Uso da Técnica Two Step Cluster

Instituto Superior Tupy IST/SOCIESC
Joinville, Santa Catarina, Brasil

ISSN 2237-5163 / v. xx, n. xx: p. xx-xx, ano xxxx
Uso da Tcnica Two Step Cluster para Segmentao de Aparelhos de Ar

Condicionado Split Segundo Desempenho, Segurana e Rudo: Um Estudo de
Caso
Use the Two Step Cluster Technique for Targeting Air-conditioners Split Second
Performance, Safety and Noise: A Case Study
Autor (a)
Resumo: Os aparelhos de ar condicionado Split so cada vez mais utilizados pelo
consumidor. Com o aumento da demanda, a Pro Teste realizou um levantamento cujo
objetivo era testar a eficcia de uma amostra de aparelhos de ar condicionado Split junto ao
consumidor final. Os produtos foram avaliados por seu desempenho, segurana e rudo.Os
resultados gerais a que se chegaram que os produtos so bons. Contudo, oportuno se
investigar se existem variaes evidncia geral constatada, isto , se existem subperfis que
se distanciam de certa forma do perfil geral constatado. Para se atingir o objetivo da
pesquisa, optou-se pela tcnica da anlise multivariadas an, a Two Step Clusters. A pesquisa
evidenciou que os clusters de aparelhos Splits possuem perfis muitos semelhantes, em torno
do bom desempenho. O que demarca de alguma forma uma possvel diferena entre os dois
subperfis a varivel desempenho, onde 100% dos aparelhos do Perfil 1 so considerados
bons, mas no Perfil 2, de aceitvel a fraco. Os produtos do Perfil 1 tiveram mdia de
avaliao final superior aos modelos do Perfil 2. Observando com mais ateno os dois
perfis revelados, pode-se constatar que os aparelhos com o Perfil 1 devem ser os mais
eficazes e os com o Perfil 2, os menos eficazes. O artigo permitiu concluir que existem
evidncias de grupos homogneos no espao investigado, que se distanciam do perfil geral
existente e, que a viso que se deve ter do problema deve ser focada em cada configurao
identificada.
Palavras-chave: Aparelho de ar condicionado; Segmentao; Two Step Cluster; Eficcia.
Abstract: The air-conditioners Split are increasingly used by the consumer. With the increase
in demand, the Pro Test conducted a survey whose goal was to test the effectiveness of a
sample of air-conditioners Split along to the final consumer. The products have been assessed
for their performance, safety and noise. The General results are reached is that the products
are good. However, it is appropriate to investigate if there are variations to the General
found evidence, that is, if there are under profile to distance themselves somewhat from the
General profile found. In order to achieve the objective of the research, by the technique of
multivariate analysis cluster analysis, a Two Step Clusters. The research showed that the
clusters of Splits have many similar profiles around the good performance. What
DEMARCATES somehow a possible difference between the two under profile is the variable
performance, where 100% of the equipment of Profile 1 are considered good, but in the
profile 2, acceptable to weak. 1 Profile products had final evaluation average superior to
profile 2 models. Watching more closely the two profiles revealed, one can see that the
devices with 1 profile should be the most effective and with 2 profile, the less effective. The
1

article made it possible to conclude that there is evidence of homogeneous groups within
investigated, which distance themselves from the General profile and, that the vision should
be of the problem should be focused on each configuration is identified.
Keywords: Air-conditioner; Segmentation; Two Step Cluster; Effectiveness.
1. Introduo
As decises de marketing que tm por objetivo definir os melhores planos
estratgicos para abordar o mercado, escolher a melhor campanha publicitria,
selecionar o segmento e o tipo de produto a oferecer, tm de resultar de uma anlise
tcnica e profissional do sistema de informao ou dos dados disponveis.
As tcnicas estatsticas multivariadas conjuntamente com as diferentes solues
de softwares existentes hoje tornam esta tarefa em algo operacionalmente vivel
(AAKER et al., 2001). Necessita-se apenas de optar pela tcnica mais adequada ao
objetivo do problema, selecionar uma amostra adequada para obter resultados
confiveis e posteriormente validar os resultados com outras tcnicas de anlises
alternativas (AAKER et al., 2001).
Empresrios, gestores e analistas de informaes ainda encaram com reservas as
pesquisas quantitativas como forma de analisar os resultados obtidos com as suas aes
e opes (AAKER et al., 2001). Receiam a confrontao entre o que desejavam e os
resultados alcanados pelas empresas. No encaram com confiana a anlise de dados,
por receio de no gostarem dos resultados ou por no dominarem muitas das novas
tcnicas de anlise de dados (AAKER et al., 2001). Assim, desvalorizam-na, embora
cada vez mais esta possa ser encarada como uma base fundamental para as tomadas de
decises. A utilizao das novas tcnicas fundamental para comprovar que foram
alcanados os resultados pretendidos com as aes e estratgias delineadas pelas
empresas (AAKER et al., 2001).
Ento, o desenvolvimento de softwares e a multiplicidade de solues que
existem hoje tornam cada vez mais fceis a anlise de problemas, mesmo com o nmero
crescente de informao de dados e de variveis, que envolvem cada questo
organizacional e de mercado (J.D BANFIELD et al, 1993). Para empresrios,
2

