lista 1 de marketing avancado - corrigida

Prévia do material em texto

Lista 1 de Marketing Avançado
a) 
Para saber se há alguma resposta faltando na amostra, foi utilizada a função MDESC, que mostrou que para cada uma das cinco variáveis havia uma resposta faltando. Assim, cada um desses “missing values” foi desconsiderado na análise. Ainda pensando nas respostas recebidas, utilizamos o comando SUMMARIZE para verificar se os valores estão entre 7 e 1, conforme deveria acontecer pela escala Likert definida. De acordo com a tabela é possível perceber que, sim, os valores estão dentro do determinado.
Não se deve calcular a média das variáveis categóricas (identificação da observação, sexo e uso)
E a análise de distribuição?
b) A análise fatorial permite reduzir o número de variáveis do modelo em estudo, através da união de variáveis em um fator, que consiga relacionar explicar o comportamento dessas variáveis. Para que a análise fatorial faça sentido, é preciso que haja menos fatores que variáveis, e quantos menos fatores melhor. Para escolher quantos fatores haverá em um modelo, deve-se observar um dado chamado “autovalor”ou “eigenvalue”. Se esse dado for maior que 1 para aquele fator, significa que o fator é relevante. De acordo com a tabela abaixo, gerada pelo PCF do Stata, é possível perceber que esse modelo consegue ter dois fatores. De acordo com a segunda tabela abaixo, no fator 1 estão as variáveis “awareness” “atitude” e “preferência”, já no fator 2 estão as variáveis “intenção de compra”e “leadade”. Pode-se perceber que o fator 1 engloba variáveis relacionadas à atitude do consumidor em relação à marca Nike e o fator dois engloba variáveis relacionadas ao comportamento de compra do consumidos. 
Ainda, é importante utilizar a rotação ortogonal (método VARIMAX), a fim de confirmar se os fatores estão corretamente agrupados. 
ok
c) 
O gráfico abaixo permite confirmar o que foi afirmado no item b), o fator 1 possui as variáveis “awareness”, “atitude” e “preferência” e o fator 2 possui as variáveis “fidelidade” e “intenção de compra”. Fator 1: Relacionamento com a marca. Fator 2: Comportamento de compra. 
ok
 
d) Outra maneira de encontrar os fatores de um modelo é através do método da máxima verossimilhança. Esse método considera a distribuição normal para o calculo das probabilidades, enquanto o PCF (item b), não. Assim, os valores encontrados são diferentes, e a conclusão também pode divergir. 
De acordo com a tabela abaixo, também existem dois fatores para esse modelo, coincidindo com a resposta do item anterior. Inclusive sendo representado pelo gráfico abaixo, os dois fatores encontrados pelo método da máxima verossimilhança englobam as mesma variáveis que os fatores encontrados pelo PCF.
Ainda, foi feita a rotação ortogonal (VARIMAX) para a verificação do agrupamento dos fatores. 
ok
e)
 Comunalidade = 1 – especificidade. A comunalidade mostra o percentual de uma variável que é explicado por outras variáveis (mostra a multicolinearidade), e quando maior for esse número, melhor. De acordo com a segunda tabela abaixo, a especificidade das variáveis não é alta e isso é bom para a análise fatorial.
As tabelas abaixo mostram a especificidade (uniqueness) antes e depois da rotação ortogonal VARIMAX. Após a rotação, pode-se perceber que o Fator 1 (nomeado relacionamento com a marca) tem alta carga fatorial com variáveis “awareness”, “atitude” e “preferência” (todas com mais de 50%) e também percebe-se que o Fator 2 (nomeado comportamento de compra) tem alta carga fatorial com as variáveis “intenção de compra” e “lealdade” (ambas maiores que 50%).
Assim, é possível concluir que é possível resumir corretamente as variáveis usando os dois fatores escolhidos. 
ok
f) Primeiramente, para dividir usuários entre light, médium e heavy user é necessário fazer uma segmentação desses usuários, usando a análise de agrupamentos (clusters).
Foi utilizado o método de análise gráfica multivariada “star” no Stata, a fim de validar a formação dos grupos com o objetivo de comparar o comportamento das médias das variáveis quando alocado em cada grupo. É visível que apenas as variáveis intenção de compra e lealdade que não possuem grande alterações em seus valores, mas que ainda possuem pequenas variações. 
ok, mas poderia ter usado a pre classificacao de uso
g) 
Na questão acima está a formação dos clusters. O objetivo do dendograma é verificar o número adequado de clusters, sendo que o dendograma abaixo mostra que seria mais adequado se fossem divididos em 4 grupos, diferente da proposta de dividir em 3 grupos. 
ok
h) Utilizando o método proposto no Stata, podemos ver que sexo é uma variável importante a ser considerada pela Nike ao observar o comportamento de seus clientes.
Ok, mas a análise deveria seguir as variáveis originais do cluster
i) Outra forma de agrupar seria utilizando o método Kmeans, é interessante utilizar o método para verificar se o modelo que estava sendo seguido era bom.
análise?
j) Existem fatores diferentes que determinam o consumo da Nike. Além de entender o comportamento do consumido e o seu relacionamento com a marca, é interessante para a empresa entender fatores com o sexo do consumidor, que se mostrou relevante. 
não foi utilizado todo o conhecimento adquirido ao longo das análises (clusters e/ou fatores)