Resumo Marketing Avançado

Prévia do material em texto

Marketing Avançado 
Capítulo 03: Concepção de Pesquisa 
Pesquisa de Marketing e Pesquisa de Mercado são sinônimos. Elas envolvem a 
identificação sistemática e objetiva, coleta, análise, e uso de informação com objetivo de 
apoiar decisões relacionadas à identificação e solução de problemas e oportunidades em 
marketing. 
Após definido um problema de pesquisa de marketing e sua abordagem, o pesquisador 
deve iniciar um planejamento detalhado de pesquisa. Existem dois tipos principais de 
concepções de pesquisa: exploratória e conclusiva. Esta última pode ainda ser classificada 
como descritiva ou causal. A concepção de pesquisa é uma estrutura para a realização do 
projeto de pesquisa de marketing, na qual são especificados detalhes dos procedimentos 
necessários para a obtenção das informações indispensáveis para estruturar e/ou resolver 
problemas. 
Exploratória  Qualitativa (amostra pequena; serve como insights para a Conclusiva) 
Tipo de concepção de pesquisa que tem como principal objetivo ajudar a compreender a 
situação-problema enfrentada pelo pesquisador – oferecer discernimento e compreensão. 
Informações obtidas com tomadores de decisão (TD), especialistas, em bases secundárias 
podem ser insuficientes para definir o problema da pesquisa. Para obter uma maior 
compreensão muitas vezes pesquisas qualitativas são ideais. Caracterizada por ser não 
estruturada, as informações necessárias são definidas de forma ampla; de natureza 
exploratória e baseada em pequenas amostras, embora não sejam conduzidas de maneira 
formal, elas oferecem conhecimentos valiosos sobre o problema. Ex: Focus Group 
Conclusiva  Quantitativa (amostra grande) 
Pesquisa concebida para auxiliar o tomador de decisão a determinar, avaliar e selecionar o 
melhor curso de ação em determinada situação – testar hipóteses específicas e examinar 
relações. Metodologia de pesquisa que quantificam dados, tipicamente usando alguma forma 
de análise estatística. Caracterizada por ser estruturada, e generalista ao identificar resultados 
de uma amostra para uma população de interesse, elas oferecem uma recomendação de ação 
ao final da pesquisa. A pesquisa conclusiva pode ser descritiva ou causal. A primeira por sua 
vez pode ter uma concepção transversal (envolve a coleta de informações de uma dada 
amostra de elementos da população somente uma vez) ou longitudinal (envolve uma amostra 
fixa de elementos da população que é medida repetidamente; a amostra permanece a mesma 
ao longo do tempo, oferecendo uma ilustração vívida da situação e das mudanças que estão 
ocorrendo ao longo do tempo). 
Os dados utilizados para ambas as pesquisas podem ser de bases primárias ou 
secundárias. Ambos possuem vantagens e desvantagens. 
Isabela Della Torre 
 
 
 Vantagens Desvantagens Tipos 
Primária  Atualizados 
 Diretamente relacionados com a 
pesquisa 
 Mais caro 
 Exige mais tempo para a coleta dos 
dados 
 Observação 
 Levantamento 
 Experimental 
Secundária  Mais barato 
 Método que exige menos tempo 
 Pode estar desatualizado 
 Os dados podem ser irrelevantes 
 Interno 
 Externo 
Comparação entre os tipos de concepção de pesquisa: 
 Conclusiva 
 Exploratória Descritiva Causal 
Objetivo Descobrir ideias e informações. Descrever algo, como por 
exemplo, características 
ou funções do mercado. 
Determinar relações de causa e 
efeito. 
Características Flexível; muitas vezes é o ponto 
de partida de toda a concepção. 
Formulação prévia de 
hipóteses; concepção pré-
planejada e estruturada. 
Manipulação de uma ou mais 
variáveis independentes; medida 
do efeito sobre as variáveis 
dependentes e controle de 
outras variáveis mediadoras. 
Métodos Entrevistas com especialistas; 
levantamentos-piloto; estudos 
de caso; dados secundários: 
análise qualitativa; pesquisa 
qualitativa. 
Dados secundários: 
análise quantitativa; 
levantamentos; 
observações. 
Experimentos (ex: análise 
discriminante resort dada em 
aula) 
Várias fontes potenciais de erro afetam a concepção de pesquisa, mas é possível controla-
las para obter uma concepção que seja adequada. Por exemplo, o erro total é a variação entre 
o valor médio real da variável de interesse na população e o valor médio observado no projeto 
de pesquisa de marketing. Esse erro pode ser: 
 Erro de amostragem aleatória – ocorre porque a amostra selecionada é uma 
representação imperfeita da população de interesse. Definido como a variação entre o 
valor médio real para a amostra e o valor médio real para a população. 
 Erro não amostral – atribuído a outras fontes que não incluem a amostragem e podem ser 
aleatórios ou não aleatórios. 
 Erro de não resposta: ocorre quando algumas das pessoas incluídas na amostra não 
respondem a pesquisa. Pode ser definido como a variação entre o valor médio real da 
variável na amostra original e o valor médio real na amostra “final resultante” – a falta 
de resposta faz com que a amostra resultante seja diferente, em tamanho e 
composição, da amostra pré-selecionada. 
 Erro de resposta: surge de entrevistados que respondem, mas dão respostas imprecisas 
ou cujas respostas são registradas ou analisadas erroneamente. Pode ser definido como 
 
a variação entre o valor médio real da variável na amostra “resultante” e o valor médio 
observado obtido no projeto de pesquisa de marketing. 
Uma vez especificada uma concepção de pesquisa que controle o erro total, é preciso 
tomar decisões de orçamento e programação. Isto é, ferramenta gerencial que ajudar a 
garantir a conclusão do projeto dentro dos recursos disponíveis, por exemplo, financeiros, 
humanos, de tempo, etc. Especificando-se os custos de cada tarefa e os parâmetros de tempo 
dentro dos quais cada tarefa deverá ser concluída, o projeto poderá ser gerenciado de forma 
eficaz. Uma técnica gerencial útil para tanto é o método do caminho crítico. Este envolve 
dividir o projeto em suas atividades componentes e determinar sua sequencia e o tempo total 
que toda atividade irá exigir. Isso será diagramado em um fluxograma de rede, no qual pode 
ser identificado o caminho crítico, a série de atividades cujo atraso irá deter o projeto. 
Após formulada a concepção da pesquisa e concluído o orçamento e programação do 
projeto, deve-se preparar uma proposta de pesquisa de marketing por escrito. Se trate de um 
layout oficial da atividade planejada de pesquisa para a gerência descrevendo o problema da 
pesquisa, a abordagem, a concepção, os métodos de coleta, a análise e o relato de dados. 
Assim, o pesquisador garante que a gerência concorda a respeito da natureza do projeto e 
possui uma ferramenta de ajuda para vendê-lo à gerência. 
Capítulo 08: Mensuração e Escalonamento: Fundamentos e Escalas Comparativas 
Uma vez determinado o tipo de concepção de pesquisa e especificada a informação a 
ser obtida, o pesquisador deve decidir quanto aos processos de mensuração e escalonamento. 
Há quatro escalas principais de mensuração: 
 Nominal: números indicam e classificam objetos, servem como rótulos e etiquetas 
para identifica-los - atribuídos a jogadores de futebol ou números de marcas, por 
exemplo. 
 Ordinal: números indicam as posições relativas dos objetos, mas não a magnitude das 
diferenças entre eles - ordem de classificação dos times vencedores ou classificações 
de preferência, por exemplo. 
 Intervalar: escala em que se utilizam números para pontuar/classificar objetos, de 
modo que distancias numericamente iguais na escala representem distancias iguais 
nas características que estão sendo medidas; diferenças entre objetos podem ser 
comparadas; ponto zero é arbitrário – atitudes e opiniões ou classificação do 
desempenho em uma escala de 1 a 10, por exemplo. 
 Razão: escala mais alta, que permite ao pesquisador identificar ou classificar os 
objetos, ordená-los e comprara intervalos ou diferenças; ponto zero fixo, podem ser 
calculadasas razões dos valores de escala – comprimento, peso, idade, renda, tempo 
em segundos, por exemplo. 
Capítulo 19: Análise Fatorial 
Quais os benefícios procurados por um consumidor de um determinado produto? Muitos 
atributos. A análise visa identificar uma inter-relação entre benefícios/variáveis atribuindo-as a 
diferentes “fatores”. Na análise fatorial examina-se todo o conjunto de relações 
 