estudantes, etc., a informatizao facilitou a anlise de resultados das empresas, dos

efeitos ou aes da publicidade, nas vendas, na empatia com marcas, na imagem de
instituies e no teste de eficincia/desempenho de produtos e servios postos
disposio do consumidor final (J. D BANFIELD et al, 1993).
Avaliar os produtos, estratific-los segundo desempenhos diferenciados;
conhecer os consumidores, as suas caractersticas, quais os mais rentveis, que padres
de comportamento assumem e que preferncias apresentam, fundamental para melhor
as empresas se adaptarem s exigncias do mundo altamente competitivo (AAKER et
al., 2001).
A segmentao de consumidores, de empresas, de marcas, de produtos permitenos compreender melhor o mercado, quer ao nvel de comportamento e desempenho de
produtos e servios, quer ao nvel de organizao ou distribuio. Segmentar significa
encontrar agrupamentos de indivduos, objetos, etc., que partilhem, associem, ou seja,
entendidos como tendo algumas caractersticas comuns (WEINSTEIN, 1995). Com a
segmentao, pretende-se encontrar diferentes grupos com caractersticas homogneas.
Definir agrupamentos tm por finalidade eliminar ou diminuir as tomadas de
deciso gerais aonde se aplicarem as individuais e personalizadas, no sentido das
empresas adaptarem suas estratgias de desenvolvimento de marketing e de produto
para cada subperfil evidenciado, aumentado as vendas, fidelizando marcas, otimizando
desempenhos de produtos/servios e por conseguinte se destacando no mercado
consumidor (WEINSTEIN, 1995). Pretende-se conseguir a definio de metas,
objetivos, polticas de ao/publicidade/marketing e de desempenho, adequadas a cada
grupo de produtos, marcas, objetos ou consumidores segmentados (WEINSTEIN,
1995). Este procedimento cria decises que se identificam mais com cada realidade dos
grupos focados.
Devem-se identificar caractersticas prprias para cada segmento: demogrficas,
psicogrficas ou de comportamento entre consumidores, imagem, caractersticas
associadas ao produto ou servio, ao armazenamento, a eficcia, eficincia,
embalagem, utilizao dos produtos, ao hbito de compra. Valor, notoriedade,
imagem, atributos de marca (WEINSTEIN, 1995). Apesar de os resultados no

constiturem
uma
clara
premonio
de
comportamentos
diferenciados,
uma
segmentao simples pode diferenciar um conjunto de indivduos, produtos ou objetos

em grupos bsicos que permitam construir parmetros das estratgias a implementar
para conseguir o tratamento, tomadas de deciso mais adequadas a cada grupo
(WEINSTEIN, 1995). Estes grupos podem depois, atravs de instrumentos mais
sofisticados serem novamente desagregados ou segmentados para encontrar, identificar
mais particularidades que permitam uma melhor e mais correta compreenso do seu
comportamento ou necessidades (WEINSTEIN, 1995).
Os argumentos utilizados pelos estudiosos referenciados acima para a adoo da
anlise de dados, especificamente da segmentao de espaos de partida, vem de
encontro ao problema de pesquisa que ora se trata e evidencia-se relevante e de
contribuio para a academia.
O objetivo deste artigo utilizar a tcnica Two Step Cluster para segmentao
de aparelhos de ar condicionado Split segundo desempenho, segurana e rudo atravs
de uma amostra de aparelhos preliminarmente analisados quanto ao desempenho pela
Associao de Defesa do Consumidor- Pro Teste.
2-Justificativas para o Estudo
O calor vem aumentando no Brasil e o ar condicionado quase uma

