Baixe o app para aproveitar ainda mais
Prévia do material em texto
PESQUISA DE MERCADO Aula 5 Prof. Lucas Magalhães de Andrade 2 CONVERSA INICIAL Com a base de dados pronta, é hora de desempenhar as análises de dados. Vamos conferir algumas das principais técnicas de análise utilizadas nas pesquisas de marketing; conhecê-las é a chave para entender a informação que os dados guardam. Só para você ter uma ideia de quanto essas técnicas podem contribuir para a gestão, veja os seguintes exemplos, demonstrando casos em que elas podem ser aplicadas. Ao final da rota, você deverá conseguir dizer qual análise se aplica a cada um desses problemas. Qual a relação entre a intensidade da música no ambiente da loja e o tráfego de clientes? Como o histórico de compra do cliente pode ajudar a prever as chances de ele aceitar uma determinada oferta? Como podemos identificar perfis para nossos clientes com base em seu comportamento de compra? CONTEXTUALIZANDO Imagine que um grupo educacional, visando melhorar o desempenho acadêmico de seus estudantes – e, portanto, do serviço prestado –, decide implantar grupos de estudo e discussão de artigos científicos recentes. A equipe de gestão da organização gostaria de saber se esse novo programa seria capaz de melhorar a capacidade de reflexão dos alunos em relação às questões levantadas durante as aulas. Em um primeiro momento, decidem adotar o desempenho dos(as) estudantes nas provas como indicador do efeito dessa nova medida sobre o seu desempenho. Dois meses após a implantação, os estudantes que participaram do programa apresentaram uma média de 80 pontos em uma avaliação geral, enquanto aqueles que não participaram obtiveram uma média de 73 pontos. Podemos dizer que o programa provocou uma melhora no desempenho dos estudantes? Vamos discutir algumas das técnicas estatísticas mais comuns para avaliar a relação entre as variáveis. Isso é importante porque nem sempre diferenças numéricas observadas em uma amostra podem suportar a conclusão de que uma variável pode influenciar outra. 3 Pesquise Leitura obrigatória: páginas 270 a 275 do livro da disciplina; Leitura recomendada: capítulos 16 a 20 do livro Pesquisa de Marketing: uma orientação aplicada (Malhotra, 2012). TEMA 1 – ANÁLISE DA VARIÂNCIA A análise da variância é uma técnica estatística para testes de hipóteses. Antes de discutirmos a técnica em si, vamos falar um pouco sobre hipóteses. Estudos quantitativos em pesquisa de marketing normalmente são feitos com a intenção de testar uma hipótese. Imagine o seguinte cenário: uma loja de calçados on-line está criando um novo formato para os anúncios em suas campanhas de mailing. A equipe de marketing decide realizar um estudo experimental a fim de verificar se o novo formato será mais eficaz para gerar novas vendas. Primeiramente, vamos identificar, no cenário descrito, quais as variáveis que o estudo pretende abordar. Observe que o que queremos verificar é se existe um efeito do formato da campanha sobre o volume de vendas do site; deste modo, temos o formato do anúncio como variável independente e o volume de vendas como variável dependente, pois, segundo a proposta do estudo, o volume de vendas depende do formato do anúncio. Tendo isso em mente, qual seria a hipótese a ser testada? Para defini-la, precisamos discutir o que constitui uma hipótese. Corbetta (2003) define hipótese como uma afirmação sobre a relação entre duas ou mais variáveis, colocada de forma bastante específica, com baixo nível de abstração. Uma hipótese deve, então, traduzir a relação que se pretenda estudar, de modo que possa ser testada empiricamente. Uma forma muito comum de estabelecer relações entre variáveis se dá na definição das hipóteses “nula” e “alternativa” (Malhotra, 2012). Nesse processo, definimos uma hipótese que estabelece que a variável independente não tem efeito sobre a dependente, a hipótese nula. Em contrapartida, estabelecemos uma hipótese alternativa, que institui a existência da influência da variável independente sobre a dependente. Assim, o teste de hipótese nada mais é do que uma verificação de qual das duas hipóteses é corroborada pelos dados. 