interdependentes entre variáveis. O objetivo é reduzir as variáveis em um número menor de 
fatores (criação de fatores que expressem constructos subjacentes aos dados). A análise 
fatorial é uma técnica de interdependência, no sentido de que é examinado todo conjunto de 
relações interdependentes; Utiliza-se essa análise em circunstâncias como: 
 Identificar fatores que expliquem as correlações entre conjuntos de variáveis. A seguir, 
essas informações poder ser analisadas fatorialmente para identificar os fatores 
psicográficos subjacentes. 
 Identificar um conjunto novo, menor, de variáveis não correlacionadas na análise 
multivariada subsequente (análise de regressão ou discriminante). Ex: fatores 
psicográficos identificados podem ser usados como variáveis independentes para 
explicar as diferenças entre clientes fiéis e eventuais. 
 Identificar em um conjunto maior, um conjunto menor de variáveis que se destacam 
para uso em uma análise multivariada subsequente. 
 No âmbito do marketing, pode ser usada na segmentação de mercado para identificar 
as variáveis subjacentes segundo as quais se agrupam consumidores; na pesquisa de 
um produto para determinar os atributos de uma marca que influenciam a escolha do 
consumidor; em estudos de propaganda para identificar os hábitos de consumo de 
mídia do mercado-alvo; em estudos sobre preços para identificar as características dos 
consumidores que são sensíveis a preços. 
Exemplo feito em sala - Pasta de Dente 
 Deseja-se saber quais são os benefícios procurados por um consumidor de pasta de 
dentes ao escolher um produto. 
 Amostra aleatória de 30 consumidores 
 Variáveis: 
 V1: É importante comprar uma pasta de dente que previna cáries. 
 V2: Eu gosto de pastas de dente que deixe meus dentes brilhantes . 
 V3: Uma pasta deve fortalecer a gengiva. 
 V4: Eu prefiro uma pasta que refresque o hálito. 
 V5: Prevenção de desgaste do dente não é um benefício importante oferecido 
por uma pasta de dente. 
 V6: O aspecto mais relevante ao se escolher uma pasta de dentes é garantir 
dentes atraentes. 
 Passo-a-passo 
1º - Import data 
Data  Data Editor  Data Editor (Edit) 
 
 
 
 
 
 
 
 
 
2º - mdesc – verificar se não tem nenhum missing value 
 
 
 
 
 
 
3º - summarize – verificar como as variáveis se comportam e observar escala utilizada 
 
 
 
 
 
 
 
4º - statistics  sumaries, tables and tests  summary and descriptive statistics  
correlations and covariances - montar matriz de correlação para ver se existe 
multicolinearidade. 
 
 
 
 
 
 
 
Para que a análise fatorial seja apropriada as variáveis devem ser correlacionadas. Portanto 
espera-se que as variáveis altamente correlacionadas (≈1 ou ≈-1) umas com as outras se 
correlacionem também com os mesmos fatores. De acordo com a medida de adequação da 
amostra de Kaiser-Meyer-Olkin (KMO) um valor superior a 0,5 é desejável. Caso contrário, a 
análise fatorial pode ser inapropriada. 
 
5º - statistics  multivariate analysis  factor and principal component  factor analysis 
(OBS: na segunda aba “model2” selecionar o método principal component factor) – construir 
tabela de Eigenvalue = autovalor e Uniqueness =especificidade. 
 
 
 
 
 
 
 
A análise do principal component factor é recomendada quando a preocupação maior for 
determinar o número mínimo de fatores que respondem pela máxima variância nos dados. 
Comunalidade = 1 – Especificidade 
O Eingenvalue representa a variância total explicada pelo fator. Comunalidade é a porção da 
variância que uma variável compartilha com todas as outras variáveis consideradas. É também 
a proporção de variância explicada pelos fatores comuns. Em outras palavras, expressa o 
quanto da variabilidade de Xi é explicada pelo modelo. Portanto, quanto menor a Uniqueness 
(expressa o quanto da variabilidade de Xi não é explicada pelo modelo) melhor para o modelo 
já que as variáveis são mais correlacionadas. 
O critério de Kaiser é utilizado para avaliar a adequação da análise fatorial. Fatores com 
Eigenvalue maior do que 1 são selecionados como apropriados já que vão explicar grande 
parte das variáveis. Por exemplo, nesse caso 82,49% do modelo é explicado pelos fatores 1 e 2, 
em outras palavras os dois primeiros fatores combinados respondem por 82,49% da variância 
total. Seguindo o critério da parcimônia deve-se escolher o menor número de fatores. 
6º - statistics  multivariate analysis  fator and principal componente  postestimation  
screeplot – consigo determinar o número de fatores relevantes pelo gráfico de acordo com o 
cumulative value. 
 
 
 
 
 
 
7º - statistics  multivariate analysis  fator and principial componente  postestimation  
rotate loadings – As cargas fatoriais (correlações simples entre as variáveis e os fatores) são 
rotacionadas. 
 
 
 
 
 
 
 
 
Normalmente antes de fazer a rotação, os fatores são correlacionados com muitas variáveis. 
Deste modo, raramente os fatores podem ser interpretados. Para facilitar essa interpretação, a 
rotação faz com que as variáveis fossem significativamente relacionadas com poucos fatores, 
se possível um. A rotação não afeta as comunalidades e a porcentagem explicada da variância 
total. Porém a porcentagem da variância explicada pelo fator mudará após ser redistribuída 
graças a rotatividade dos fatores. Logo diferentes métodos de rotação podem resultar na 
identificação de diferentes fatores. 
8º - statistics  multivariate analysis  fator and principial componente  postestimation  
loadingplot - conseguir visualizar graficamente os fatores e as variáveis neles “alocadas”. 
 
 
 
 
 
 
O método mais utilizado é o procedimento varimax. Trata-se de um método ortogonal de 
rotação, ou seja, onde os eixos são mantidos em ângulo reto, que minimiza o número de 
variáveis com altas cargas em um fator, melhorando assim a interpretabilidade do mesmo. 
Neste caso, os fatores passam a ser não correlacionados. O método da máxima 
verossimilhança supõe que os dados seguem uma distribuição normal multivariada. Já o 
método do componente principal, baseia-se na análise de componentes principais e não há 
pressuposição da normalidade das variáveis envolvidas. Na rotação oblíqua os eixos não se 
mantêm em ângulo reto e os fatores são correlacionados. 
Logo após deve-se dar nomes aos fatores. A interpretação é facilitada pela identificação das 
variáveis que apresentam grandes cargas em um mesmo fator. Além das cargas fatoriais, 
devem ser levadas em conta as correlações entre as variáveis originais, medindo as 
contribuições individuais de cada variável. Os nomes dados para os fatores sempre devem ser 
em relação ao consumidor; ex: benefícios à saúde (V1,V3) e benefícios sociais ao consumidor 
(V2,V4,V6). 
 
 
 
 
 
 
Exemplo usando o método do vizinho mais próximo, máxima verossimilhança: 
 statistics  multivariate analysis  factor and principal component  factor analysis 
(OBS: na segunda aba “model2” selecionar o método maximum likelihood factor). 
 
 
 
 
 
 
 statistics  multivariate analysis  fator and principal component  postestimation  
screeplot 
 
 
 
 
 statistics  multivariate analysis  fator and principial componente  postestimation  
rotate loadings (usando 2 fatores) 
 
 
 
 
 
 
 
 statistics  multivariate analysis  fator and principial componente  postestimation 
 loadingplot 
 
 
 
 
 
 Resumo de como fazer a análise fatorial:Fazer exercício Soft Drinks para treinar! 
Capítulo 20: Análise de Agrupamentos (Cluster Analysis) 
A análise de Cluster estuda todo um conjunto de relações interdependentes. Busca 
identificar grupos de consumidores homogêneos dada, por exemplo, a renda e o grau de 
lealdade. A análise visa fazer uma inter-relação entre todo o conjunto de variáveis sejam estas 
independentes e/ou dependentes. Em outras palavras a análise visa classificar objetos e 
aglomerá-los em grupos relativamente homogêneos chamados cluster ou conglomerados 
chegando a segmentos homogêneos. 
Ela tem sido utilizada em pesquisa de marketing para vários propósitos, como: 
 Segmentação de mercado onde os consumidores podem ser agrupados com base nos 
benefícios que esperam da compra de um produto, por exemplo. 
 Compreensão do comportamento do comprador para identificar dentro de cada 
cluster formado o comportamento daqueles “objetos” ali aglomerados. 
 Identificação de oportunidades para um novo produto; as marcas do mesmo cluster 
concorrem mais acirradamente entre elas do que com marcas de outros clusters; uma 
empresa pode analisar suas ofertas atuais comparando-as com as de seus 
concorrentes, a fim de identificar oportunidades potenciais. 
 
 Seleção de mercados de teste; cluster de cidades, por exemplo, podem ser úteis para 
testar estratégias locais de marketing 
 Redução de dados; a formação de clusters pode servir como instrumento de redução 
de dados para criar clusters ou subgrupos de dados mais fáceis de manejar do que 
observações individuais. 
A maioria dos métodos de aglomeração é baseada em algoritmos; 
Formação de segmentos: 1.Definir uma medida de similaridade ou dissimilaridade 
entre pares de elementos (indivíduos, famílias, empresas, unidades tomadoras de decisão, etc) 
 depende do tipo de dados disponíveis; as medidas de similaridades não feitas via distâncias 
euclidianas = distâncias entre os centroides (=valores médios das variáveis para todos os casos 
em um cluster particular). 2. Escolher um método para prescrever um consumidor para cada 
cluster (= segmento). 
Técnicas hierárquicas aglomerativas: 
Métodos de encadeamento: agrupam os objetos de acordo com a distância entre eles. 
 Método do vizinho mais próximo (single linkage): a distância entre os grupos é 
igual à menor das distâncias. 
 Método do vizinho mais longe (complete linkage): a distância entre os grupos é 
igual à maior das distâncias. 
 Método das médias das distâncias (average linkage): a distância entre os grupos 
é igual à média das distâncias. 
Método de variância: clusters são gerados de modo a minimizar a variância dentro do 
cluster. 
 Método de Ward: formam-se clusters baseados na mudança da soma dos 
quadrados dos erros (ou desvios com relação à media do grupo). Tem como 
objetivo gerar clusters que minimizem a variância intra-cluster. 
Métodos centróides: clusters são gerados a fim de maximizar as distâncias entre os 
centroides dos clusters. 
 
