliente estiver na loja física, o vendedor poderá acessar essas informações e conhecer as preferências do cliente, melhorando seu atendimento. Da mesma forma, no ambiente on-line, podem ser oferecidas ofertas personalizadas conforme o perfil de compra do cliente. Vale destacar também o conceito de “prateleira infinita”, que consiste na possibilidade de o consumidor comprar produtos na loja física, ainda que esses produtos não existam em seu estoque, recebendo-os em casa ou retirando-os em outra loja física. Com isso, aumenta-se a quantidade de itens disponíveis para a venda, sem necessariamente aumentar o estoque físico da loja. O omnichannel, portanto, consiste em integrar todos os canais e pontos de contato do cliente, independentemente de onde se encontre e de quando pretenda realizar as compras, em uma experiência unificada (MISHRA et al., 2020). O resultado é um processo de compra mais ágil, simplificado e que gera mais valor para o consumidor.1.1.1.3. Tendências do E-commerce Como observado no panorama histórico do comércio no Brasil na seção 1.1.1.1, o varejo no Brasil surgiu na época da colônia e foi, ao mesmo tempo, agente e paciente das mudanças que ocorreram ao longo da história, incorporando as influências da industrialização, urbanização e digitalização (VAROTTO, 2006). Sendo assim, o comércio acompanha as tendências globais, sendo influenciado pelas novas tecnologias que possibilitam melhores maneiras de comprar e vender. Dentre as principais tendências do e-commerce, destacam-se conceitos denominados originalmente na língua inglesa como Mobile Commerce, Conversational Commerce, Customer Analytics; assim como a Realidade Aumentada. O mobile commerce representa as atividades de compra e venda de produtos realizadas através de um dispositivo portátil, como um smartphone ou um tablet (PANTELIMON, 2020). O uso de smartphones aumentou de tal forma que, em janeiro de 2021, havia quase 4,66 bilhões de usuários de internet ao redor do mundo, o que corresponde a 59,5% da população mundial e, desse total, 92,6% (4,32 bilhões) acessam a internet via smartphones (STATISTA, 21 2021). Com isso, para se manterem competitivas, empresas de tecnologia devem se adaptar a essa tendência, a fim de melhorar a experiência de compra mobile (PANTELIMON, 2020). O Conversational Commerce refere-se à interseção de aplicativos de mensagens e compras, nos quais as lojas podem interagir com os clientes por meio de aplicativos de mensagens de texto ou de voz, como o Facebook Messenger e o Whatsapp, seja por interação entre humanos, seja através de bots1. Por meio desse recurso, clientes podem pedir ajuda, fazer perguntas, bem como obter recomendações personalizadas acerca dos produtos e serviços oferecidos pela empresa (PIYUSH, 2016). A Realidade Aumentada, denominada Augmented Reality na língua inglesa, refere-se à combinação de elementos do mundo real com informações geradas por computador, de forma que eles apareçam como um único ambiente na visão do usuário. Algumas marcas já utilizam essa tecnologia para possibilitar que consumidores possam experimentar roupas e acessórios virtualmente, bem como para verificar se móveis ou objetos combinam com a decoração de suas casas. Por fim, outra tendência é a de uma variável analítica dentro do conceito de Big Data, chamada Customer Analytics, que se refere à coleta de dados sobre o comportamento de compra do usuário, tanto no meio digital quanto físico, a fim de entender suas preferências e prover desde publicidade nas redes sociais até uma experiência de compra personalizada (KUMAR et al., 2016). 1.1.2. Pandemia da Covid-19 O mundo foi afetado por algumas pandemias nas últimas décadas, dentre elas, a “Gripe Espanhola” de 1918 a 1919, a “Gripe Asiática” de 1957 a 1958, a “Gripe de Hong Kong” em 1968, a “SARS-CoV-1” de 2002 a 2003 e a “Gripe Suína” de 2009 a 2010 (OMS, 2021). A pandemia do coronavírus “SARS-CoV-2”, iniciada em 2019, vem se somar a essa lista. A Covid-19 é uma doença infecciosa causada por um coronavírus recém-descoberto, SARS-CoV-2, identificado pela primeira vez em dezembro de 2019, em Wuhan, na China. Segundo dados da Organização Mundial da Saúde (OMS), às 07h11 (BRT – Horário de Brasília) de 4 de setembro de 2021, havia 219,4 milhões de casos confirmados de Covid-19 no mundo, incluindo 4,5 milhões de mortes, notificados à OMS. Além disso, até 3 de setembro de 1 Bots, uma abreviação de robots (robôs, em português), “são softwares desenvolvidos para simular a ação humana de forma padronizada e repetida na internet. Como um programa de computador, são utilizados por sites, plataformas e ferramentas para executar tarefas de maneira automatizada” (NEILPATEL, 2021). 22 2021, um total de 3,1 bilhões de pessoas no mundo foram vacinadas com pelo menos uma dose de alguma vacina específica para o novo vírus. Segundo a Organização Pan-Americana da Saúde (OPAS), as evidências disponíveis atualmente apontam que “o vírus causador da Covid-19 pode se espalhar por meio do contato direto, indireto (através de superfícies ou objetos contaminados) ou próximo (na faixa de um metro) com pessoas infectadas através da saliva e secreções respiratórias, que são expelidas quando uma pessoa tosse, espirra ou, simplesmente, fala” (OPAS, 2021). A doença causada pelo SARS-CoV-2 afeta as pessoas de diferentes maneiras. Entre os sintomas mais comuns, estão: febre, tosse e cansaço. Há, porém, sintomas menos comuns, tais como: dor de garganta, dor de cabeça e perda do paladar ou do olfato. Por fim, também foram verificados os sintomas mais graves, como: dificuldade em respirar ou falta de ar e dor ou pressão no peito. Idosos e aqueles com problemas médicos subjacentes, como doenças cardiovasculares, diabetes e doenças respiratórias crônicas, foram apontados como grupos mais suscetíveis a complicações da doença (OMS, 2021). Vale observar ainda que, em média, a partir do momento em que a pessoa é infectada