4 Vamos retomar o exemplo para esclarecer esse procedimento. Nossa variável independente (o formato do anúncio) pode ser dividida em dois tipos: o formato atual e o novo formato. Para testar o efeito dessa variável sobre o volume de vendas, poderíamos selecionar, no banco de clientes, uma amostra aleatória e dividi-la em três grupos. Um deles receberia o anúncio com o formato atual; o outro, o novo formato de anúncio. O terceiro grupo não receberia nenhum anúncio, apenas para compararmos quanto os anúncios foram capazes de aumentar as vendas em relação a um cenário onde não houvesse anúncio. Nesse caso, a hipótese nula estabelece que não há diferença entre o valor médio de compra de clientes que não receberam o anúncio ou de clientes que receberam o anúncio em qualquer um dos formatos, ou seja, não há influência do formato do anúncio sobre o comportamento de compra. A hipótese alternativa seria, neste sentido, de que existe diferença no valor médio de compra entre esses grupos. O formato do anúncio, por conseguinte, influenciaria o comportamento de compra. Vamos considerar que a pesquisa revelou que os grupos de clientes apresentaram as seguintes médias para o valor gasto no site: Tabela 1: Médias de valor gasto Gasto médio Sem anúncio R$ 50 Formato atual R$ 70 Novo formato R$ 250 Fonte: Elaborado pelo autor Na tabela, podemos observar que a média do valor gasto pelos clientes que receberam o novo formato de anúncio (R$ 250,00) foi maior – tanto em relação aos que receberam o formato atual (R$ 70,00) quanto aos que não receberam anúncio (R$ 50,00). Podemos, então, afirmar que o valor médio de compras é maior entre clientes que recebem o novo formato de anúncio? Para afirmar que houve uma diferença entre o comportamento desses grupos, não basta observar a média numérica; precisamos nos certificar de que a diferença numérica entre as médias dos grupos é estatisticamente significativa. Isso é necessário porque a média encontrada na amostra não representa a média real na população com cem por cento de acurácia, ou seja, 5 é possível que a diferença numérica seja apenas uma particularidade das amostras coletadas. A análise da variância (também chamada ANOVA) é uma técnica que verifica se a diferença numérica na média de uma variável dependente entre as diferentes categorias da variável independente categórica (ou seja, nominal ou ordinal) é estatisticamente significativa. Para isso, chamamos as categorias presentes na variável independente de fatores. A ANOVA faz isso observando se a variabilidade com que os dados se agrupam em torno da média justifica acreditarmos que as médias são realmente diferentes. Assim, na prática, estamos comparando se a variabilidade dos dados encontrados entre os grupos é maior do que a variabilidade que encontramos dentro do grupo. Em outras palavras, espera-se, por exemplo, que haja menor variabilidade no comportamento entre todas as pessoas que receberam o anúncio no formato atual do que a variabilidade entre essas pessoas e as que receberam o anúncio no novo formato. Se encontrarmos essa diferença, assumimos um pressuposto de que a variabilidade encontrada dentro de um grupo que recebeu o mesmo estímulo é fruto da aleatoriedade, enquanto a variabilidade entre o comportamento de pessoas que receberam estímulos diferentesé resultado da influência da variável independente (Pallant, 2007). Existem várias modalidades da utilização da análise da variância e a modalidade adequada depende das características das variáveis envolvidas no problema de pesquisa. No quadro a seguir, temos uma sumarização dessas modalidades, segundo Malhotra (2012), para que você saiba quando usar cada uma delas. Quadro 1: Modalidades de uso da Análise da Variância One-way ANOVA Uma variável independente categórica e uma variável dependente contínua. N-way ANOVA Mais de uma variável independente categórica (N é o número de variáveis independentes) e uma variável dependente contínua. ANCOVA Pelo menos uma variável independente (denominada fator) categórica e uma contínua (denominada de covariável). A variável dependente deve ser contínua. MANOVA Assim como a ANOVA, utiliza variáveis independentes contínuas. A diferença é que esse teste aceita mais de uma variável dependente contínua. É aplicável quando o(a) pesquisador(a) acredita que as variáveis dependentes podem estar relacionadas entre si. Fonte: Elaborado pelo autor com base em Malhotra (2012). 