Técnicas não hierárquicas: 
Métodos de partição: particionar as unidades amostrais formando conglomerados 
com alta coesão interna e isolados. 
 K-means: tentará formar grupos visando obter uma soma de quadrados residual 
da partição pequena. 
A construção do dendograma é fundamental já que é um dispositivo gráfico para 
apresentar os resultados de aglomeração. As linhas verticais representam clusters unidos. 
Exemplo feito em sala – Compras 
 Deseja-se saber qual a atitude dos consumidores em relação à compras. 
 Amostra aleatória de 20 consumidores 
 Variáveis: 
 V1: fazer compras é divertido 
 
 V2: as compras afetam meu orçamento 
 V3: combino compras com refeições fora de casa 
 V4: procuro a melhor oferta quando compro 
 V5: não me preocupo com compras 
 V6: podemos economizar bastante comparando preços 
 Passo-a-passo: 
1º statistics  multivariate analysis  cluster analysis  cluster data  ward’s linkage - Para 
analisar se as variáveis poderiam ser segmentadas, foi utilizado o método de Ward. 
2º statistics  multivariate analysis  cluster analysis  postclustering  dendograms - pelo 
dendograma, concluiu-se que a segmentação deveria ser feita em três partes dado que é 
possível notar agrupamentos homogêneos distintos. A partir daí utilizaremos o número de 
grupos definido para fazer as análises (grupos definidos a priori). 
 
 
 
 
 
3º Agora, preciso criar os clusters com o nome isabela. Para analisar se os clusters se diferem é 
calculado o cluster centroides o qual da a média das variáveis para cada cluster construído. 
 
 
 
 
 
4º statistics  multivariate analysis  cluster analysis  cluster data  kmeans - outra forma 
de agrupar os segmentos é pelo método de kmeans. 
 
 
 
 
 
Interpretar e traçar o perfil dos clusters envolve a análise dos centroides (valores médios dos 
objetos contidos no cluster). 
 
Nenhuma solução de aglomeração deve ser aceita sem uma avaliação de sua confiabilidade e 
validade. Para isso fazer a análise utilizando diferentes medidas de distância e métodos de 
aglomeração são adequados; ao compara-los que eles levam a resultados parecidos. Estes, não 
são exatamente iguais, pois os métodos utilizam algoritmos distintos. É bom analisar o 
conjunto de dados empregando diferentes métodos para analisar a estabilidade das soluções 
de aglomeração, isto é, é uma forma de ver se a clusterização feita é robusta ou não. 
5º statistics – multivariate analysis – MANOVA, multivariate regression, and related  
MANOVA - utilizo para comparar as médias das variáveis nos clusters. Assim quando p-
valor<5% o meu modelo é bom para ser utilizado, ou seja, as médias não são muito próximas. 
 
 
 
 
 
A única diferença entre 
MANOVA e ANOVA é que a primeira é análise múltipla de variância, ou seja, age como se fosse 
uma matriz (analisa relações entre todas as médias das variáveis). 
 Resumo de como fazer a análise de cluster: 
 
 
 
 
 
 
Fazer exercícios Dell Case para treinar! 
Capítulo 18: Análise Discriminante e Análise Logit 
Análise Discriminante 
A análise discriminante é uma técnica para analisar dados na pesquisa de marketing 
em que a variável dependente ou de critério é categórica e as variáveis previsoras ou 
independentes têm natureza intervalar. O seu objetivo é estabelecer uma combinação linear 
entre variáveis independentes, que melhor discrimina as categorias da variável dependente - 
 
variável resposta - (grupos); além de verificar se existem diferenças significativas entre os 
grupos, desde modo é possível descrever os segmentos identificados. Em outras palavras, a 
análise visa identificar qual é a variável importante para separar os grupos  Quanto menos 
multicolinearidade melhor, pois assim é mais fácil de separar os grupos. 
A variável dependente pode envolver duas categorias ou três ou mais categorias. 
Quando a variável dependente é binária, o modelo logit também pode ser usado ao invés da 
análise discriminante de três grupos. 
Exemplo da aula: Visitas a Resort 
Variável resposta: se a família visitou um resort nos últimos dois anos ou não (2 categorias: 
sim,1 ou não,2) e qual o gasto com férias (3 categorias: 1-low, 2-medium, 3-high). 
Variáveis independentes e potenciais variáveis discriminantes: Renda anual familiar, atitude 
em relação à viagens (Likert 1-9), importância dada a viagens em família (Likert 1-9), tamanho 
da família e idade do chefe de família. 
Passo-a-passo: 
1º mdesc e summarize 
 
 
 
 
 
 
 
2º tabstat 
 
 
 
 
 
 
 
 
3º multivariate analysis  discriminant analysis  canonical linear discriminant analysis 
(seleciono as variables, e no group variable coloco visit) 
 
 
 
Preciso padronizar os coeficientes, pois multiplico pela variável padronizada (média=0, dp=1). 
O padronizado me permite comparar para ver qual variável é a mais influente, mais 
importante (maior coeficiente). 
Probabilidade>f tem que ser menor do que 5%, assim essa função discriminante discrimina. 
Não rejeito a Ho, parto da premissa que a função é discriminante. 
A correlação canônica ao quadrado (0,8)^2 = 0,64  se desse 1 seria perfeito; é como se fosse 
o R2 de estatística. A função discriminante está discriminando os dois grupos com acerto de 
64%. 
Matriz de confusão  os casos corretos é soma da diagonal = 12+15=27  a função colocou 
no grupo 1, 12 respondentes; 12 indivíduos realmente condizem com as características 
daquele grupo, e 0 deles não condizem com as variáveis daquele grupo. Já 18 foram colocados 
no grupo 2, 15 deles realmente condizem com as características daquele grupo, e 3 deles não 
condizem com as variáveis daquele grupo Total de casos 30. Acertos 90% (27/30). 
4º statistics  multivariate analysis  postestimation reports and statistics  Anova 
 
 
 
Tanto o coeficiente padronizado como 
a correlação (com a variável 
dependente) da matriz mostram a 
importância daquela variável em 
explicar a função discriminante. 
 
 
Se f > 5% portanto a Ho é rejeitada, essa variável não é significante para a discriminação da 
função discriminante. A partir disso eu posso fazer igual fazia em Econometria, tiro as variáveis 
com maior p-valor e rodo o modelo novamente. 
5º statistics  multivariate analysis  postestimation reports and statistics  canonical 
coefficients (loadings) display unstandardlized. 
 
 
 
Consigo achar o coeficiente despadronizado, assim posso multiplicar as respostas de um 
determinado consumidor para cada variável pelos coeficientes e somo a constante. Terei um 
resultado próximo de 1 (se for uma pessoa que vai) ou 2 (se for uma pessoa se não vai). Utilizo 
esse método para prever futuros consumidores. 
Agora utilizarei 3 categorias, ao invés de usar visita vou usar gasto em férias (1-low,2 -médium, 
3-high). Preciso de n-1 funções, portanto nesse caso duas. 
6º multivariate analysis  discriminant analysis  canonical linear discriminant analysis 
(seleciono as variáveis e coloco amount) 
 
 
 
 
 
 
 
 
 
A probabilidade de f deu maior que 5%, portanto a função 2 não é estatisticamente relevante, 
não é discriminante. 
Tenho alguns coeficientes negativos, portanto quando maior o tamanho da minha família 
menor a minha propensão a gastar com férias, por exemplo. 
 
A correlação canônica ao quadrado (0,89)^2=0,7921  A função discriminante 1 está 
discriminando os três grupos com acerto de 79%. 
A correlação canônica ao quadrado (0,44)^2=0,1936  A função discriminante 2 está 
discriminando os três grupos com acerto de 19%. 
Matriz de confusão  os casos corretos é soma da diagonal = 9+9+8=26  Total de casos 30. 
Acertos 86% (26/30). 
7º statistics  multivariate analysis  postestimation reports and statistics  Anova 
 
 
 
 
Income e travel são altamente significantes. 
8º statistics  multivariate analysis  postestimation reports and statistics  canonical 
coefficients (loadings) display unstandardlized. 
 