necessidade. Cada vez mais populares, os aparelhos de ar condicionado tipo Split so
mais silenciosos e no oferecem risco segurana. Dado o aumento do consumo do
produto junto a populao, a Pro Teste(2012)- Associao de Defesa do Consumidorrealizou um levantamento cujo objetivo era testar a eficincia/eficcia de uma amostra
de aparelhos de ar condicionado Split junto ao consumidor final. As marcas testadas
foram LG, PHILCO, HITACHI, ELECTROLUX, GREE, MIDEA, ELGIN, BRASTEMP,
CARRIER/SPRINGER, KOMECO, YOR E CONSUL.
Os produtos foram avaliados por seu desempenho, segurana e rudo. No item
desempenho, foram levados em considerao o quanto os aparelhos de ar condicionado

realmente resfriam o ambiente, o tempo que eles levam para alcanar esse resfriamento,
a estabilidade da temperatura e se o consumo de energia eficiente.
Os resultados gerais a que se chegaram na amostra de aparelhos de ar
condicionados Splits estudada pelo Pro Teste (2012) que os produtos so bons, mas
resfriam sem estabilizar: fica frio ou quente demais, isto , a essncia do problema est
no item desempenho.
O levantamento do Pro Teste (2012), como se relatou em pargrafos anteriores,
levou em considerao aspectos de eficincia e eficcia. O perfil geral dos produtos
revela que so de modo geral bons produtos, mas com falhas em itens de desempenho.
Contudo, como podem existir excees regra, oportuno se investigar se existem
variaes evidncia geral constatada, isto , se existem subperfis que se distanciam de
certa forma do perfil geral constatado e, em que grau.
O que se constata com a anlise j realizada das tabelas de freqncias triviais
pelo Pro Teste (2012), que nvel geral, os nveis de desempenho dos aparelhos de ar
condicionados Splits so tolerveis. Mas num possvel prosseguindo na anlise, poderse-ia questionar se os produtos investigados possuem o perfil de desempenho,
segurana e rudo como um todo homogneo, ou se este perfil geral se segmenta com
variaes diferenciadas entre os produtos, se revelando uma estrutura com
configuraes distintas, coexistentes num mesmo espao de desempenho e que
meream tratamentos gerenciais diferenciados.
A proposta deste estudo procurar evidncias de subperfis de desempenho que
possam se distanciar de certa forma do perfil geral, global, constatado no levantamento
preliminar do Pro Teste (2012).
Este artigo objetiva, oportunamente, a prosseguir na anlise dos dados da
pesquisa do Pro Teste (2012), com a incumbncia de realizar uma anlise de clusters, da
base de dados, para que se possam perceber com mais clareza e rapidez se existem
subperfis de ar condicionados com graus afastados do perfil geral revelado, se
distanciamento da eficcia esperada pelo consumidor, e assim realizar um estudo
tambm estrutural.

A presente investigao levanta o problema de pesquisa de que o perfil geral

dos aparelhos de ar condicionados investigados aponta para a tendncia geral de bom
desempenho. Porm, questiona se pode haver certo nvel de disperso ou variao em
torno deste perfil mdio.
Um olhar mais depurado, mas detalhado da estrutura do problema, pode revelar
que nem todos os aparelhos de ar condicionados testados tm exatamente o mesmo grau
de eficincia/eficcia em torno da tendncia geral e, importante que se detecte esse
fato, e que se dissemine esta informao/constatao entre fabricantes, entidades
reguladoras e fiscalizadoras e no meio cientfico, o que direcionariam as tomadas de
deciso e reflexes para enfrentamentos diferenciados do problema, o que acarretariam
a curto e mdio prazos em melhorias dos processos de defesa do consumidor.
No estudo do Pro Teste (2012), constatam-se que as variveis da pesquisa so
mistas, qualitativas e quantitativas e o instituto, ento, se orientou como de usual, para a
anlise de dados trivial, na aplicao da descrio dos dados, com o uso de tabelas de
freqncias, clculo de porcentagens e uso de grficos.
A tcnica Two Step Clusters permite que os pesquisadores ao coletar dados em
escala mista, qualitativas e/ou quantitativas, saiam do campo exploratrio limitado e
desenvolvam tambm tcnicas multivariadas para o tratamento avanado dos mltiplos
indicadores envolvidos na pesquisa e realizem tambm um estudo estrutural, em
diversos campos do saber (MINGOTE, 2005). A Two Step Clusters trataria mltiplas
variveis em mensuraes categoriais e contnuas, realizaria anlises de similaridades
de objetos e a partir da formao de clusters do espao de partida, se buscaria
informaes que alimentaria o sistema de tomadas de deciso (CHIU et al., 2001).
A referida tcnica de anlise de clusters decompe a estrutura da base de dados,
complexa nvel de mensurao, em vrios ncleos semelhantes internamente, mas
diferenciados entre eles. Este processo permite segmentar as aes de produo, gesto
e marketing e, consequentemente, de forma sistmica, promove a otimizao dos
resultados empresariais(CHIU et al., 2001).