6 TEMA 2 – CORRELAÇÃO E REGRESSÃO Já discutimos técnicas usadas para verificar diferenças de médias entre grupos de variáveis independentes categóricas. No entanto, frequentemente nos deparamos com problemas de pesquisa cujas variável(eis) independente(s) é(são) contínuas, ou seja, intervalares ou de razão. É aí que entram as técnicas de correlação e análise de regressão. A correlação e a análise de regressão são técnicas usadas para identificar relações entre variáveis, isto é: será que a variação de uma variável Y pode ser explicada pelo aumento ou diminuição da variável X? A correlação entre duas variáveis pode ser positiva ou negativa. Segundo Pallant (2007), dizemos que uma correlação é positiva quando as duas variáveis variam na mesma direção: se uma aumenta, a outra também aumenta; se uma diminui, a outra também diminui. Imagine que um estudo identificou que quanto maior o investimento em propaganda no ponto de venda, maior é o volume de vendas. Nesse caso, temos uma correlação positiva. Por outro lado, a correlação negativa acontece quando uma variável varia em sentido contrário ao da outra variável: se X aumenta, Y diminui; se X diminui, Y aumenta. Imagine que um estudo identificou que quanto maior o número de comentários negativos sobre uma marca em um site de reclamação, menor a intenção dos consumidores de comprar um produto daquela marca. Nesse caso, temos uma correlação negativa entre o número de reclamações e a intenção de compra dos consumidores, pois, quando uma variável aumenta, a outra diminui. Além da direção da correlação, precisamos estar atentos à força da correlação – a intensidade à qual a variação de duas variáveis está associada. O coeficiente de correlação (ou sua intensidade) sempre será um valor de 0 a 1. Existem vários parâmetros para estabelecer essa intensidade, no entanto, um dos mais usados é o parâmetro proposto por Cohen (1988), o qual sugere que uma correlação com coeficiente entre 0,10 e 0,29 seja considerada fraca, entre 0,30 e 0,49, moderada; superior a 0,5, forte. No entanto, é preciso tomar cuidado também com correlações muito perfeitas. Uma correlação com coeficiente igual a 1 é praticamente impossível, portanto, quando encontramos coeficientes muito próximos a 1, devemos nos perguntar se a mensuração das duas variáveis não 7 foi equivocada, de modo que as duas variáveis sejam praticamente a mesma coisa. É importante ressaltarmos que a correlação – por si só – não implica em causalidade. Não podemos dizer com certeza que o aumento em uma variável causou o aumento ou diminuição na outra variável. Antes de afirmar que há causalidade, devemos nos lembrar de que a relação entre as variáveis carece de atender a certos pressupostos, como visto na rota de aprendizagem 2. Esses pressupostos são, segundo Aaker, Kumar e Day (2001): variação concomitante, sequência temporal e eliminação de explicações alternativas. A possibilidade de explicações alternativas é uma questão particularmente importante quando estudamos a relação entre variáveis. Para evitar conclusões equivocadas, é essencial que o(a) pesquisador(a) tenha domínio sobre a teoria envolvida no tema estudado, o que realça a importância de uma verificação o mais completa possível da literatura antes de projetar o estudo. Tal domínio pode ser a chave para identificar outras variáveis que possam influenciar a relação estudada. Para isso ficar mais claro, vamos ver um exemplo trazido por Malhotra e Birks (2007). Imagine que uma equipe de pesquisa de mercado está executando uma pesquisa para compreender melhor os consumidores que compram carros de luxo. Os dados levantados demonstram que a posse de carros de luxo é mais comum entre pessoas com ensino superior completo. Seria correto, portanto, inferir que quanto maior o nível de educação formal, maior deve ser a probabilidade de a pessoa comprar um carro de luxo? Desconfiados dessa conclusão, os pesquisadores decidem verificar a relação dessas duas variáveis em conjunto com o nível de renda. Ao considerar o nível de renda na análise, a relação entre o nível de educação formal e a posse de carro de luxo se tornou irrelevante. Ou seja, o nível educacional não causava efeito sobre a probabilidade de comprar um carro de luxo, mas essas duas variáveis estavam associadas apenas quando vinculadas a uma terceira variável, a qual afetava ambas. A esse tipo de relação denominamos correlação espúria – quando a relação entre variáveis está vinculada ao efeito de uma terceira variável (Malhotra; Birks, 2007). É necessário especial cuidado com esse conceito ao fazer uma análise de correlação. Dito isso, podemos discutir outra análise muito usada para verificar a relação entre variáveis: a análise de regressão. Frequentemente, gestores(as) 8 se deparam com situações em que precisam saber quanto realmente uma variável pode influenciar outra, ou quanto o comportamento de uma variável pode ser explicado pelo comportamento de outra. A análise de regressão baseia-se na correlação; é uma técnica em que construímos uma equação, estabelecendo quanto da variável dependente (Y) pode ser atribuída à influência de uma ou mais variáveis independentes (X), sendo