 
 
 
COMPARAÇÃO ENTRE AS TRÊS ANÁLISES ESTUDADAS: 
 
Modelos de Demanda de Escolha Direta 
*Modelo Logit Binomial (variável dependente não é contínua, é binária) 
Quando a variável dependente é binária como 0 ou 1 e há muitas variáveis 
independentes que são métricas (ou dummies), além da análise discriminante é possível o 
modelo logit. O modelo logit binário ou regressão logística geralmente trata do quanto é 
provável que uma observação pertença a cada grupo, estimando a probabilidade de uma 
observação pertencer a um determinado grupo. 
Análise Fatorial Análise de Cluster Análise Discriminante 
Analisa todas as variáveis 
e as reduz em fatores 
Pega o grupo de respondente e os 
agrupa em grupos homogêneos. 
Analisa a variável dependente e tenta 
identificar a variável que separa os grupos 
 
Tem como objetivo estimar o impacto na demanda de uma marca pela alteração de 
variáveis estratégicas (ex. preços) da empresa, de seus concorrentes ou do ambiente (impacto 
na decisão do consumo: Elasticidades – impacto de uma variação no preço na demanda). Ou 
seja, identificar quais são as variáveis de escolha. 
Quais fatores levam ao aumento ou diminuição de vendas? Ofertas de preços e 
atividades de trade marketing dão retorno? Com o Plano de Marketing X, qual a probabilidade 
de um consumidor comprar da nossa empresa? E se mandarmos uma mala direta? E se o 
preço for P? etc 
Para conseguir responder a essas perguntas, o administrador deve entender como 
programas de marketing afetam a probabilidade individual dos consumidores de comprar a 
marca, o impacto das decisões e ser capaz de estimar o retorno financeiro desses programas 
 ROI das ações de marketing. 
Problema: nem sempre os consumidores revelam em pesquisas o que realmente eles fazem: 
1. Consumidores tendem a ser mais “racionais” quando respondem a questionários do que na 
hora da compra ou do consumo. 
2. Ao responder perguntas os consumidores não são forçados a escolher entre atributos (não 
há trade-offs). 
Uso de modelos de escolha discreta para targeting: 
 Dados de preferência revelada como históricos de compras dos consumidores, 
ou…dados provenientes de mailings / surveys para consumidores potenciais. 
 Usar modelos de escolha discreta, como logit, para estimar o impacto de variáveis 
independentes na decisão do consumidor. 
 Baseado nas estimativas do modelo, computar um escore que indique a probabilidade 
de resposta (ex. probabilidade de compra de uma marca). 
 Classificar os consumidores em grupos de acordo com os seus escores. 
 Fazer uma análise de lucratividade para determinar para quais grupos se deve 
concentrar a ação de marketing (ex. envio de brochuras). 
Preferências Declaradas vs. Preferências Reveladas 
•Needs-based segmentation: baseada em dados de survey; o consumidor declara o que 
prefere e o que vai fazer. 
•Choice-based segmentation: baseada em dados de compra (ex. dados de scanner ou dados 
de experimentos); observamos o que o consumidor comprou ou fez  ex: Pão de Açucar usa o 
CRM como base de dados para traçar perfis dos clientes. 
 
 
 
 
 
 
 
Quando eu estou em uma baixa probabilidade preciso de muito esforço para promover 
meu produto; quando estou próximo a 50% um esforço menor leva a maiores resultados 
 
Exercício: Escolha por duas marcas de ketchup Hunt’s ou Heinz? 
Se os supermercados oferecerem Heinz ou Hunt’s ao mesmo preço, qual será a marca líder no 
mercado? O que se pode concluir sobre o efeito de atividades de Trade Marketing em lojas na 
decisão de compra de Heinz e Hunt’s? 
Variáveis analisadas para cada marca: 
•Preços 
•Display: produto em ponta de gôndola ou algum tipo de merchandising na loja 
•Feature: presença de propaganda na loja 
•Feature e display: as duas ações em conjunto 
 
1º passo: por ser um logit binomial as variáveis são dummies onde 1 quando o dislplay estava 
presente e 0 quando o display estava ausente (idem para feature e feature e display); já a 
variável preço deve-se fazer a relação de preços das marcas fazendo ln dos preços, de modo a 
não alterar os resultados além de trazer uma maior sensibilidade. 
 
Deste modo posso transportar para o stata. 
2º passo: mdesc 
 
 
 
 
 
 
 
3º passo: summarize 
 
 
 
 
 
 
 
 
Nesse caso a média é o mkt share (89%Heinz e 11% Hunt’s) 
4ºpasso: statistics  binary outcome  logistic regression 
 
 
 
 
 
 
 
 
 
O Pseudo R2 = 0,30 é ok na medida em que equivale a um R2 simulado, ou seja, mede a 
adequação do modelo, e a prob>chi2 é boa. 
Lembrando que ln_price_dif_ = ln Heinz – ln Hunt’s, essa variável é significativa e o coeficiente 
desta é negativo, portanto essa variável contribui negativamente para a escolha. Já 
featdisplheinz não é signiticativa para explicar a escolha pela Heinz. Analisando os demais 
coeficientes sabe-se que display também é importante, porém preço é mais.Lembrando que a probabilidade de escolha da Hunt’s é 1 – probabilidade de escolha da Heinz 
5ºpasso: statistics  postestimation  binary outcome  goodness (na aba Main: seleciona a 
primeira opção e utiliza estimation sample) 
 
 
 
 
 
 
 
 
 
 
 
Soma da diagonal, dividido pelo total de observações resulta no total de acertos. 
 
Embora o R2 não foi muito bom, teve uma porcentagem de acerto grande. Portando o modelo 
é adequado. 
 
6ºpasso: montar o gráfico com a curva da probabilidade de comprar – predict prob (criar 
coluna de probabilidades de comprar Heinz); fazer um gráfico para ajudar a interpretar a 
probabilidade – graphics  twoway graph  create  Y: prob X: ln_price_dif_ 
 
 
O gráfico da direita é mais fácil de interpretar. Quando ln x – ln y =0, os preços são iguais; com 
display sempre a chance de comprar é um pouco maior. Quando ln x – ln y = 1, a elasticidade 
preço é grande. 
 
Caso eu queira a probabilidade numérica entro no Data Editor e terei a probabilidade de 
compra da Heinz para cada indivíduo. 
 
Exercício: Lealdade à marca 
1ºpasso: mdesc 
 
 
 
2ºpasso: summarize 
 
 
 
 
3ºpasso: statistics  categorical outcomes multinomial logistic regression (variável 
dependente: loyalty) 
 
 
 
 
 
 
 
 
 
O R2 nesse caso não é muito bom, mas é considerado ok (o ideal seria 1). Já o p-valor das 
variáveis product e shopping são> 5% e, portanto, não são significantes para explicar a 
lealdade à marca  deveria tirar essas variáveis e rodar de novo. 
 
4ºpasso: statistics  postestimation  binary outcome  goodness (na aba Main: seleciona a 
primeira opção e utiliza estimation sample) 
 
 
 
 
 
 
 
 
 
 
 
 
 
Interpretação dos coeficientes: 
 
Se a marca aumentar em uma unidade, o Ln da probabilidade (“log odds”) aumentará 
em e^1,27 unidades, quando o efeito das outras variáveis independentes é mantido constante. 
O sinal desse coeficiente determinará se a probabilidade aumenta (se o sinal for positivo) ou 
diminui (se o sinal for negativo), nessa quantidade.  lembrar exercício da lista 2 
O modelo teve 80% de acerto, o que é considerado bom, dado o R2 apresentado. 
 
*Modelo Logit Multinomial 
 Neste caso, a variável dependente tem mais de duas alternativas (escolha segue 
discreta) e existem diversas variáveis independentes métricas ou dummies. Este modelo vai 
estimar a probabilidade de uma observação pertencer a um determinado grupo. 
Exercício da Lista 2: Painel de Biscoitos 
a) Qual o market share de cada marca, preço médio pago pelos consumidores por cada marca e o 
percentual de vezes que o consumidor vê um display ou uma propaganda da marca na hora da 
compra? 
 
 
 
 
 
 
 
A partir das saídas do stata é possível montar outras tabelas para melhor visualizar o 
Market share, preço médio pago e percentual de vezes que o consumidor vê um display ou 
uma propaganda das marcas na hora da compra: 
Stats Private Sunshine Keebler Nabisco 
Sum 1035 239 226 1792 
N 3292 3292 3292 3292 
Market Share 31,43% 7,26% 6,86% 54,43% 
 
 
Stats Private Sunshine Keebler Nabisco 
Preço médio $0,68 $0,96 $1,10 $1,10 
 
Stats Private Sunshine Keebler Nabisco 
Sum 117 71 86 160 
N 3292 3292 3292 3292 
% de display/propaganda 3,55% 2,15% 2,61% 4,86% 
 
Portando a primeira tabela mostra a quantidade de vezes que uma marca foi 
consumida e o número total de compras observadas, onde a Nabisco possui o maior Market 
share com 54,43%. A segunda tabela gera novamente o total de observações e quantos atos 
de compra existiram dada à presença de propaganda ou display. Novamente a Nabisco e a 
Private estão na frente onde 4,86% e 3,55% das compras foram efetuadas após o consumidor 
ver um display e/ou propaganda, respectivamente. Por fim, a última tabela dá o preço médio 
dos produtos das marcas em destaque. 
b) Analise a discriminação da escolha da marca em relação aos preços das marcas do mercado. 
As variáveis utilizadas para servirem como base da segmentação foram: obs – mostra a 
observação gravada, household – identifica o consumidor, lastpurchase – indica a última 
compra, os nomes das marcas private, sunshin, keebler, nabisco – indicam a marca comprada, 
price e featuredisplay – corresponde ao conjunto promocional total. Para ver se existiam 
missing values, foi utilizado o comando mdesc que gerou a tabela a seguir: 
 