3. Metodologia da Pesquisa
A Two Step Clusters a sugesto preliminar de recurso de anlise que se optou
para atingir o objetivo deste estudo e que ser explorado e prestigiado no
desenvolvimento do prximo item deste artigo.
A rodada do Two Step Cluster foi realizada no SPSS 15.0 (SPSS, 2006).
Quando se opta pela Two Step Cluster, o analista trabalha com grandes bases de
dados, com muitas variveis mistas coexistentes numa mesma base de dados, o que se
configura num problema de configurao complexa e de multidimensionalidade
(MINGOTE,2005). Esta constitui a principal motivao para o uso da Two Step Cluster
em bases de dados criadas no SPSS (SPSS, 2001), em vrias reas do conhecimento
(SPSS, 2001).
Na Data Mining, a motivao para a opo pela tcnica Two Step Cluster se
justifica quando no espao de partida surge a necessidade de se conhecer a estrutura que
sustenta um espao de anlise de configurao complexa,isto , nesta base de dados
coexistem diferentes naturezas de variveis ou indicadores (ZHANG et al., 1996).
A insero da tcnica Two Step Cluster nas tcnicas de segmentao porque se
sustenta a lgica de que a proximidade de certo nmero de registros(de diferentes tipos
de variveis) induz presena de elementos que partilham tendencionalmente as
mesmas caractersticas, isto , tm o mesmo perfil (Z. HUANG, 1998). Os diferentes
ncleos de homogeneidade se associam a grupos de cases com perfis distintos, mas
que coexistem com maior ou menor proximidade o mesmo espao de partida (ZHANG
et al., 1996). Quando estes ncleos dizem respeito perfis de qualidade de produo de
bens e servios, se produzem informaes estratgicas para o homem de negcios
(ZHANG et al., 1996).
A anlise de clusters uma tcnica exploratria da anlise multivariada que
permite agrupar indivduos ou variveis em grupos homogneos ou compactos,
relativamente a uma ou mais caractersticas comuns (C. FRALEY et al., 1998). Dessa
forma, cada observao pertencente a um determinado clusters similar a todas as
outras pertencentes a esse clusters, e diferente das observaes pertencentes a outros
clusters (C. FRALEY et al., 1998).
7

O Two Step Cluster um algoritmo de anlise de cluster escalonvel projetado

para lidar com base de dados muito grandes,capaz de lidar com variveis qualitativas e
quantitativas ao mesmo tempo e que requer apenas a construo de uma matriz de input
de dados no procedimento. composta de duas fases, da o nome em portugus
"Clusters em Duas Etapas". Na primeira etapa do procedimento, a pr-cluster, os
registros so segmentados em muitos pequenos grupos (S. THEODORIDIS et al, 1999).
Na segunda e ltima etapa, a clusterizao, os pequenos grupos da etapa pr-cluster so
reagrupados formando os subperfis finais segundo um nmero ideal de agrupamentos
(S. THEODORIDIS et al, 1999).
O mtodo pode gerar os clusters segundo um nmero especificado ou se
desconhecer a segmentao ideal, pode-se gerar automaticamente o nmero ideal de
clusters para a anlise (S. THEODORIDIS et al, 1999).
Os resultados obtidos de uma simulao de execuo so consistentemente
precisos e de desempenho eficz (S. THEODORIDIS et al, 1999). A simulao mostra
tambm que o procedimento automtico de encontrar o nmero de clusters funciona
muito bem e rpido (S. THEODORIDIS et al, 1999).
O algoritmo empregado por este procedimento tem diversas caractersticas
desejveis que o diferencie das tcnicas de aglomerao tradicionais (ZHANG et al.,
1996):
manipulao de variveis categricas e contnuas: Supe que as variveis

sejam independentes, uma distribuio multinomial e normal pode ser
assumida
variveis
categricas
contnuas
da
modelagem
respectivamente;
seleo automtica de nmero de clusters: Comparando os valores de um

critrio de escolha, atravs de diferentes solues de clusters, o
procedimento pode determinar automaticamente o nmero ideal de clusters.
escalabilidade: Construindo uma rvore de recursos (CF) do cluster que

resume os registros, o algoritmo Two Step Cluster permite analisar arquivos
de dados grandes.