que tanto a variável dependente quanto a(s) independente(s) são contínuas (intervalares ou de razão). Com o fundamento teórico adequado, essa técnica nos ajuda a explicar o comportamento da variável por meio de um modelo matemático. Para cada variável independente inserida no modelo, a análise de regressão atribui um coeficiente que, quando padronizado, varia entre 0 e 1. Na prática, o valor desse coeficiente estima que, se o valor da variável independente é alterado em uma unidade, a alteração na variável dependente será igual ao valor do coeficiente (considerando que o valor de todas as outras variáveis permanece inalterado). Isso é particularmente útil quando levamos em consideração que a empresa possui recursos limitados para investir em suas ações de marketing, mas muitas alternativas de investimento. Nesse caso, a análise de regressão pode mostrar qual das alternativas de investimento tem potencial para causar o maior impacto sobre o resultado que o(a) gestor(a) espera. TEMA 3 – ANÁLISE DISCRIMINANTE As técnicas que abordamos até agora são apropriadas quando estamos lidando com uma variável dependente contínua. Todavia, muitas vezes nos deparamos, em um projeto de pesquisa, com uma variável dependente categórica. Normalmente,isso acontece quando queremos saber como as variáveis independentes podem prever a que categoria da variável dependente um determinado elemento pertence. Nesse caso, podemos dizer que a análise discriminante busca os critérios que diferenciam as categorias da variável dependente com base nas características da variável independente que seus elementos apresentam. Por exemplo: imagine que um banco precisa de uma forma para identificar quais clientes têm maior probabilidade de pagar suas contas em dia e quais podem apresentar maior risco de inadimplência. Perceba que o que estamos realmente buscando são características que nos ajudem a 9 diferenciar os bons pagadores dos maus pagadores, de modo que, quando um novo cliente buscar um empréstimo, possamos prever qual é seu perfil. Temos, deste modo, uma variável dependente que se dividiria em duas categorias: bons pagadores x inadimplentes. Para prever em qual dessas categorias um novo cliente se encaixaria, podemos analisar como os representantes de cada um desses grupos se apresenta com relação a outras variáveis (como nível de renda, número de dependentes e tempo de abertura da conta). O princípio por trás dessa análise é o de que as características dos integrantes de cada grupo com relação às variáveis independentes (preditoras) devem ter menor variabilidade entre integrantes de uma mesma categoria do que a variabilidade entre esses integrantes e os das demais categorias, isto é: os clientes que pagam as contas em dia devem ter um perfil de renda e número de dependentes mais parecido entre si do que se comparados com os clientes inadimplentes. Se colocarmos a utilização dessa análise nos termos de uma hipótese, podemos dizer que ela testa a hipótese nula de que a média da variável discriminante (a independente) não apresenta diferença estatisticamente significativa entre os grupos da variável que quer ser prevista. Como discutimos no início desta rota de aprendizagem, a intenção da pesquisa seria a de encontrar evidência que corrobore a hipótese alternativa que, nesse caso, seria de que há uma diferença significativa na média da variável discriminante entre os grupos da variável prevista. Portanto, ao prever se um perfil de cliente tem maior chance de ser de um bom pagador ou de um cliente inadimplente usando a renda média e o número de dependentes, a hipótese alternativa que estamos buscando é a de que a média dessas duas variáveis é significativamente diferente quando comparamos a média de bons pagadores com a de inadimplentes. Você se lembra do conceito de validade? Discutimos esse termo quando falávamos sobre medição e escalonamento, na rota de aprendizagem 2. Como vimos, a validade diz respeito a quanto o resultado encontrado em uma amostra reflete a realidade sobre aquele fenômeno em estudo. Esse conceito é também importante aqui. Note que o objetivo da análise discriminante é criar um modelo matemático que permita prever em que categoria de uma determinada variável (se na categoria de bom pagador ou inadimplente, por exemplo) um elemento de 10 análise se encaixa. Mas, afinal, como podemos saber se esse modelo realmente será capaz de fazer previsões precisas? Essa é uma preocupação fundamental que devemos ter, pois o objetivo último dessa análise, como em toda pesquisa de mercado, é dar suporte a uma decisão. Se