A partir da tabela, pode-se concluir que para todas as variáveis selecionadas não existe 
missing value. Para verificar como essas variáveis se comportam, foi utilizado o comando 
summarize e construído histogramas para as variáveis preços das marcas. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Com a tabela, pode-se ver que a maioria das variáveis são binárias, ou seja, 0 quando 
não ocorreu a compra ou a presença daquela variável e 1 quando aquela variável estava 
presente. Também é possível olhar a média das variáveis. Para household esta é inútil já que 
não traduz nada além da identificação do consumidor. A média do price é realmente uma 
média de preço, nota-se, portanto, que o em média mais barato é a marca private e o keebler 
mais caro a $1,12. Ao analisar os histogramas dos preços das marcas, é possível confirmar o 
que foi citado anteriormente ao visualizar a frequência dos diferentes preços praticados. A 
 
marca Nabisco pratica o preço dentro de um menor intervalo de variação, já a marca Private 
tem uma maior concentração em torno de R$0,68. 
Para fazer uma análise discriminante da escolha das marcas em relação ao preço, 
posso utilizar a ferramenta tabstat, porém antes disso preciso criar uma coluna chamada 
marcas para identificar a escolha de cada consumidor. Isso foi feito pelo comando: 
generate marcass = 0 if private == 1 
(2257 missing values generated) 
replace marcass = 1 if sunshine == 1 
(239 real changes made) 
replace marcass = 2 if keebler == 1 
(226 real changes made) 
replace marcass = 3 if nabisco == 1 
(1792 real changes made) 
A partir daí, posso fazer uma análise canônica com uma divisão proporcional das 
probabilidades. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
O standardized canonical discriminat function, nos mostra um coeficiente padronizado 
o qual permite comparação para ver qual variável é a mais influente, mais importante (maior 
coeficiente). Além disso, as probabilidades das funções quando menores do que 5%, nos dizem 
que a função discriminante discrimina. Já a matriz de confusão, mostra os casos corretos na 
soma da diagonal (199+21+1627=1847) a primeira função, respondente a marca Private teve 
1035 respondentes; 199 indivíduos realmente condizem com as características daquele grupo, 
e o restante não condiz com as variáveis daquele grupo. Já 239 foram colocados no grupo 
seguinte (Sunshine), 21 deles realmente condizem com as características daquele grupo; a 
marca Keebler teve 0% de acertos e segue assim o raciocínio. O total de casos é de 3292, onde 
obteve-se um nível de acerto mediano de 56,1% (1847/3292). Daí pode-se afirmar que o preço 
sozinho não é suficiente para explicar a escolha da marca. 
Para identificar a relevância das variáveis, e validar a análise foi feita uma ANOVA: 
 
 
 
Como f < 5% portanto a Ho não é rejeitada, ou seja, essa variável é significante para a 
discriminação da função discriminante, porém elas não explicam tudo. 
c) Estime o impacto das variáveis (preço, display, feature e feature and display) na demanda 
por marcas. 
Para estimar o impacto das variáveis na demanda por marcas foi utilizado a análise de 
regressão multinominal logistica abaixo: 
 
 
 
 
 
 
 
 
 
Ao analisar a saída do Stata, como o p-valor < 5% pode-se dizer que as variáveis em 
questão influenciam a escolha da marca. Vale ressaltar que as constantes representam o valor 
das marcas Sunshine, Keebler e Nabisco respectivamente em relação à base Private. Dito isso, 
o brand equity da Nabisco é melhorque o das outras companhias já que possui o maior 
coeficiente. Os coeficientes negativos significam que o valor é menor do que sua base, no caso 
a marca Private. Porém, deve-se também analisar o p-valor das variáveis. A partir de então, a 
marca Keebler não deu significante, portanto não é possível tirar conclusões concretas. A 
presença de display aumenta a venda, uma vez que o coeficiente é positivo, entretanto ele 
também não deu significativo já que seu p-valor é maior do que 5%. Por fim, o preço se 
mostrou ser significativo e é a variável mais importante. 
d) Interprete o sinal e a significância do efeito marginal de cada variável na probabilidade de 
escolha das marcas de biscoito. Explique porque o sinal do coeficiente estimado de cada 
variável já indica qual o sinal do efeito marginal dessa mesma variável. 
Sabe-se que ao elevar “e” ao coeficiente encontrado na análise de regressão multinominal 
logistica acima encontra-se o odds ratio, ou seja, a probabilidade de escolha das marcas de 
biscoito. O efeito marginal mostra o efeito na escolha da marca dado o aumento de 1 unidade 
nessa variável, tudo mais constante. Portanto ao interpretar o sinal dos coeficientes das 
variáveis nota-se que os números negativos resultam em um menor impacto no efeito 
marginal dessa mesma variável na probabilidade de escolha das marcas. Fato este explicado já 
que “e” elevado a um coeficiente negativo, resulta em um número 1/e^coeficiente (ex: e^-3 = 
1/e^3). 
 
 
 
 
 
 
 
Portanto, as variáveis com um maior efeito marginal na escolha das marcas são 
Const3(Nabisco), feat e featdispl. Entretanto, como já dito anteriormente, a variável display 
não se mostrou significante não podendo, portanto, tirar conclusões concretas sobre ela. 
e) Estime o brand equity relativo a cada marca. 
As duas questões discutidas anteriormente são essenciais para a discussão do brandy 
equity das marcas de biscoito. Uma vez que os “Brand Equity” são os interceptos da CLogit, 
ficou claro que o valor da marca Nabisco possui um maior impacto no efeito marginal dessa 
mesma variável na probabilidade de escolha das marcas. Além disso, o brand equity da 
Nabisco é melhor que o das outras companhias já que possui o maior coeficiente positivo 
depois de feita a análise de regressão multinominal logística (os coeficientes negativos 
significam que o valor é menor do que sua base, no caso a marca Private). Portanto a 
probabilidade de alguém escolher essa marca de biscoito é maior perante as demais. Em 
seguida, utilizando os mesmo critérios, aparecem as marcas: Private, Keebler e Sunshine. 
Variável Coeficientes Exponencial 
Const 1 -0,6602 0,5167 
Const 2 -0,1674 0,8459 
Const 3 1,7966 6,0291 
Price -3,126 0,0439 
Disp 0,0025 1,0025 
Feat 0,4475 1,5644 
Featdisp 0,6124 1,8449 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Capítulo Mapas Perceptuais e de Preferências 
Como consumidores percebem o posicionamento de nossa marca? Os mapas 
perceptuais têm por objetivo mapear a percepção dos consumidores sobre atributos de 
produtos existentes e novos conceitos; a percepção da similaridade entre marcas; preferência 
por produtos; e medidas de respostas comportamentais de consumidores com relação ao 
produto. 
 
 
 
 
 
 
 
Primeiramente deve-se relembrar o conceito de posicionamento: é o ato de 
desenvolver a oferta e a imagem da empresa, de maneira que ocupem uma posição 
competitiva distinta e significativa nas mentes dos consumidores do público alvo. Para isso 
deve-se selecionar os atributos e benefícios com base no segmento alvo. O posicionamento de 
um produto tem sucesso quando os benefícios do produto estão na mente do consumidor de 
modo correto, estes são considerados relevantes, exclusivos (difíceis de copiar – análise VRIO), 
e são comunicados com clareza trazendo rentabilidade para a empresa. Portanto, uma 
empresa só tem sucesso se ela tem uma vantagem competitiva sustentável. 
 
Análise competitiva: 
Características relevantes – referência: natureza da concorrência (quando você estabelece 
uma estrutura de referencia você também estabelece seus concorrentes), mercado-alvo; spill-
over  dou o tiro no publico alvo, mas sempre acaba alcançando pessoas fora do público alvo. 
O OMO quer vender pra classe C, mas ele tem um preço mais elevado devido ao 
posicionamento que conseguiu alcançar. “Omo lava mais branco; se sujar faz bem”. 
Ponto de paridade – comuns: são necessários, base da concorrência; ex: Pepsi e coca são bem 
parecidos 
Ponto de diferenciação: são desejáveis e possíveis de entregar; ex: Pepsi, foca mais em um 
público jovem. 
Um bom posicionamento deve conter: Para (público alvo) nossa (marca) é (conceito) que 
(ponto de diferença). 
Para analisar o mapa perceptual deve-se ver a projeção do ponto no eixo (fatores que + 
explicam) e não a distância. Os tamanhos dos vetores indicam as forças daqueles 
atributos/variáveis, ou seja, em qual direção ele está crescendo. Ex: Tam, Azul, Gol, Avianca 
precisa de um gráfico com 4 eixos (pontualidade, serviço, conforto e conveniência). Atributos 
que são, ao mesmo tempo, relevantes e próximos aos eixos principais, ajudam a determinar o 
significado desses eixos. Para posicionar uma companhia em um atributo, desenhe uma linha 
perpendicular entre a sua localização e o atributo (projeção ortogonal). Se eu comparar entre 
quadrantes, consigo ver quem são os concorrentes diretos (olho quem está plotado ao redor 
daquela marca). 
 
 
 
 
 
 
 
 
Existem dois modelos de preferências: o modelo de preferência ponto ideal onde existe um 
máximo para preferência daquela variável (ex: doçura); e o modelo de vetor de preferência 
(acima ilustrado), o qual mostra níveis e variáveis de preferência (ex: rapidez de um serviço). 
Se for um joint-space usando pontos ideais como a figura abaixo o círculo maior representa 
uma maior concentração de clientes (cluster) e cada ponto um respondente. 
 