pelo vírus, os sintomas aparecem entre cinco e seis dias, podendo levar até 14 dias. Em função desse retardo na manifestação dos sintomas e pelo fato de algumas pessoas contraírem a doença de forma assintomática, é difícil controlar sua transmissão. Dentre as principais instruções para prevenir e retardar a transmissão do vírus, estão: utilizar máscara, praticar o isolamento social, evitar aglomerações, higienizar as mãos com água e sabão ou com álcool em gel e evitar o contato com o rosto (OMS, 2021). Sobre o combate à pandemia, pode-se dizer que não houve uma resposta global uniforme. Cada governo tem enfrentado esse momento na medida de suas capacidades e conhecimentos. Como consequência disso, os países experimentaram distintas velocidades de contenção do vírus: alguns, com relativo sucesso, enquanto outros, com bastantes dificuldades (HOUVÈSSOU, 2021). O Assessment Capacities Project (ACAPS), projeto não governamental sem fins lucrativos que fornece análises humanitárias internacionais e independentes, divulgou, em 2020, um compilado das medidas tomadas por cada país a partir de fontes oficiais dos governos. Essas medidas foram divididas em cinco categorias (ACAPS, 2021): (i) restrição de movimento, como por exemplo: fechamento de fronteiras, suspensão de voos internacionais, restrições de viagens domésticas e toque de recolher; 23 (ii) medidas de saúde pública, tais como: testagem em massa da população, alterações nos regulamentos de funeral e sepultamento, instrução ou determinação da obrigatoriedade de usar máscara ao ter contato com outras pessoas; (iii) medidas socioeconômicas e de governança, a saber: limite para importações e exportações de produtos e estado de emergência declarado; (iv) distanciamento social, promovido por: estabelecimento de um limite de participantes em reuniões públicas, fechamento de empresas, serviços públicos e escolas; (v) e o confinamento parcial ou total da população (“lockdown”), sujeito a multas em caso de descumprimento. No caso do Brasil, o governo federal não adotou medidas de confinamento da população (“lockdown”) sujeito a multas em caso de descumprimento. Dentre algumas das medidas adotadas pelos governos dos estados, pode-se citar: a recomendação para quarentena da população; o incentivo à adoção de regimes remotos de trabalho (home office, na língua inglesa) e de atividades educacionais; o fechamento ou redução no horário de funcionamento de comércios, restaurantes, bares e academias; e restrições no funcionamento de transportes públicos. Com o tempo, essas medidas foram flexibilizadas, conforme a gravidade da situação em cada estado (SILVA et al., 2020). Devido a essas medidas, principalmente as de isolamento social, houve um aumento significativo no uso de tecnologias na economia e na sociedade (DANNENBERG, 2020). 1.2. OBJETIVOS 1.2.1. Objetivo GeralO objetivo geral do trabalho é compreender a influência no varejo digital das medidas de contenção da pandemia do coronavírus SARS-CoV-2. Serão levados em consideração dois enfoques. O primeiro deles é sobre o crescimento de uma empresa relevante no mercado mundial de e-commerce, a Amazon, e o segundo é sobre a intenção de compra on-line durante a pandemia da Covid-19 de um segmento específico de entrevistados, selecionados por amostragem de conveniência, residentes em alguns municípios do Rio de Janeiro. 1.2.2. Objetivos Específicos Os objetivos específicos deste estudo são: (1) definir o varejo digital (“e-commerce”) e suas múltiplas faces e agentes; 24 (2) quantificar os efeitos da pandemia da Covid-19 na receita de vendas de uma das maiores empresas globais de e-commerce, selecionada em termos de valor de mercado: a norte- americana Amazon; (3) compreender as formações de construtos e suas relações de causa, efeito e mediação, em um estudo do comportamento de compra do consumidor durante o período da pandemia da Covid-19. 1.3. METODOLOGIA A metodologia proposta consiste em quatro fases, como pode ser observado no fluxograma da Figura 2, que mostra o progresso ao longo dessas fases. Figura 2: Fluxograma da metodologia proposta. Fonte: Elaboração própria. 1.3.1. Estudo Bibliográfico A construção do referencial teórico apresentado neste estudo teve como base artigos, revistas científicas e periódicos extraídos da base de periódicos da CAPES, na base de publicações Web of Science. Estes materiais foram selecionados a partir de três palavras-chave: “e-commerce”, “comportamento do consumidor” e “Covid-19”, que foram escolhidas de forma a compreender como a pandemia da Covid-19 impactou o comportamento do consumidor e o e-commerce a nível global. 25 1.3.2. Modelos de Previsão Autorregressivos A partir de uma análise do valor de mercado de empresas globais relevantes, optou-se pela norte-americana Amazon. Em seguida, formulou-se a hipótese de que a pandemia da Covid-19 contribuiu para estimular o aumento nas vendas do e-commerce mundial. Assim, buscou-se prever, com base nos anos anteriores, qual teria sido o crescimento da Amazon em um cenário de ausência da pandemia e compará-lo com crescimento real durante esse período. Para isso, partiu-se da premissa de que técnicas de previsão são baseadas em dados do passado e assumiu-se que padrões identificados se repetirão no futuro (CORRÊA, 2007). Foi avaliado o modelo autorregressivo integrados de médias móveis (ARIMA), que explora a autocorrelação entre os valores da série temporal em intervalos sucessivos. Entretanto, como os dados estavam dispostos em trimestres e apresentaram sazonalidade, foi aplicado o modelo SARIMA, que leva em consideração séries que apresentam autocorrelação sazonal (ESPINOSA, 2010). 