nosso modelo faz uma previsão imprecisa – e, portanto, equivocada –, a decisão tomada com base nele também será equivocada, podendo implicar perdas para a organização. Imagine, por exemplo, que um cliente foi classificado pelo modelo como um bom pagador, quando, na realidade, é inadimplente. Nesta situação, o(a) gerente do banco liberaria um empréstimo que não seria pago. De forma similar, se o modelo prevê que um cliente será inadimplente, quando, na verdade, seria um bom pagador, o banco deixa de ganhar o lucro desta transação, e o cliente possivelmente buscaria o crédito em um banco concorrente. Como podemos avaliar a capacidade de validade da análise discriminante? Como em todos os modelos preditivos, a análise discriminante é feita com base em um histórico, por isso, precisamos saber como os elementos de análise se comportaram no passado para prever como eles se comportarão no futuro. Nesse caso, o primeiro passo para avaliar a validade do modelo consiste em separar a amostra inicial em duas partes (Malhotra, 2012). A primeira amostra será usada para identificar o poder preditivo das variáveis independentes, ou seja, nessa amostra, aplicaremos a análise de fato, tentando identificar quanto cada variável independente pode ajudar a prever a que categoria o elemento da amostra pertence. A segunda amostra é usada para testar a capacidade preditiva do modelo. Significa que vamos tratar essa amostra como se não conhecêssemos em que categoria cada elemento se encaixa. É como se, por exemplo, não soubéssemos quais desses clientes são bons pagadores e quais são inadimplentes. A análise discriminante resulta em uma equação que descreve quanto cada variável preditora influencia a variável dependente. Essa equação pode ser descrita, segundo Hair (1998), da seguinte forma: Z=B0+B1X1+B2X2...BiXi Nessa equação, B0 é uma constante, determinada pela análise. Bi se refere ao coeficiente da variável independente Xi, e Xi é o valor que o elemento 11 apresenta para a variável preditora Xi. Substituímos, na equação, o valor que o elemento apresenta para cada variável independente, e multiplicamos pelo coeficiente determinado pela análise. Ao final, teremos um valor que representa o escore do elemento para a variável dependente. Para cada categoria, foi definido previamente um parâmetro de corte, por conseguinte, o próximo passo é identificar qual a categoria cujo parâmetro de corte contempla o escore encontrado. Pronto. Agora é só repetir esse processo para todos os elementos da amostra e comparar se a categoria que o modelo previu para cada elemento corresponde corretamente à categoria em que ele realmente se encaixa. Assim, podemos avaliar se a taxa de acerto do modelo é considerada aceitável. TEMA 4 – ANÁLISE FATORIAL Em muitos casos, deparamo-nos com um grande volume de dados, o que acaba tornando muito difícil tanto o seu manuseio quanto o gerenciamento das análises. Para compreender melhor essa dificuldade, pense que cada pergunta feita no questionário gera um dado específico. No entanto, na maioria das vezes, usamos várias perguntas que pretendem mensurar um mesmo constructo. Se conseguirmos agrupar essas perguntas que se referem a um mesmo constructo, reduzimos consideravelmente o volume de dados que precisamos efetivamente observar. Essa situação é muito comum quando usamos um índice (ou escala). Jennifer Aaker, por exemplo, propôs um instrumento para mensurar a percepção dos consumidores com relação à personalidade de uma marca (Aaker, 1997). Nesse caso, a personalidade de marca foi definida como “o conjunto de características humanas associadas a uma marca” (Aaker, 1997, p. 347, livre tradução). A pesquisadora apresentou 114 traços de personalidade humana a uma amostra de respondentes, e pediu que as pessoas assinalassem, em escala de 1 a 5, quanto cada um daqueles traços poderia ser atribuído à marca em questão. Hoje, o conceito de personalidade de marca é muito relevante para os(as) gestores(as) de marca, e pode ser um grande diferencial, pois é comum que as pessoas busquem se associar a marcas que representem a imagem que querem comunicar de si mesmos (Belk, 1988). 