 
Portanto nesse mapa de posicionamento as marcas se diferem. O tamanho da bolinha indica a 
importância do cluster, portanto nessa região tem a maior concentração de clientes. Nesse 
caso, Budwieser está mais bem posicionada para atender esse grupo de pessoas. No gráfico da 
direita devo projetar as bolinhas dos atributos no vetor de preferência. Quanto mais pra baixo 
melhor, portanto a Samsung é preferida nesse caso. Preferência não tem muito a ver com o 
racional, é simplesmente a escolha do consumidor. 
 
 
 
 
 
 
 
 
Já nesse último joint space usando vetor de preferência de 25 respondentes, cada vetor é um 
respondente; o tamanho da flecha mostra a convicção dos valores, portanto quando o vetor é 
muito grande significa que ele é “dentro” de daquele quadrante. Como cada vetor é uma 
pessoa, a Budweiser é a melhor já que possui mais e maiores (com convicções mais claras) 
vetores próximos a ela. 
 
Exercício Lista 2: Office Star Materiais de Escritório – Posicionamento de Marca 
 
Descrição: Possuem respectivamente os dados originais sobre percepção e preferência e o 
mapa perceptual e de preferência da loja da Office Star e de seus concorrentes. 
a) Qual o significado do percentual que está indicado nos eixos do mapa? 
Após realizar uma análise qualitativa ou fatorial, chega-se a conclusão dos fatores que 
explicam de melhor forma as variações que constam no modelo. Os fatores que constam nos 
eixos do mapa foram selecionados por possuírem os maiores autovalores, sendo as 
porcentagens presentes, o percentual que cada fator explica da variância total do modelo. 
Portanto, nota-se que a Dimensão I explica 66,9% da variância do modelo. Os outros 30,8% da 
variância do modelo é explicada pela Dimensão II. 
b) Qual é o percentual de variação total dos dados explicados por esse mapa 
bidimensional? Em sua opinião esse mapa representa bem as percepções dos 
consumidores nesse mercado? Explique. 
O percentual de variação total dos dadosexplicados pelo mapa bidimensional é a soma 
dos fatores expressos nos eixos do mapa: 66,9 + 30,8. Ou seja, 97,7%. 
Consideramos 97,7% um valor bastante significativo para afirmar que o mapa perceptual 
represente bem as percepções dos consumidores nesse mercado. Concluímos isso, uma vez 
que um terceiro fator acrescentaria apenas 2,3% na variância total, o que consideramos 
pouco. 
c) O que se pode concluir sobre o posicionamento da Office Star a partir da análise do 
mapa perceptual? 
A partir da análise do mapa perceptual, observando a proximidade da marca aos 
vetores, conclui-se que os consumidores percebem o direcionamento da Office Star para 
qualidade no serviço. Junto a qualidade de serviço, nota-se a percepção positiva dos clientes 
quanto a grande variedade e boa qualidade dos produtos. No entanto, observa-se a percepção 
 
dos clientes perante a Office Star como uma marca que entrega produtos caros e com baixa 
conveniência. 
Portanto, agrupando e analisando as percepções dos clientes (uma marca que entrega 
bom serviço com qualidade e variedade dos produtos, vendidos com preços altos e em poucos 
pontos) conclui-se que a Office Star tem um posicionamento TOP no setor de materiais de 
escritório. 
Analisando o posicionamento da Office Star perante seus concorrentes, nota-se que a 
empresa está bem posicionada em seu segmento alvo, líder de preferência. Observa-se que 
não há proximidade de concorrentes que busquem as vantagens competitivas almejadas pela 
Office Star e que existe uma grande tendência de preferencias das percepções dos clientes “ao 
redor” da empresa. 
 
Capítulo 21: Análise de Preferência Conjunta 
 
Como podemos alterar atributos do produto com base na percepção dos 
consumidores? Uma empresa aérea deve oferecer mais entretenimento ou espaço para as 
pernas? (trade-offs) 
O objetivo da análise de preferência conjunta é criar funções de utilidade que 
avaliam a importância relativa que clientes percebem nos atributos do produto (baseado em 
utilidade). Em outras palavras a técnica procura determinar a importância relativa que os 
consumidores dão a atributos relevantes, para avaliar um determinado produto e a utilidade 
(preferência) que os consumidores associam aos níveis desses atributos  Trade-offs entre 
atributos. Assim, os resultados auxiliam a decisão dos atributos que devem ser projetados para 
o novo produto com o objetivo de maximizar o desempenho esperado no mercado (levando 
também em conta os concorrentes). 
A análise conjunta vem sendo utilizada em marketing como: 
 Avaliar a importância relativa dos atributos no processo de escolha do consumidor. 
 Estimar a participação de mercado de produtos que diferem nos níveis dos atributos 
(simulação). 
 Determinação do produto de maior preferência. 
 Segmentação do mercado baseada na preferência pelos atributos (bases de 
segmentação). 
 
Exercício: Tênis 
Um fabricante de tênis deseja projetar um produto que tenha uma boa 
aceitação no mercado. Para tanto, ele quer saber quais são as 
características de um tênis que um consumidor leva em conta no 
momento da compra. 
 
 
 
 
 
 
De acordo com a tabela acima, o tênis possui três atributos: sola cobertura e preço e dentro de 
cada atributo tenho três níveis. 
 Atributos = características que descrevem o produto 
 Níveis = números de diferentes valores do atributo 
 Perfil = uma combinação de atributos, cada atributo em nível específico, apresentado 
ao respondente para uma avaliação (ou preferência declarada) 
 Conjunto de escolhas/Bundles = perfis pre-especificados apresentados ao respondente 
para fazer uma pseudo-escolha (escolha declarada). 
 
São colhidos dados de consumidores sobre preferências gerais com relação às cestas (bundles) 
de atributos (produtos). Essas preferências são decompostas em valores de utilidades (part-
worths) que o consumidor atribui a cada nível de cada atributo. 
Métodos de coleta de dados: 
Escala métrica: 
–Atribua uma nota de zero a cem a cada perfil refletindo a probabilidade de comprar o 
produto. 
Escala não-métrica: 
–Ordene os produtos (perfis) segundo a sua preferência (avaliação por postos) 
–Classifique cada um dos produtos (perfis) em 
•compraria certamente 
•provavelmente compraria 
•talvez comprasse 
•provavelmente não compraria 
•não compraria certamente 
 
Para coletar as utilidades do consumidor seria possível fazer 27 combinações diferentes 
conforme a abordagem pareada (pairwise approach), como mostra a tabela abaixo: 
 
 
 
 
 
 
Entretanto na vida real coletar esse número de dados com diversos consumidores seria 
inviável. Para facilitar, existe uma outra abordagem, conhecida como abordagem de perfil 
pleno, onde somente faz-se o número ideal de “bundles” a soma dos níveis, nesse caso 9. 
Avaliação pela escala 
gráfica  Escala Likert 
 
Devo atribui um código numérico para cada nível de tênis para então calcular 
utilidades distintas para cada nível (a variável dependente é a preferência ou a intenção de 
compra). 
O modelo de análise conjunta expressa a relação fundamental entre atributos e a 
utilidade em análise conjunta. O procedimento utilizado para estimar o modelo é a regressão 
com variáveis dammy. Sendo n a quantidade de níveis existentes, preciso de n-1 dummies, no 
caso 2. 
Utilizando de mínimos quadrados ordinários com variáveis dummy obtém-se o 
seguinte modelo estimado: 
 
 
 
 
Os níveis dos atributos cobertura e preço foram codificados de maneira similar. Os 
parâmetros foram estimados como segue: 
 
 
 
 
 
 
Os coeficientes negativos mostram que aquele nível de atributo não é muito 
importante para o consumidor, e/ou são menos importante do que a base. 
 
 
A somatória é zero 
exatamente porque a soma 
dos alfas igual é zero é de 
origem arbitrária. Percebe-
se que este entrevistado 
acusa maior preferência 
para uma sola de borracha 
na avaliação do tênis. 
Borracha – Plástico = b1 
Poli – Plastico =b2 
Sola 
Cobertura 
Preço 
 
É possível calcular os intervalos dos part-worths, no caso 
 
 
 
 
 
 
Como demostrado acima, a importância relativa é calcula pela divisão entre a 
amplitude dos alfas para cada atributo e o Part-Worth total. 
Interpretando os resultados gerais na tabela abaixo, nota-se que a primeira 
preferência é pela sola de borracha, a segunda é para uma sola de plástico, e a sola de 
poliuretano é a de menor preferência. A parte superior de couro é a que tem maior 
preferência, seguida por lona e nylon. O preço preferível com maior utilidade é o mais baixo. 
Como já dito anteriormente, em termos de importância relativa dos atributos, preço é o mais 
importante seguido por sola e cobertura. Portanto essa pessoa pode ser rotulada como 
sensível ao preço. 
 
 
 
 
 
 
 
 
 
É mais conveniente fazer os gráficos das funções de valores parciais abaixo para 
melhor interpretar os resultados. 
 
