AULA 5 PESQUISA DE MERCADO

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.