12 Será que você, como gestor(a) de marca, precisaria olhara média para cada um desses traços a fim de identificar como sua marca é percebida? A análise fatorial visa justamente facilitar esse trabalho. Para compreender melhor o princípio dessa técnica, vamos assumir que cada um desses traços é um indicador de como a pessoa percebe a marca. No entanto, cada traço de personalidade aponta para uma dimensão maior de personalidade. Aaker (1997) notou, por exemplo, que havia uma grande correlação entre os seguintes traços: confiável, trabalha duro, segura, inteligente, técnica, corporativa, bem-sucedida, líder, autoconfiante. Em outras palavras, isso significa que marcas que eram avaliadas com um alto valor em um desses traços, provavelmente seriam avaliadas com um valor similar em todos os outros citados. O princípio por trás da análise fatorial é que todos esses indicadores (neste caso, os traços de personalidade) estão mensurando em uma mesma dimensão o constructo personalidade de marca. Aaker (1997) chamou essa dimensão de “competência”. Podemos, deste modo, verificar a média entre a percepção sobre esses traços e considerar que essa média indica o quanto o consumidor percebe a marca como tendo uma personalidade competente. Observe que, em lugar da média de nove indicadores, podemos notar apenas uma média. Portanto, a análise fatorial agrupa indicadores que estão altamente correlacionados, resultando em um número de fatores mais viável de ser analisado. Esse processo é essencial em muitas situações nas quais precisamos verificar a relação entre variáveis. Isso porque a grande maioria das variáveis que inserimos em um modelo de relação de variáveis a ser testado são medidas por mais de uma pergunta (normalmente três, no mínimo). Porém, quando testamos o modelo, a variável não será representada pelo valor individual de cada um dos indicadores, mas pela média de todos os indicadores que se encaixaram no mesmo fator (dimensão), ou seja, que representam um mesmo constructo. O primeiro passo em uma análise fatorial é determinar os indicadores que serão submetidos à análise. Em geral, isso segue um pressuposto teórico. Conduzir uma análise fatorial não é simplesmente colocar todas as perguntas do questionário checando se aparece alguma relação entre elas. Na realidade, isso deve ser pensado previamente. Com base na teoria, quais indicadores devem estar associados? Quais não devem estar? 13 Ao conduzir uma análise fatorial, devemos ficar atentos a dois pressupostos essenciais, sem os quais todo o restante da análise se torna obsoleto: o teste de esfericidade de Bartlett e o teste KMO (Kaiser-Meyer-Olkin). De acordo com Malhotra (2012), o teste de esfericidade de Bartlett testa a hipótese nula de que não existe correlação entre as variáveis inseridas. Ou seja, cada variável apresenta um comportamento único, que não está associado ao comportamento de nenhuma outra. Considerando que o principal objetivo da análise fatorial é agrupar os indicadores com maior correlação, podemos perceber intuitivamente que esse teste deve rejeitar a hipótese nula, pois, se não houver correlação entre as variáveis, não faz sentido agrupá-las. No entanto, se os indicadores foram construídos em conformidade com a teoria, é praticamente impossível que esse teste não seja bem sucedido. Já a medida do KMO é um coeficiente entre 0 e 1 que demonstra se é apropriado utilizarmos a análise fatorial sobre a amostra que temos em mãos. O critério de corte do valor aceitável para essa medida não é um consenso entre os autores. Malhotra e Birks (2007), por exemplo, afirmam que uma medida KMO acima de 0,5 é aceitável, enquanto Tabachnick e Fidell (2007, apud Pallant, 2007) afirmam que o ideal é que essa medida seja no mínimo igual a 0,6. Uma dica: para uma compreensão mais aprofundada dessa técnica, é sensato que sejam empreendidas leituras adicionais, como, por exemplo, do capítulo 19 do livro de Malhotra (2012). TEMA 5 – ANÁLISE DE CONGLOMERADOS Você já parou para pensar sobre quantas categorias criamos para definir as coisas? Por exemplo: como você sabe que um gato é um felino, e não um canino ou uma ave? Por outro lado, por que classificamos como felinos o gato doméstico, o tigre e o leão, mas não o cachorro doméstico, o lobo ou o urso? Em alguns momentos, deparamo-nos com a necessidade de classificar elementos diferentes em grupos maiores, de acordo com algumas características que apresentam em comum. O gato, o leão e o tigre possuem algumas características parecidas, como o formato do focinho e a presença de garras retráteis. Já o cão, o lobo e o urso possuem um formato de focinho diferente dos felinos, porém, mais semelhante entre si, além de não possuírem garras retráteis. 