1.3.3. Validação Empírica Para a validação empírica, primeiramente, foram discutidas hipóteses acerca da intenção do uso do e-commerce por parte consumidor durante a pandemia da Covid-19. Em seguida, foi elaborada uma pesquisa confirmatória, buscando validar as hipóteses formuladas a partir da revisão da literatura e de estudos exploratórios previamente realizados. Seguindo o processo da pesquisa, os dados primários foram coletados no período de 11 de maio de 2021 a 20 de maio de 20201, através de um questionário on-line elaborado no Google Forms e divulgado para residentes do estado do Rio de Janeiro, localizado na região Sudeste do Brasil. 1.3.4. Modelagem de Equações Estruturais Comumente, pesquisadores precisam responder a um conjunto de questões inter- relacionadas, que não podem ser analisadas de forma única por uma técnica estatística clássica (MALHOTRA, 2012). No estudo em questão, busca-se entender que variáveis determinam a intenção de comprar on-line durante a pandemia da Covid-19, como o risco percebido por parte de uma pessoa influencia o consumo e como as opiniões de terceiros induzem essa decisão de compra. 26 Para responder tais perguntas de uma maneira integrada, será aplicada a técnica de Modelagem de Equações Estruturais (MEE) a partir de dados da pesquisa confirmatória realizada com possíveis consumidores de e-commerce, residentes no estado do Rio de Janeiro. O modelo testado tem o propósito de avaliar a intenção de comprar on-line relacionada à variável exógena “risco percebido” e a algumas outras variáveis latentes de mediação durante a pandemia de Covid-19. A validação dos referidos fatores será feita por meio de Análise Fatorial confirmatória. 1.4. ÂMBITO E JUSTIFICATIVA DO ESTUDO O ano de 2020 foi marcado por uma pandemia sem precedentes, que transformou o modo de vida das pessoas. A Covid-19, doença causada pelo vírus SARS-CoV-2, pode ser considerada “uma crise de saúde global diferente de qualquer outra nos 75 anos de história das Nações Unidas, que está espalhando o sofrimento humano, infectando a economia global e afetando a vida das pessoas. Uma recessão global - talvez de dimensões recordes - é quase certa”, segundo António Guterres, Secretário-Geral das Nações Unidas (ONU, 2020). Alguns governos ao redor do mundo definiram normas para suspender o comparecimento ao local de trabalho, às escolas e às universidades. Além disso, o comércio de produtos considerados não essenciais teve seu horário reduzido ou foi completamente interrompido, em função do “lockdown” decretado pelos governos. Assim, segundo a Sociedade Brasileira de Varejo e Consumo (SBVC), pode-se dizer que houve mudanças nas dinâmicas de oferta e demanda de produtos e serviços, por conta das restrições na circulação de pessoas e fechamento de lojas (SBVC, 2021). Além disso, a redução de contato físico entre pessoas conduziu a um significativo aumento do uso de tecnologia pela sociedade (DANNENBERG, 2020). Dessa forma, a pandemia da Covid-19 também trouxe incertezas em relação ao futuro do varejo físico e digital, fazendo com que fossem repensadas as formas de consumo e os canais de venda das empresas. Em 2020, o e-commerce mundial atingiu um faturamento de US$ 4,28 trilhões, o que representa um crescimento de 27,6% em relação a 2019 (EMARKETER, 2021). No que tange ao Brasil, o e-commerce brasileiro em 2020 avançou 41% em relação ao ano anterior e registrou faturamento de R$ 87,4 bilhões, como pode ser observado no Gráfico 1. O CAGR (taxa de crescimento anual composta) entre 2020 e 2010 foi de 19,4%. 27 Gráfico 1: Vendas do e-commerce no Brasil em bilhões de reais por ano de 2011 a 2020. Fonte: Adaptado de Ebit | Nielsen Webshoppers 43 (2021) Além disso, o isolamento social e as restrições de abertura das lojas físicas impulsionaram o crescimento do e-commerce no Brasil, levando ao número de 13,16 milhões de brasileiros que compraram on-line pela primeira vez em 2020, o que representa 17% dos consumidores do ano, vide Gráfico 2. Com isso, o crescimento de novos consumidores de 2020 em relação ao ano anterior foi de cerca de 23%. Gráfico 2: Total de consumidores de e-commerce no Brasil em milhões de 2013 a 2020. Fonte: Adaptado de Ebit | Nielsen Webshoppers 43 (2021). 28 Trata-se de uma temática relevante, uma vez que as empresas que utilizarem o momento de crise para implementar ações de transformação digital em seus modelos de negócios provavelmente terão vantagens competitivas perante o mercado. Por fim, este estudo pretende analisar também a mudança de comportamento do consumidor motivada pela pandemia da Covid-19. Segundo pesquisa realizada pela Ebit | Nielsen (2020), o interesse por produtos relacionados à saúde e bem-estar no Brasil aumentou durante a pandemia. Além disso, as pessoas estão priorizando comprar e armazenar produtos considerados essenciais. Constatou-se também que houve um aumento das compras realizadas de forma on-line e diminuição das visitas às lojas físicas.Assim, é importante estudar o cenário do e-commerce durante o período da pandemia, pois é provável que as consequências desse evento afetem o comportamento do consumidor a longo prazo. Além disso, considerando que cada país adotou medidas conforme seus conhecimentos, não está claro o quanto a mídia, médicos, parentes e amigos influenciam o comportamento do consumidor. Por fim, faz-se importante entender como as atitudes de prevenção, por exemplo, o distanciamento social, interferem nos padrões de comportamento de compra (KOCH, 2020). Portanto, para que pessoas e empresas possam se preparar para futuras pandemias e outras crises globais, é fundamental estudar eventos como a pandemia da Covid-19. 1.5. LIMITAÇÕES O estudo em questão se limita a uma análise do e-commerce no contexto da pandemia da Covid-19 até a data de execução deste projeto, tendo em vista que não há expectativa para o fim dos efeitos da pandemia até o presente momento. Todavia, a análise da receita líquida em vendas on-line se limita aos dados da empresa Amazon até o ano de 2020, dada a indisponibilidade dos dados de 2021 até a data de execução deste projeto. Por fim, o questionário, cujos dados foram utilizados na Modelagem de Equações Estruturais, contemplou apenas respondentes do estado do Rio de Janeiro. 