 
 
 
 
 Por fim, para avaliar a confiabilidade e a validade dos resultados de uma análise 
conjunta, deve-se olhar o 𝑅2 da regressão, o qual indica o grau de aderência do modelo aos 
-0,556 0,778 
1,334 
28,6% é a utilidade 
relativa do atributo 
sola. Nota-se que em 
termos de 
importância relativa 
dos atributos, vê-se 
que o preço é 
número um, sola o 
segundo e por fim 
cobertura. 
 
dados; olhar a correlação entre a utilidade estimada pelo modelo e as preferências declaradas; 
se a análise foi feita no agregado, pode-se dividir amostra em duas para reestimação e os 
resultados comparados para avaliar a estabilidade das soluções da análise conjuntas. 
No exercício obtivemos um R2 de 0,934, o que indica um bom ajuste. 
Exercício: Designing a frozen pizza 
 
 
 
Core Product ou Núcleo do Produto: o aspecto mais fundamental do produto – a necessidade 
ou desejo que satisfaz o consumidor ao comprar o produto. espera-se que o produto seja o 
que é esperado é ex:caneta, espera-se que a caneta escreva. O que eu objetivo no produto, o 
aspecto mais fundamental do produto. 
“Na fábrica, nós produzimos cosméticos; na loja, nós vendemos esperança” (Charles Revson da 
Revlon) 
Produto Tangível ou Básico: consiste em características, estilo, nível de qualidade, marca e 
embalagem; é o produto mais convencional ex: caneta é composta por plástico, tinta, etc. 
Produto Ampliado: inclui características e serviços adicionais ao produto; ex. SAC, guias de 
instalação, garantias e serviços pós venda. 
 
Processo de desenvolvimento de novos produtos: 
Mapeamento Reverso: determinar valores de características físicas/objetivas de um produto 
para atingir uma posição predeterminada no espaço/mercado. 
Solução: o pesquisador pode determinar uma função que relacione características/atributos a 
preferências ou percepções por um novo produto. 
Função utilidade (função de preferência)  o pesquisador pode definir o nível dos atributos de 
um produto para que o consumidor atinja um determinado nível de utilidade. 
Modelos para desenho de produto: Para commodities com apenas um atributo diferenciador 
(ex. preço), como saber qual é a marca que o consumidor escolherá? 𝑝𝑎>𝑝𝑏 ↔ 𝑢𝑎<𝑢𝑏 
Essa análise funciona bem quando tenho uma função de utilidade, ou seja, existe um nível de 
atributos em que o consumidor atinge um nível de preferência determinado. 
 
 
 
 
 
 
Existem dois métodos para definir os perfis (cestas/bundles de atributos). 
I. Desenho fatorial completo (full-factorial design) número de perfis = 𝑀𝐾 
II. Desenho fatorial fracionado (fractional-factorial design): combinações ortogonais de 
níveis dos atributos Reduz o número de perfis, mas ainda permite a estimação das 
contribuições independentes de cada atributo à função utilidade. 
Utilizando o desenho fatorial completo, um total de 216 (multiplicação de todas as 
possibilidades de atributos: 3x4x3x2x3) tipos de pizza podem ser desenvolvidas. 
O consumidor deve dar notas de 0 a 100 para cada atributo – tem que somar 100. E 
dentro de cada atributo devo dar 0 para aqueles que valem menos e o limite dado 
anteriormente para a mais valiosa. 
Ex: massa = 20  pan 0; thin 20; thick 10 
Exercício: Case Forte Hotel 
Um grupo quer oferecer charme e confiança de hotéis europeus nos EUA; eles identificaram 5 
atributos (com vários níveis) que os clientes mais valorizam na escolha do hotel. Eles querem 
saber que tipo de hotel deveria ser instalado na região. 
Price, Location and Brand Name  3 principais razões de escolha 
Decidiu explorar as preferências do consumidor a partir de 5 atributos chaves: room type 
(small suite, large room, office room); business amenities (www access, speaker phone, room 
fax); leisure facilities (exercise room, pool, exercise room+pool); conveniences and extras (shoe 
shine, tape library, fruit and cheese, newspaper); and restaurants and dining (yes, no). Dentro 
de cada atributo existem diversos níveis. O ideal seria ter o mesmo número de níveis, porém 
quando a diferença é pequena não é tão grave. Seria possível fazer 216 combinações; mais 
existe um “macete”: faz-se o número ideal de “bundles” a partir da soma dos níveis = 16. 
Foi feita uma análise conjunta para identificar uma “maneira científica” para: qual é o novo 
produto; 
Existem dois métodos: 
*Posso dar notas que somem 100 para os atributos e para os níveis dou o maior valor para o 
mais preferível e 0 para o menos (zero relativo, pois preciso colocar isso em uma escala) e um 
valor intermediário para os demais. Ex: room type 40  small suíte 40, large room 20, office 
0. A partir daí eu monto as notas do bundles. 
*Posso dar notas aleatórias para os bundles de acordo com minha percepção, e ai o 
computador vai dar as notas pra cada atributo e pra cada nível. Processo inverso do método 
anterior. 
 
Exercício Lista 2: Calças jeans – Características Relevantes 
Dados: uma marca de roupas quer entender quais características são mais importantes para 
seus clientes na hora de decidir qual calça jeans comprar. Dentre as características 
pesquisadas estão elasticidade (baixa e alta), cor (escura e clara) e corte (cintura baixa e 
cintura alta). 
Análise de preferência conjunta: consideramos elasticidade (baixa e alta), cor (escura e clara) 
e corte (cintura baixa e cintura alta) como atributos e seus níveis estão dentro dos parênteses. 
Uma vez coletados os dados para os consumidores calculou-se a utilidade. 
Utilidades Estimadas (Part-worths) 
Elasticidade Corte Cor 
Baixa 0,75 Cintura Baixa 1,75 Escura -1,00 
Alta -0,75 Cintura Alta -1,75 Clara 1,00 
 
a) Usando os valores das utilidades de cada nível apresentados na tabela acima, calcule a 
importância relativa de cada atributo na escolha do consumidor. 
 
 
A cima, realizamos a soma das diferenças entre o maior e o menor valor encontrado 
entre as utilidades, para podermos calcular qual a importância relativa de cada atributo na 
escolha do consumidor. O resultado é consequência do quociente da diferença entre o 
maior e o menor valor das utilidades de cada nível de atributo pela soma dos intervalos do 
part-worths (igual a 7, resultado da equação acima). 
 
 
 
De acordo com tais resultados, pode-se concluir a importância relativa de cada a tributo na 
escolha do consumidor sendo o “corte” o atributo mais importante, seguido por “cor” e 
“elasticidade”. 
b) Com esses atributos e níveis de avaliação quantos perfis poderiam ser formados? 
Sendo 3 os atributos e 2 os níveis em cada atributo, pode-se formar 8 perfis diferentes de 
calça jeans: 
Bundle Elasticidade Corte Cor 
1 Baixa Cintura Baixa Clara 
2 Baixa Cintura Baixa Escura 
3 Baixa Cintura Alta Clara 
4 Baixa Cintura Alta Escura 
 
 
 
 
c) Explique como obter a utilidade media através da regressão linear. 
Deve-se utilizar variáveis Dummy. Estas variáveis atuariam para cada nível de cada 
atributo. Conforme o nível do atributo, varia-se a Dummy entre 0 ou 1 para que possa ser feita 
a comparação. Importante lembrar que deve-se deixar algum nível de cada atributo como base 
(zero). 
d) Sugira uma possível razão que justifique a empresa não ter incluído o atributo preço 
no experimento. 
 Acreditamos que a razão pela qual a empresa não incluí o atributo “preço” no 
experimento é devido a um possível viés que tal atributo pode causar na interpretação dos 
outros atributos: “elasticidade”, “corte”, “cor”. 
 Como estamos tratando de um bem comum, intuitivamente, quanto menor o preço, 
melhor para o consumidor. Assim, o preço não passa a ser um fator diferencial, e sim, uma 
paridade de posicionamento da marca. Caso incluíssemos o preço, ele poderia ter influência 
direta no viés da preferência dos atributos. 
Capítulo 22: Modelos de Equações Estruturais (MEE) 
A modelagem de equações estruturais é um procedimento para estimar uma série de 
relações de dependência entre um conjunto de construtos representados por diversas 
variáveis e incorporados em um modelo integrado. É uma mistura entre a fatorial e a 
regressão linear múltipla, na medida em que eu utilizo variáveis que explicam um construto e 
estes construtos podem ser colocados em uma regressão linear. O MEE pode ajudar a avaliar 
as propriedades da mensuração e testar as relações teóricas propostas utilizando uma única 
técnica. Ele também examina a estrutura de inter-relações, que são expressas em uma série de 
equações estruturais. Essas equações modelam todas as relações entre construtos, 
dependentes e independentes. 
No MEE, os construtos são fatores não observáveis ou latentes em relações de 
dependência que são representados por diversas variáveis, mas não pode ser medidos 
diretamente por um questionário, por exemplo. Além disso, ocorre a incorporação de um erro 
de mensuração de maneira explícita. O erro descreve o grau até onde as variáveis observadas 
não descrevem os construtos latentes deinteresse no MEE. O modelo pode considerar a 
confiabilidade menos que perfeita das variáveis observáveis, proporcionando análises de 
atenuação e viés de estimativa devido ao erro de mensuração. O processo também consiste na 
explicação da covariância entre as variáveis observadas e na estimação de efeitos diretos e 
indiretos na variável dependente. 
5 Alta Cintura Baixa Clara 
6 Alta Cintura Baixa Escura 
7 Alta Cintura Alta Clara 
8 Alta Cintura Alta Escura 
 