14 A análise de conglomerados tem a função de identificar essas características comuns, a fim de separar os elementos de análise em grupos que apresentem grande semelhança dentro de cada um deles (ou seja, mais homogêneos) e diferenças claras entre membros de grupos diferentes. Você provavelmente concorda que, para o(a) gestor(a) de marketing, saber identificar que um gato é um felino e não um canino tem pouco a contribuir para a gestão de marketing da empresa. Como a análise de conglomerados pode nos ajudar a tomar melhores decisões de marketing? Vamos substituir o formato do focinho pelas preferências de alimentação das pessoas: algumas preferem refeições rápidas em lanchonetes, enquanto outras preferem investir um pouco mais de tempo em uma refeição mais completa e balanceada em um restaurante. Outras ainda preferem preparar suas refeições em casa, enquanto algumas procuram locais que ofereçam opções específicas, como produtos sem glúten ou sem ingredientes de origem animal. Nesse caso estamos falando de comportamentos de consumo que são semelhantes entre algumas pessoas, mas que se tornam extremamente diferentes se comparados aos de outras. Soa familiar? É exatamente isso que buscamos quando elaboramos uma estratégia de segmentação de mercado: identificar características que definam um determinado grupo de consumidores para o qual a empresa irá direcionar seus esforços. Observe a figura que ilustra esse exemplo. Figura 1: Exemplo de segmentação de mercado Fonte: Elaborado pelo autor. 15 A ilustração apresenta o resultado fictício de uma pesquisa que teria interesse nas preferências dos consumidores com relação à sua alimentação. Imagine que os respondentes indicaram, em escala de 1 a 7, qual importância conferem a cada um dos atributos quando escolhem como farão suas refeições, sendo que, quanto mais próximo de 7, maior a importância atribuída àquele atributo. Como podemos perceber nas áreas circuladas, temos três grupos de consumidores com características bastante distintas entre si. Os consumidores do grupo “A” dão grande importância ao valor nutritivo dos alimentos e pouca importância para o tempo de preparo da refeição. Consumidores desse grupo provavelmente são aqueles que preferem cozinhar em casa ou que simplesmente não se importam de precisar de um pouco mais de tempo para ter uma refeição balanceada. Já os consumidores do grupo “B”, ao mesmo tempo em que atribuem grande importância ao valor nutricional da refeição, também atribuem certa importância ao tempo de preparo. Pessoas nesse grupo provavelmente são aquelas que, embora preocupadas com a saúde, não dispõem de muito tempo para preparar refeições saudáveis, portanto, precisam de opções específicas que aliem as duas necessidades, ainda que isso custe um pouco mais caro do que preparar os alimentos em casa. Consumidores do grupo “C” são pessoas que estãomais preocupadas com o tempo que gastarão fazendo a refeição do que com o valor nutritivo em si. Provavelmente, este grupo é composto por pessoas que não têm tempo para uma refeição mais elaborada, e também não podem – ou não estão dispostas – pagar mais por uma refeição rápida e balanceada. Note que a análise fornece alguns insights para a administração de organizações que tenham interesses nesses públicos. Uma vez que conseguimos identificar necessidades e preferências específicas, conseguimos desenvolver ofertas de valor mais adequadas, que teriam maior chance de conquistar o(a) consumidor(a). Esse é um exemplo bastante simples, com apenas duas variáveis, mas podemos extrapolar para mais variáveis. Imagine, por exemplo, que uma equipe de pesquisadores pretende separar os consumidores de carros de acordo com os seguintes atributos: preço, espaço interno, design. Provavelmente, teríamos 16 um grupo de clientes mais preocupados com o design, pouco preocupados com o preço e moderadamente preocupados com o espaço interno. Outros estariam mais preocupados com preço e pouco preocupados com espaço interno e design, entre outros grupos. TROCANDO IDEIAS Você já ouviu falar no Grameen Bank? Essa organização atua como um banco, concedendo empréstimos. No entanto, ela tem uma característica bastante peculiar. Leia o texto do link a seguir: http://www.yunusnegociossociais.com/#!muhammad-yunus/cgqf Os bancos tradicionais usam técnicas estatísticas sofisticadas para conseguir prever se um cliente será adimplente ou inadimplente, mas, como você pôde notar, o Grameen Bank usa como critério de concessão de crédito justamente o que os bancos tradicionais classificariam como um altíssimo risco de inadimplência. Paradoxalmente, o Grameen Bank consegue uma taxa de adimplência maior do que qualquer outro banco tradicional. Isso quer dizer que as técnicas estatísticas que imaginávamos ser uma base tão sólida para a tomada de decisão não são eficazes? Discuta com seus colegas o que poderia explicar esse