1.6. ESTRUTURAÇÃO DO TRABALHO O Capítulo 1 deste trabalho se propõe a definir as relações de e-commerce, seus principais benefícios e tendências, bem como explicitar o combate global à pandemia da Covid- 29 19, destacando os motivos que levaram ao desenvolvimento deste projeto e explicando seus objetivos e limitações. No Capítulo 2, apresenta-se uma revisão da literatura a respeito da transformação do comércio eletrônico fomentada pela pandemia da Covid-19. Com base nessa revisão, adquire- se embasamento acerca das técnicas estatísticas empregadas para entender o comportamento do consumidor. No Capítulo 3, são apresentadas as técnicas ARIMA de análise de séries temporais que serão utilizadas para quantificar os efeitos da pandemia da Covid-19 em uma empresa relevante de e-commerce, selecionada em termos de valor de mercado: a norte-americana Amazon. Em seguida, são discutidos os resultados obtidos. No Capítulo 4, são apresentadas as hipóteses acerca das mudanças do comportamento do consumidor on-line, a concepção da pesquisa confirmatória e a aplicação da técnica de Modelagem de Equações Estruturais (MEE). Em seguida, são discutidos os resultados obtidos. No Capítulo 5, por fim, são apresentadas as conclusões deste trabalho. 30 2. REFERENCIAL TEÓRICO Ao longo dos últimos anos, o e-commerce tem sido estudado a partir de várias perspectivas, tais como segurança, bancos de dados e questões relacionadas a software, marketing, negócios e comportamento dos consumidores. Nesse sentido, os impactos da pandemia da Covid-19 nesses fatores também já se tornaram objeto de estudo de artigos, revistas científicas e periódicos. Para a construção do referencial teórico, foram utilizados artigos, revistas científicas e periódicos extraídos da base de periódicos da CAPES, na base de publicações Web of Science. Para isso, foram realizadas buscas a partir de três palavras-chave combinadas: “e-commerce”, “comportamento do consumidor” e “Covid-19”. Primeiramente, foram analisados os impactos da pandemia da Covid-19 no e-commerce, no que tange às estratégias das empresas para sobreviverem a esse período e, até mesmo, a criarem vantagens competitivas. Em seguida, foram contemplados especificamente os efeitos da pandemia da Covid-19 no comportamento de compra dos consumidores. Por fim, foram analisados estudos sobre a mesma temática, mas que empregaram a técnica estatística multivariada Modelagem de Equações Estruturais (MEE). 2.1. MEDIDAS ADOTADAS PELAS EMPRESAS PARA LIDAR COM OS IMPACTOS DA PANDEMIA Enquanto muitos varejistas tiveram que fechar temporariamente suas lojas físicas – por conta do lockdown e de outras recomendações de isolamento social –, os varejistas do canal on- line tiveram um aumento expressivo no volume de vendas (HWANG, 2020). Hwang (2020) observou uma movimentação entre canais de compra do físico para o on- line em uma rede varejista omnichannel de papelaria e artesanato, que possui tanto canal on- line de vendas quanto 130 lojas físicas espalhadas pelos Estados Unidos. Com base em dados de pedidos realizados entre janeiro de 2019 e abril de 2020, foi possível concluir que as vendas on-line aumentaram durante a pandemia da Covid-19, por conta da aquisição de novos consumidores e porque consumidores que antes compravam na loja física e passaram a comprar através do canal on-line. Além disso, uma estratégia adotada por essa empresa foi adicionar produtos considerados essenciais em seu catálogo, tais como desinfetantes para as mãos, mesmo não sendo parte do seu portfólio inicial. Assim, foi possível adquirir novos clientes e estimular que os clientes das lojas físicas passassem a comprar também no canal digital. 31 Dinesh (2021) também observou que a frequência de compras on-line aumentou durante o período da pandemia da Covid-19 em uma pesquisa específica ao mercado de consumo da Índia, segundo amostra realizada com 195 entrevistados. A principal razão apontada foi o medo de contaminação ao ir às lojas físicas e ter contato com outras pessoas. O estudo sugere medidas a serem tomadas pelos varejistas on-line e off-line durante a pandemia, dentre elas: investir em tecnologias inteligentes, adotar estratégias de marketing digital e social commerce e realizar parcerias com outras empresas para alcançar mais clientes. Shankar et al. (2021) e Wang et al. (2021) estudaram como a tecnologia está transformando o varejo e como a Covid-19 contribuiu para intensificar essa mudança. Com o fechamento das lojas físicas durante um certo período da pandemia da Covid-19, alguns varejistas adotaram práticas como aceitar pedidos e realizar atendimentos de forma on-line, além de utilizar tecnologias, como operações assistidas por robôs e cloud computing, que consiste em utilizar uma rede de servidores remotos para armazenar, processar e gerenciar dados. Além disso, Shankar et al. (2021) e Pymnts (2020) analisaram um cenário em que varejistas de lojas físicas adotam práticas de “distanciamento inteligente”, em inglês, “smart distancing”, de modo a garantir a segurança dos clientes e funcionários. Pymnts (2020) apresenta o “SmartDome”, que consiste em uma tecnologia com sensores de “Internet das Coisas” a ser utilizada dentro da loja física para medir a distância entre as pessoas e alertá-las quando estiverem infringindo as regras de distanciamento social. Ao final da pandemia, a ideia é que essa solução seja utilizada para ajudar a reduzir roubos e para direcionar o cliente para locais com menos filas dentro das lojas. Entregas por drones, robôs ou via drive-through são outros exemplos de tecnologias que viabilizam o distanciamento social. 