Vale ressaltar que o MEE é usado principalmente como técnica confirmatória, para 
determinar se certo modelo (de mensuração) é válido, e não como técnica exploratória. 
Uma teoria serve como fundamento conceitual para o desenvolvimento de um 
modelo, portanto é necessário que inicialmente o MEE seja baseado em uma teoria antes dele 
ser estimado. O MEE consiste em dois modelos: o modelo de mensuração e o modelo 
estrutural. O primeiro retrata como as variáveis observadas/medidas representam construtos 
e permite a avaliação da validade do construto construído. O modelo de mensuração utiliza a 
técnica de análise fatorial confirmatória, em que o pesquisador define quais as variáveis que 
definem cada construto/fator, para confirmar se os construtos e as cargas das variáveis 
observadas sobre eles estão dentro do esperado na teoria. Assim, a AFC é empregada para 
verificar a estrutura fatorial de um conjunto de variáveis observadas. O modelo estrutural, por 
sua vez, mostra como os construtos são inter-relacionados uns com os outros, com ou sem 
relações de dependência. 
Modelos podem ser representados visualmente por um diagrama de caminho (path 
diagram). Relações de dependência são representadas por flechas retas com uma 
extremidade, do construto independente para o dependente. Já, relações correlacionais 
(covariância) são representadas por flechas curvas com duas pontas, ligando os dois 
construtos. 
Construto exógeno: é o equivalente latente e formado por vários itens de variáveis 
independentes na análise multivariada. É determinado por fatores externos ao modelo e não 
pode ser explicado por nenhum outro construto ou variável no modelo  Variáveis múltiplas X 
medidas representam o construto exógeno ξ . 
Construto endógeno: é o equivalente latente* e formado por vários itens de variáveis 
dependentes na análise multivariada. É determinado por fatores internos ao modelo e pode 
ser explicado por outros construtos ou variáveis no modelo  Variáveis múltiplas Y medidas 
representam o construto endógeno η. 
Relação correlacional/relação de covariância: especifica uma correlação simples entre 
construtos exógenos 
 
 
 
Relação de dependência: pode ocorrer em modelos de mensuração (dependência 
entre construtos e variáveis mensuradas) e em modelos estruturais (dependência entre 
construtos). 
 
 
 
 
 
Caso quisesse formar minhas equações seriam: 
 (gama = lâmba) onde x é independente e y é dependente 
Índices de validade e confiabilidade dos construtos 
Índices de ajuste do modelo  vou ver se deu certo a confiabilidade do modelo 
 
 
 
Goodness of fit – quanto maior melhor 
Qui- Quadrado – quanto menor melhor  p-valor > 5% me mostra o quanto o modelo 
tem uma variância diferente da variância da amostra, portanto mede o quanto o modelo é 
ruim. 
Exemplo 01: Uso do site de uma universidade 
 
 
 
 
 
Conclusões: a intenção de uso aumenta quando os alunos percebem a utilidade 
(estimativa = 0.46, p<0.001)) e facilidade (estimativa = 0.28, p < 0.001) de utilização; juntos, os 
dois construtos combinados explicam 40% da variância na Intenção de uso da internet. 
Exemplo 02: Lealdade dos consumidores em uma loja 
 
 
Esse construto é formado por várias variáveis 
O coeficiente representa a covariância 
dos dois construtos e pode ser 
interpretado como o coeficiente de uma 
equação linear: 
Yuso = 0,46*útil + erro 
Yuso = 0,28*fac + erro 
OBS: não seria uma soma das duas, pois 
eles têm uma correlação mútua de 0,4. 
 
 
 
 
O consumidor é fiel a minha loja de acordo com a quantidade de compras feitas na 
minha loja e este construto é influenciado por outros 3 construtos (preço, atendimento, 
ambiente). Percebe-se nesse caso que o ambiente é o mais importante. Se eu quisesse saber o 
impacto da percepção de atendimento na lealdade teria que ver todos os caminhos possíveis 
até chegar na lealdade. 
Conclusões: o ambiente da loja tem o maior impacto, seguido do atendimento e, em 
menor grau preço; a participação nas compras tem um impacto substancial na lealdade, com 
coeficiente estimado da equação de 0,5. 
Exercício: Dell 
Desenvolver um SEM para explicar a satisfação e lealdade da Dell (medidas por Q4, Q5 
e Q6) em termos de grau de desempenho nos 4 primeiros itens da Q8. Lembrando: foi feita 
uma pesquisa com 300 consumidores, as perguntas deveriam ser respondidas em uma escala 
Likert, porém, nem todas seguiam o mesmo raciocínio (algumas eram invertidas). 
1. Especifique o MM (modelo de mensuração) e o ME (modelo estrutural). Desenhar o 
diagrama de caminho 
2. Estimar o MM e especificar a validade e confiabilidade 
3. Estimar o ME e especificar a validade 
4. Que recomendações você daria a Administração da Dell? 
1ºpasso: mdesc 
2ºpasso: summarize 
3ºpasso: statistics  SEM (structural equation modeling)  model building and estimation  
clicar no botão dou nome ao primeiro construto no espaço latent, no caso 
Performance, no campo measurable seleciono as questões/variáveis que influenciam 
esse construto; abro novamente e nomeio o segundo construto como Lealdade 
 clicar no botão faz a flecha de correlação 
A primeira etapa da análise de MEE é definir os construtos individuais especificados com base 
na teoria, lembrando que o interesse é testar tanto a teoria de mensuração (como os 
construtos são representados) quanto a teoria estrutural (como os construtos são inter-
relacionados) 
4º passo: estimation  estimate (aba group: standard; aba model: maximum likelihood; aba 
reporting: standardized porque as escalas Likerts estão diferentes) 
 
 
 
 
 
2,4 é a média da escala de 1 a 
4 para esta pergunta 
A covariância entre os dois 
construtos é negativa já que as 
escalas são invertidas; ou seja, 
quanto melhor minha 
performance mais leal o 
consumidor será. O valor é bom 
já que é próximo de 1. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Com as saídas do stata, diagrama de caminho e com o modelo de mensuração 
estimado é possível tirar conclusões sobre. A adequação do modelo é então determinada, 
após estimar o MM, comparando-se o quanto a matriz de covariância estimada se enquandra 
na matriz de covariância observada. Será utilizado dois índices para avaliar a adequação 
(goodness off it – GFI - números mais altos serão desejáveis) e a inadequação do modelo (qui-
quadrado - números baixos serão desejados já que mensuram o erro ou desvio). 
O teste qui-quadrado proporciona um teste estatístico da diferença da matriz observada de 
covariância da amostra e a matriz de covariância estimada, portanto quanto menor o p-valor, 
maior será a chance de que as duas matrizes de covariância não sejam iguais  p-valor MAIOR 
do que 5% é desejado para que o modelo não seja inadequado; no caso uma probabilidade de 
40,15% comprova que o modelo não é inadequado. 
5ºpasso: estimation  goodness of fit  equation level 
 
 
 
P-valor < 5%  a variável é 
representativa para a 
formação daquele construto 
 
Já o índice goodness-of-it valores mais altos são considerados aceitáveis para um 
modelo adequado; no caso 0,96 mostra a adequabilidade do modelo já que está muito 
próximo de 1. 
6ºpasso: Agora quero ver se existe uma relação de dependência entre os construtos criando 
um modelo de relação estrutural; ainda com a aba model building and estimation apagar as 
flechas de correlação e clicar em estimation clear; clicar no botão; após construir a 
flecha de dependência entre os construtos clicar em estimation  estimate (aba group: 
standard; aba model: maximum likelihood; aba reporting: standardized porque as escalas 
Likerts estão diferentes) 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Olhando o diagrama de caminho, percebe-se que a performance é explicada pela 
lealdade em 66%. Comparando o modelo de mensuração nota-se que o lado esquerdo não 
muda, porém os erros do lado direito mudaram. Novamente o índice de inadequação do 
modelo mostrou que o modelo não é inadequado. Se também olharmos para o valor chi(13) 
=13,62 é bom (o ideal seria 0). Se o p-valor fosse menor que 5% então a variância da amostra e 
a variância estimada seriam diferentes. 
7ºpasso: estimation  goodness of fit  equation level 
 
 
 
 
 
 
Agora o índice GFI encontrado foi de 0,80, portanto piorou a adequação do modelo 
com o modelo estrutural. Porém, existe sim uma relação de dependência entre os construtos. 
A conclusão do exercício é que a avaliação de performance determina o grau de 
satisfação e lealdade. Portanto a Dell deveria melhorar a performance de seus computadores 
para aumentar a satisfação e lealdade dos consumidores. 
OBS: Caso o p-valor da estatística qui-quadrado desse menor que 5% deve-se voltar na 
estimação do modelo e ver qual das variáveis atrapalhou a construção do construto. Posso 
tirar ela ou fazer um recoach (nesse caso geraria uma coluna extra com as respostas na escala 
inversa)