cenário e qual o papel de uma compreensão profunda da teoria na construção de um modelo de predição. NA PRÁTICA Uma loja de departamentos deseja iniciar uma campanha de envio de ofertas por e-mail para os clientes cadastrados em sua base de dados. A diretoria gostaria de que as ofertas fossem direcionadas de acordo com o perfil de cada cliente, para aumentar seu interesse na marca. Contudo, seria muito custoso criar uma oferta personalizada para cada cliente. Como você poderia utilizar os conceitos discutidos nesta rota de aprendizagem para solucionar a situação gerencial apresentada? Defina o problema gerencial enfrentado pela organização; Proponha um tipo de pesquisa de marketing que poderia levantar informações relevantes para o problema; 17 Descreva como uma das técnicas discutidas nesta rota poderia auxiliar a decisão. Solução proposta A empresa está tentando elaborar uma estratégia de segmentação de mercado. Para promover ofertas mais direcionadas, ela precisa, primeiramente, identificar os grupos de consumidores que atende hoje e os que pretende alcançar. Como vimos, a análise de conglomerados seria adequada para responder a esse tipo de problema, já que poderia definir categorias mais homogêneas, a partir das quais poderíamos classificar os clientes que possuem características semelhantes e que, portanto, teriam interesse em propostas semelhantes. Assim, em lugar de elaborar ofertas totalmente individualizadas, a empresa poderia criar ofertas direcionadas a cada um dos grupos de clientes identificados. SÍNTESE Discutimos, neste estudo, as principais técnicas estatísticas usadas para avaliar a relação entre variáveis. Para decisões de marketing conscientes e embasadas, precisamos mapear as variáveis relevantes para a gestão, entendendo como elas se relacionam. Em face disto, vamos relembrar rapidamente a função de cada uma das técnicas discutidas. A análise da variância (ANOVA) é utilizada quando precisamos verificar se uma diferença numérica na média de dois ou mais grupos pode ser considerada uma diferença real. Baseia-se no padrão de variabilidade dos dados dentro de cada grupo, comparando a variabilidade entre os grupos; A análise de correlação tenta identificar se existe associação entre a variação de duas variáveis. Essa associação pode ser positiva (quando a variação em uma está associada à variação da outra no mesmo sentido) ou negativa (quando a variação das variáveis ocorre em sentido contrário). Importante lembrar que a correlação por si só não é condição suficiente para concluir que uma variável causa a outra. 18 A análise de regressão utiliza-se da análise de correlação para representar a proporção com que a variação de uma variável independente (ou um conjunto de variáveis) é capaz de explicar a variação em uma variável dependente. Desse modo, podemos identificar, por exemplo, em que variável a empresa deve investir mais para causar um maior impacto sobre a variável dependente em que pretende intervir; A análise discriminante busca identificar quais variáveis são mais capazes de prever a que categoria de uma determinada variável um elemento pertence; A análise fatorial é uma técnica utilizada para agrupar indicadores que tenham um comportamento muito parecido, de modo que um grupo de indicadores passe a representar uma dimensão (ou fator) de um constructo; A análise de conglomerados busca dividir os elementos de uma amostra em grupos, de acordo com a similaridade que compartilham entre si, estabelecendo as variáveis que apresentam semelhança dentro de um mesmo grupo, promovendo maior diferença entre eles. REFERÊNCIAS AAKER, D. A., KUMAR, V., & Day, G. S. Pesquisa de marketing. São Paulo: Editora Atlas, 2001. AAKER, J. L. Dimensions of brand personality. Journal of marketing research, 1997, p. 347-356. BELK, R. W. Possessions and the extended self. Journal of consumer Research, 1988, p. 139-168. CORBETTA, P. Social research: theory, methods and techniques. Sage, 2003. HAIR JR. et al. Multivariate data analysis. 5. ed. New Jersey: Prentice Hall, 1988. MALHOTRA, N. K. Pesquisa de marketing: uma orientação aplicada. 6. ed. Porto Alegre: Bookman, 2012. 19 MALHOTRA, N. K.; Birks, D. F. Marketing research: an applied approach. Pearson Education, 2007. MATTAR, F. N. Pesquisa de marketing: edição compacta. 5. ed. Rio de Janeiro: Elsevier, 2012. PALLANT, J. SPSS survival manual: a step-by-step guide to data analysis using SPSS version 15. Nova Iorque: McGraw Hill, 2007. TABACHNICK, B. G.; Fidell, L.S. Using multivariate statistics. 5. ed. Boston: Pearson Education, 2007.
Compartilhar