2.2. MUDANÇAS NO COMPORTAMENTO DO CONSUMIDOR DEVIDO À PANDEMIA No que tange à mudança de comportamento do consumidor, Kirk et al. (2020) postularam que o comportamento do consumidor durante a pandemia da Covid-19 pode ser dividido em três fases. A primeira consiste em uma reação contra as ameaças percebidas e em tentativas de retomar o controle das liberdades perdidas, por meio de atividades como estocagem de produtos essenciais e rejeição das medidas recomendadas (como o uso de máscara e o distanciamento social). A segunda consiste na adoção de comportamentos para lidar com a situação, como a manutenção das relações sociais de forma on-line e a realização de atividades 32 – que antes eram terceirizadas – por conta própria (como culinária e jardinagem). A última fase consiste em uma adaptação e aceitação das medidas necessárias, uma vez que, com o tempo, os consumidores se tornammenos reativos e mais resilientes. Sheth et al. (2020) realizou um questionamento sobre esses comportamentos adquiridos durante a pandemia. O autor indagou se os consumidores mudarão seus hábitos de forma permanente ou se retornarão aos antigos quando a pandemia acabar; se novos hábitos serão criados; e se as pessoas optarão por manter um estilo de vida “in-home everything”, que pode ser traduzido como “tudo dentro de casa”, que consiste em trabalhar, estudar e fazer compras sem sair de casa. Também foram realizados estudos acerca de como o comportamento do consumidor funciona de forma diferente em emergências (WANG et al., 2020). Assim, Wang et al. (2020), Pantano et al. (2020) e Long (2020) buscaram compreender o comportamento do consumidor quanto à estocagem de produtos considerados essenciais, principalmente alimentos, durante os primeiros meses da pandemia da Covid-19, no começo de 2020. Laato et al. (2020) analisou uma forte relação entre a intenção de se isolar e a intenção de estocar itens considerados essenciais, como papel higiênico e comida, fornecendo evidências empíricas de que o comportamento em questão estava diretamente relacionado ao tempo previsto de autoisolamento. A causa para esse comportamento não era apenas o risco percebido de ser contaminado pelo vírus causador da Covid-19 e ser obrigado a se isolar, mas também o medo de que a pandemia tomasse maiores proporções, interrompendo produções das fábricas e abastecimento de supermercados e lojas. Segundo Wang et al. (2020), nos primeiros dias da pandemia, lojas de varejo e drogarias na Itália esgotaram seus estoques de desinfetantes para as mãos e máscaras cirúrgicas, enquanto o mesmo ocorreu com o papel higiênico no Reino Unido. De acordo com a pesquisa, a estocagem de alimentos está relacionada a uma percepção subjetiva de risco. Por fim, Pantano et al. (2020) concluiu que o fato de os consumidores terem que lidar com repetidas rupturas de estoque escolhendo outras marcas ou lojas para suprir suas necessidades pode afetar a escolha dos produtos mesmo após o fim da pandemia. Outra mudança no comportamento do consumidor foi a disposição a pagar por certos produtos, principalmente alimentos frescos, como destacado por Wang et al. (2020). Para Pantano et al. (2020, p. 6), “não seria uma surpresa se os consumidores aceitassem aumentos de preços de até 300% para certas categorias de produtos durante o período de emergência.” 33 2.3. APLICAÇÕES DA MODELAGEM DE EQUAÇÕES ESTRUTURAIS NO CONTEXTO DA PANDEMIA Alguns estudos empíricos empregaram técnicas mais avançadas de análise estatística, tal como a Modelagem de Equações Estruturais (MEE), para analisar relações lineares entre variáveis, cujos fenômenos não podem ser diretamente observados. No que diz respeito às orientações metodológicas, o principal modo de coleta dos dados acerca do comportamento do consumidor ao longo da pandemia da Covid-19 foi através de questionários on-line. Long (2020) e El Khatib (2021) utilizaram o modelo da Teoria do Comportamento Planejado (TCP), expandido com a variável de “risco percebido”, para compreender a intenção de acumular alimentos durante a pandemia da Covid-19. A Teoria da Ação Racional (TAR) define as relações entre atitudes, normas subjetivas, intenções e comportamento. Aplicada ao contexto de e-commerce, pode-se dizer que a compra on-line (um determinado comportamento) é fruto de uma intenção em realizar o comportamento, e essa intenção é influenciada tanto pela atitude do indivíduo quanto pelas normas subjetivas em relação a esse comportamento, conforme Figura 3 (FISHBEIN e AJZEN, 1975). A Teoria do Comportamento Planejado (TCP), que pode ser observada na Figura 4, adiciona à Teoria da Ação Racional (TAR), que pode ser observada na Figura 3, um terceiro fator - controle comportamental percebido - que afeta tanto a intenção comportamental, quanto o comportamento real (AJZEN, 1991). Isso porque nem sempre o indivíduo terá acesso aos recursos cognitivos, temporais e motivacionais para analisar uma ação e suas possíveis consequências. Figura 3: Esquema da Teoria da Ação Racional (TRA). Fonte: Adaptado de Fishbein e Ajzen (1977) 34 Figura 4: Esquema da Teoria do Comportamento Planejado (TCP). Fonte: Adaptado de Ajzen (1991) O modelo de Long (2020), assim como o de El Khatib (2021), objetivou entender o comportamento cumulativo de compra de alimentos em supermercados em meio a um lockdown prolongado. Todas as hipóteses foram formuladas com base nas variáveis tradicionais do modelo TCP. Em ambos os estudos, constatou-se que quanto maior o risco percebido, maior é a intenção de comprar bens de reserva durante uma pandemia como a Covid-19. Koch (2020) investigou os motivos de compra on-line das gerações Y e Z de 451 alemães durante o lockdown devido à pandemia da Covid-19 em abril de 2020. Foram considerados fatores como normas subjetivas e determinantes utilitários e hedônicos para explicar a intenção de compra, através da Modelagem de Equações Estruturais. Os resultados mostraram que, durante a pandemia da Covid-19, fatores normativos, utilitários e hedônicos estão positivamente relacionados ao comportamento de compra on-line dos consumidores. Além disso, a pesquisa mostrou que os determinantes normativos, como reportagens da mídia sobre a economia do país, estão mais fortemente relacionados às intenções de compra dos consumidores do que a influência das redes sociais. Salem (2020) avaliou os dez fatores que afetam a intenção de compra on-line de 190 pessoas durante a pandemia da Covid-19 na Arábia Saudita. A análise de dados mostrou que a utilidade percebida, a propensão à tomada de riscos, o controle comportamental percebido, a percepção da falta de alternativas e apoio governamental influenciaram significativamente a intenção dos consumidores de adotar o e-commerce durante a pandemia da Covid-19 na Arábia Saudita. Enquanto isso, a facilidade de uso percebida, normas subjetivas, pressão externa percebida, risco percebido e infrações puníveis percebidas não exerceram um efeito tão significativo na intenção dos consumidores de realizar compras on-line. 35 3. INFLUÊNCIA DA PANDEMIA NO E-COMMERCE NA ÓTICA DA AMAZON Neste capítulo, será analisado o impacto da pandemia da Covid-19 na receita líquida de uma das maiores empresas de e-commerce do mundo em 2021: a norte-americana Amazon. A partir de uma série histórica da receita líquida por trimestre do ano, será aplicado o Modelo Autorregressivo Integrado de Médias Móveis (SARIMA), de modo a criar hipóteses baseadas em previsões acerca do crescimento da empresa. Em termos de valor de mercado das empresas, a Amazon foi avaliada em 2021 pela Consultoria Kantar como a marca mais valiosa do mundo, como pode ser observado na Tabela 1, justificando a escolha de estudá-la neste trabalho. Tabela 1: As dez marcas mais valiosas do mundo em 2021. Empresa Valor de Mercado (2021) Variação (%) em relação ao ano anterior 1. Amazon US$ 683.85 bi + 64% 2. Apple US$ 611.99 bi + 74% 3. Google US$ 457.99 bi + 42% 4. Microsoft US$ 410.27 bi + 26% 5. Tencent US$ 240.93 bi + 60% 6. Facebook US$ 226.44 bi + 54% 7. Alibaba US$ 196.91 bi + 29% 8. Visa US$ 191.28 bi + 2% 9. McDonald’s US$ 154.92 bi + 20% 10. Mastercard US$ 112.87 bi + 4% Fonte: Adaptado de Kantar (2021) 3.1. MODELO DE MÉDIA MÓVEL SAZONAL AUTORREGRESSIVA INTEGRADA (SARIMA) O modelo ARIMA (Autorregressivo Integrado de Médias Móveis) possui três componentes: (p, d, q), sendo os três não negativos e inteiros. O “p” corresponde à ordem do modelo autorregressivo; o “d” ao grau da primeira diferenciação envolvida; e o “q” à ordem da parte média móvel. Assim, trata-se da combinação de alguns modelos explicitados a seguir (GONZAGA, 2019). 36 1) Autocorrelação (AR), que corresponde ao “p”: trata-se de ummodelo de regressão no qual prevemos a variável de interesse usando uma combinação linear de valores anteriores da mesma variável. O termo “auto” indica que é uma regressão da variável em relação a si mesma, diferentemente de um modelo de regressão múltipla, no qual explicamos a variável de interesse usando uma combinação linear dos preditores. Matematicamente, é descrita pela Equação 1. 𝑦𝑡 = 𝑐 + 𝜙1𝑦𝑡−1 + 𝜙2𝑦𝑡−2 + ⋯ + 𝜙𝑝𝑦𝑡−𝑝 + 𝑒𝑡 (1) onde “c” é uma constante e “𝑒𝑡” é um erro aleatório. 2) Integração (I), que corresponde ao “d”: utiliza-se o método da diferenciação, isto é, calcula-se diferença absoluta (ou percentual) entre uma observação e a anterior para tornar a série temporal estacionária2. A Figura 5 ilustra o conceito de diferenciação: em vez de prever “𝑦𝑡” diretamente, se está prevendo a lacuna entre “𝑦𝑡” e “𝑦𝑡−1”. Figura 5: Ilustração do conceito de "diferenciação". Fonte: Elaboração própria. 3) Média móvel (MA), que corresponde ao “q”: trata-se de um modelo que utiliza valores passados de erro de previsão de maneira similar a um modelo de regressão. Pode ser interpretado como um modelo onde “𝑦𝑡” é a média ponderada dos erros de previsão passados. Matematicamente, é descrita conforme a Equação 2, 𝑦𝑡 = 𝑐 + 𝑒𝑡 + 𝜃1𝑒𝑡−1 + 𝜃2𝑒𝑡−2 + ⋯ + 𝜃𝑞𝑒𝑡−𝑞 (2) 2 Uma série temporal estacionária é aquela cujas propriedades estatísticas (como a média e a variância) não dependem do tempo em que a série é observada. Séries que apresentam tendência ou sazonalidade não são estacionárias (GONZAGA, 2019). 37 onde “c” é uma constante e “𝑒𝑡” é um erro aleatório. A combinação entre os métodos de diferenciação e os modelos de autorregressão e média móvel resultam em um modelo ARIMA não sazonal, que pode ser escrito conforme a Equação 3, 𝑦′𝑡 = 𝑐 + 𝜙1𝑦′𝑡−1 + ⋯ + 𝜙𝑝𝑦 ′ 𝑡−𝑝 + 𝜃1𝑒𝑡−1 + ⋯ + 𝜃𝑞𝑒𝑡−𝑞 + 𝑒𝑡 (3) onde “c” é uma constante, “𝑒𝑡” é um erro aleatório e “𝑦′𝑡” é a série diferenciada. Os “preditores” no lado direito incluem valores defasados de “𝑦𝑡” e erros defasados (GONZAGA, 2019). Nesta seção, serão analisados dados trimestrais da receita líquida da Amazon, empresa relevante no mercado de e-commerce. Sabendo que o método ARIMA não suporta dados sazonais, a princípio, poderíamos pensar em remover a sazonalidade das séries temporais por meio de um ajustamento sazonal. Entretanto, para realizar previsões, a sazonalidade é uma importante característica dos dados e, portanto, será considerada através de uma extensão do modelo ARIMA, chamada SARIMA (Sazonal Autorregressivo Integrado de Médias Móveis), no qual o “S” representa a sazonalidade. Essa extensão do modelo adiciona um conjunto adicional de parâmetros (P, 𝐷, 𝑄) 𝑚 que descreve especificamente os componentes sazonais. Desse modo, 𝑃, 𝐷 e 𝑄 representam a regressão sazonal, os coeficientes de diferenciação e média móvel, e “𝑚” representa o número de pontos de dados (linhas) em cada ciclo sazonal (GONZAGA, 2019). É importante ressaltar que o parâmetro “𝑚” influencia os parâmetros P, D e Q. Assim, o modelo SARIMA (p,d,q)(P,D,Q)𝑚 é formado pela inclusão de termos sazonais no modelo ARIMA (p,d,q), no qual as letras maiúsculas representam a parte sazonal do modelo enquanto letras minúsculas representam a parte não sazonal do modelo. Para selecionar o modelo mais apropriado, isto é, os valores de “p, d e q” e de “P, D e Q”, existem critérios bem definidos que serão apresentados a seguir. Para isso, em primeiro lugar, deve-se aplicar o Teste de Dickey-Fuller aumentado (ADF), que verifica se os dados são estacionários. Em seguida, deve-se examinar as funções de autocorrelação (FAC) e de autocorrelação parcial (FACP) para determinar as ordens máximas dos parâmetros, tanto da parte regular quanto da parte sazonal da série estacionária (COSTA, 2019). 38 Apesar de ser possível interpretar cada um dos parâmetros individualmente, nem sempre é fácil escolher de antemão as melhores ordens dos parâmetros a partir da definição do problema e dos dados iniciais. Por isso, optou-se por ajustar o modelo considerando diversas combinações de parâmetros, até encontrar o modelo que minimiza o Critério de Informação Akaike (AIC) (HYNDMAN, 2008). O AIC é uma medida que estima a quantidade relativa de informação perdida por um determinado modelo: quanto menos informações perdidas, menor a pontuação AIC e melhor é o modelo (BEVANS, 2020). 3.1.1. Análise do Crescimento da Amazon A Amazon.com, Inc. é uma empresa multinacional de tecnologia norte-americana referência em e-commerce, computação em nuvem, streaming e inteligência artificial. Uma parte significativa de sua receita é gerada pelo varejo, através da venda de serviços tecnológicos e produtos físicos aos consumidores, como livros, eletrônicos, roupas, brinquedos, entre outros. Desde que começou como uma livraria on-line em 1994, a Amazon direciona seu foco ao B2C, apesar de também atuar com portais B2B e C2C. Além do varejo on-line, a empresa também possui produtos como a “Amazon Web Services” (AWS), que fornece dados sobre popularidade do site e padrões de tráfego na Internet; a “Elastic Compute Cloud” (EC2), que aluga o poder de processamento de computadores; e o “Simple Storage Service” (S3), que aluga armazenamento de dados via internet. Vale ressaltar que a Amazon transferiu com sucesso seu modelo B2C para outros países, como Reino Unido, França, Alemanha, Brasil, Japão, China, Índia, México, entre outros (WU, 2018). É notório o seu crescimento e reconhecimento como uma das maiores empresas do mundo. Em 2017, foi denominada pelo jornal “New York Times” como uma das cinco empresas públicas mais valiosas do mundo e que experimentaram um crescimento surpreendente nos últimos anos, as “Frightful Five” - Amazon, Apple, Facebook, Microsoft e Alphabet (empresa controladora do Google). No ano de 2020, foi possível observar um elevado crescimento da Amazon em termos financeiros. A receita líquida da empresa foi de 386,06 bilhões de dólares norte-americanos, ante 280,52 bilhões de dólares norte-americanos em 2019 (STATISTA, 2020). A série temporal 39 da receita líquida da Amazon entre o 1º trimestre de 2007 e o 4º trimestre de 2020 pode ser encontrada no Anexo I. No Gráfico 3 a seguir, pode-se observar a série temporal da receita líquida do comércio eletrônico e vendas de serviços da Amazon, do 1º trimestre de 2007 ao 4º trimestre de 2020, em bilhões de dólares norte-americanos. Serão utilizadas as tipologias T1, T2, T3 e T4 para representar os 1º, 2º 3º e 4º trimestres. Gráfico 3: Receita líquida da Amazon do 1º trimestre de 2007 ao 4º trimestre de 2020. Fonte: Adaptado de Statista (2021). Pode-se notar que, durante o último trimestre de 2020, a Amazon gerou vendas líquidas totais de aproximadamente 125,56 bilhões de dólares norte-americanos, ultrapassando os 87,44 bilhões de dólares norte-americanos no mesmo trimestre de 2019. A maioria da receita da Amazon foi originada pelas vendas líquidas de produtos (STATISTA, 2020). Em paralelo, sabe-se que o ano de 2020 foi marcado pelo agravamento da pandemia da Covid-19 ao redor do mundo, período no qual foram tomadas medidas pelos governos locais como forma de conter a disseminação do vírus. Lockdowns e normas de distanciamento social tiveram uma grande influência sobre o varejo, uma vez que os consumidores passaram a procurar meios seguros para fazer suas compras. Assim, as idas a lojas físicas e centros comerciais diminuíram devido ao risco de contágio de Covid-19. Consequentemente, as compras on-line ganharam mais importância desde então (DINESH, 2021). Sendo assim, formula-se a hipótese de que essa mudança na 40 forma de consumo explica grande parte do crescimento acelerado do e-commerce e, no contexto em questão, da Amazon, no anode 2020. No Gráfico 3, é possível observar um padrão de sazonalidade, que pode ser identificado através das oscilações de picos (T4s) e vales (T1s e T2s) que acontecem anualmente. Observa- se também que a tendência é crescente durante o período amostral. As observações apresentadas acima acerca da decomposição da série temporal podem ser visualizadas no Gráfico 4. Gráfico 4: Decomposição da série temporal da receita líquida da Amazon Fonte: Elaboração própria. Após a inspeção visual da série e decomposição da mesma, foram consideradas diversas combinações de parâmetros até encontrar o modelo que minimiza o Critério de Informação Akaike (AIC). Como resultado, foi obtida uma ordem ARIMA de (2,1,0) combinada com uma ordem sazonal de (1,1,1,4). O AIC otimizado foi de 231,32. A partir disso, será realizada uma previsão dos valores para os quatro trimestres de 2020, de modo a ter uma noção do quanto a Amazon não teria crescido em 2020 caso não houvesse ocorrido a pandemia da Covid-19. Assim, foram removidos da série temporal seus últimos quatro trimestres (T1, T2, T3 e T4 de 2020), representados na Tabela 2. 41 Tabela 2: Receita líquida da Amazon nos quatro trimestres de 2020. Trimestre Data Receita líquida T1 - 2020 2020-03-31 US$ 75.45 bi T2 - 2020 2020-06-30 US$ 88.91 bi T3 - 2020 2020-09-30 US$ 96.15 bi T4 - 2020 2020-12-31 US$ 125.56 bi Fonte: Adaptado de Statista (2021). Em seguida, o mesmo modelo SARIMA (2,1,0) (1,1,1,4) foi utilizado para a série temporal sem os dados dos quatro trimestres de 2020, de modo a realizar previsões para esse período utilizando o histórico até o último trimestre de 2019 (inclusive). A Tabela 3 apresenta os valores previstos (com base nos dados até 2019), os valores reais (que realmente ocorreram em 2020) e a diferença percentual entre eles. O AIC obtido foi de 154,35. Tabela 3: Receita líquida real e prevista da Amazon nos quatro trimestres de 2020 Trimestre Data Receita líquida prevista Receita líquida real Diferença percentual T1 - 2020 2020-03-31 US$ 72.30 bi US$ 75.45 bi 4.36 % T2 - 2020 2020-06-30 US$ 76.00 bi US$ 88.91 bi 16.99 % T3 - 2020 2020-09-30 US$ 83.43 bi US$ 96.15 bi 15.25 % T4 - 2020 2020-12-31 US$ 102.39 bi US$ 125.56 bi 22.63 % Fonte: Adaptado de Statista (2021). A previsão foi combinada com os dados observados para que fosse possível visualizar graficamente os valores de receita líquida previstos para o ano de 2020 (na cor laranja) – com base no histórico até o ano de 2019 – e os valores reais que a Amazon obteve de receita líquida de 2007 a 2020 (na cor azul) no Gráfico 5. Com isso, formula-se a hipótese de que o aumento da receita líquida da Amazon em 2020 se deu por conta do contexto da pandemia da Covid-19, que também levou ao crescimento do mercado de e-commerce como um todo. Caso não houvesse ocorrido tal evento atípico, acredita-se que o crescimento do e-commerce refletiria os padrões de crescimento do histórico até o ano de 2019, isto é, que se comportaria conforme a série na cor laranja. 42 Gráfico 5: Previsão da receita líquida da Amazon nos quatro trimestres de 2020. Fonte: Elaboração própria. Em relação à validade do modelo, foram encontrados os seguintes valores de erros. Foi obtido um Erro Quadrático Médio (EQM) de 218.76. Essa métrica consiste na média do erro das previsões ao quadrado. Por elevar o erro ao quadrado, predições distantes do valor real aumentam o valor da medida facilmente. A Raiz do Erro Quadrático Médio (REQM) é a raiz quadrada do EQM, bastante utilizada em séries temporais, por conta da correção da unidade dos valores ao aplicar a raiz quadrada. Foi obtido uma RMSE de 14.79. As fórmulas de ambas as métricas podem ser observadas na Equação 4 e na Equação 5, 𝐸𝑄𝑀 = 1 𝑛 ∑ (𝑦�̂� − 𝑦𝑖) 2𝑛 𝑖=1 (4) 𝑅𝑀𝑆𝐸 = √ ∑ (𝑦�̂�−𝑦𝑖) 2 𝑛 𝑛 𝑖=1 (5) onde “𝑦�̂�” é o valor predito pelo modelo, “𝑦𝑖” é o valor real e “n” é o número de elementos preditos. Por fim, foi analisado o comportamento do valor da ação da Amazon (AMZN) ao longo do período da pandemia da Covid-19. Segundo dados do Google Finanças (2021), por volta do começo da pandemia, em 2 de janeiro de 2020, o preço da ação da Amazon era de US$ 1898.01. 43 Quando os casos de Covid-19 começaram aumentar pelos Estados Unidos, Brasil e resto do mundo, os preços das ações começaram a subir. Em 30 de março de 2020, o valor da ação era de US$ 1963.94. Em 30 de dezembro de 2020, a ação passou a valer US$ 3285.85, o que significa uma diferença percentual de 67.31 % em relação a março de 2020. Em 24 de setembro de 2021, o valor da ação da Amazon era de US$ 3425.52. Assim, o valor da ação aumentou ao longo do período, como pode ser observado no Gráfico 6, dado o repentino crescimento acelerado da Amazon em função do contexto da pandemia da Covid-19, que estimulou o interesse e a demanda dos investidores pelas ações da empresa. Gráfico 6: Valor da ação da Amazon entre outubro de 2016 e setembro de 2021. Fonte: Google Finanças (2021). 44 4. INFLUÊNCIA DA PANDEMIA NO E-COMMERCE NA ÓTICA DO CONSUMIDOR Neste capítulo, serão avaliados os impactos da pandemia da Covid-19 no e-commerce, considerando a perspectiva do consumidor. Será avaliada, mais especificamente, sua intenção de compra on-line durante a pandemia em questão. Para isso, foi realizada uma pesquisa através de um formulário on-line submetido a potenciais consumidores de e-commerce residentes no estado do Rio de Janeiro, localizado na região Sudeste do Brasil. Os respondentes da pesquisa foram, em sua maioria, estudantes e moradores do município de Niterói, no Rio de Janeiro. No questionário, foram apresentadas afirmações relacionadas a atitudes e sentimentos em relação à pandemia da Covid-19, bem como a influência dessas questões no comportamento de compra por parte das pessoas. As variáveis observadas foram mensuradas através da escala Likert, muito utilizada em pesquisas comportamentais, que solicita que os respondentes apontem um grau de concordância ou discordância com cada uma das afirmações sobre o objeto de estudo. A escala de resposta continha 5 pontos, variando de 1, que significa “discordo totalmente”, a 5, que significa “concordo totalmente” (MALHOTRA, 2012). Vale observar que todos os itens foram formulados positivamente, de modo que uma pontuação mais alta representou uma concordância mais forte. Estas variáveis observadas são reflexivas de construtos ou variáveis latentes exógenas e mediadoras as quais se interrelacionam em uma lógica de causalidades. Em seguida, foi aplicada a técnica estatística multivariada chamada Modelagem de Equações Estruturais (MEE) para este modelo resultante das variáveis observadas e dos relacionamentos causais entre as variáveis latentes. Para a aplicação dessa técnica, o tamanho da amostra exigido depende de alguns fatores, como: a complexidade do modelo, a técnica de estimação empregada, a quantidade de variância de erro média entre as variáveis mensuradas (avaliada pelas comunalidades) e a distribuição dos dados. De modo simplificado, para um modelo de MEE com cinco construtos ou menos, cada um com mais de três variáveis mensuradas e com comunalidades de pelo menos 0,5, que é como esta pesquisa se enquadra, deve haver uma amostra de no mínimo 200 respondentes (MALHOTRA, 2012). Para o estudo em questão, foram coletadas informações de 331 respondentes, o que promove um nível de significância de 5.4%, ou um nível de confiança de 94,6%, bastante próximo do nível de 95%, o mais comumente utilizado nos intervalos de confiança. Os dados 45 foram coletados no período de 11 de maio de 2021 a 20 de maio de 2021, com procedimento amostral por conveniência do pesquisador, tendo