Neste mtodo existem duas medidas de distncia. Estas duas mtricas

determinam como a similaridade entre dois clusters calculada (ZHANG et al., 1996):
probabilidade de log: A medida de probabilidade ajusta distribuies de

probabilidades s variveis. As variveis contnuas so ajustadas Curva
Normal, enquanto variveis categricas so considerados de Distribuio
Multinomial. Todas as variveis so consideradas independentes.
euclidiana: A medida euclidiana a distncia da "linha reta" entre dois

clusters. Ele pode ser usado somente quando todas as variveis so
contnuas.
Esta seleo permite que se especifique como determinado o nmero de

clusters (ZHANG et al., 1996):
determinao automtica do nmero de clusters: O procedimento pode

determinarar automaticamente o "melhor" nmero de clusters, usando o
critrio especificado no grupo de critrio de agrupamento. Comparando os
valores de um critrio de escolha, atravs das solues de aglomerao
diferentes, o procedimento pode automaticamente determinar o nmero
timo de clustres. O mtodo Two Step Cluster disponibiliza dois critrios de
agrupamentos usados na dertminao automtica do nmero de clusters
para segmentar grandes bases de dados: o Critrio de Informao
Bayesiano (BIC) e o Critrio de Informao Akaike(AIC) .
especificao de um nmero fixo de clusters: Permite fixar o nmero de

clusters na soluo. Deve-se digitar um nmero inteiro positivo.
A "rodada" da Two Step Clusters no SPSS 15.0 fornecer como output uma
tabela de distribuio de frequncia de cada clusters, uma tabela com as mdias
assumidas pelas variveis quantitativas do modelo em cada clusters(quando o estudo
tiver variveis quantitativas), distribuio de frequncia das categorias de cada varivel

categrica do estudo em cada cluster(quando o estudo tiver varivel qualitativa), grfico

de pizza das freqncias dos clusters, grfico de barras para percentagens dentro dos
clusters para as variveis qualitativas, grficos dos intervalos de confiana para as
variveis quantitativas, grfico de significncia do qui-quadrado para as variveis
qualitativas do modelo e finalmente grfico de significncia t-Student para as variveis
quantitativas.
A metodologia adotada neste estudo permitir realizar uma anlise estrutural dos
aparelhos de ar condicionados quanto ao desempenho, segurana e ao rudo do Pro
Teste(2012). A amostra utilizada encontra-se na Tabela 1 e na Tabela 2, as categorias
so codificadas. Depois de codificadas as categorias, o que se obtm a Matriz de
Input dos dados para o SPSS 15.0(2006), para realizao da Two Step Clusters. Os
resultados desta operao se encontram na Tabela 3.
Contudo, bom registrar que amostra considerada na pesquisa do Pro
Teste(2012) reduzida, no probabilstica, o que contraria o princpio da
representatividade da amostra e compromete as inferncias estatsticas. Alm desta
limitao de amostragem, existe uma outra limitao de natureza analtica: a violao de
um dos pressupostos que potencializa a Two Step Clusters, que o tratamento de
grandes bases de dados. Porm, o estudo ainda relevante na medida que introduz a
questo do problema na academia e abre caminhos para estudos mais precisos e
avanados com o mesmo objetivo e populao alvo.
Este trabalho uma iniciativa eminentemente preliminar e se justifica pela
necessidade de abrir caminhos de estudos mais pormenorizados na rea e permite a reflexo
oportuna sobre o assunto.
4-Desenvolvimento das Etapas do Mtodo Two Step Clusters
Neste item, desenvolveremos as etapas da segmentao da base de dados atravs do

mtodo especificado neste estudo. As prximas sees constituem a consecuo da anlise de
clusters deste artigo.
10

1a )Base de Dados e Matriz de Input
A Tabela 1 apresenta as marcas ou modelos considerados na amostra observada e as

avaliaes da Pro Teste.
Tabela 1- Avaliao dos Aparelhos de Ar Condicionados Split
(Amostra)
Modelos(Cdigo)
HITACHI(3)
ELECTROLUX(4)
Manual de instruo
Rudo
Facilidade de Uso
Consumo de
Energia
Desempenho
Avaliao Final
BOM
ACEITVEL
ACEITVEL
BOM
BOM
67
BOM
ACEITVEL
BOM
BOM
BOM
66
MIDEA(6)
MUITO BOM
ACEITVEL
BOM
FRACO
BOM
63
CARRIER/SPRINGER(9)
MUITO BOM
ACEITVEL
BOM
RUIM
BOM
58
BRASTEMP(8)
ACEITVEL
BOM
BOM
BOM
ACEITVEL
62
LG(1)
BOM
BOM
ACEITVEL
BOM
BOM
69
PHILCO(2)
BOM
BOM
BOM
ACEITVEL
BOM
67
GREE(5)
BOM
BOM
BOM
ACEITVEL
ACEITVEL
63
KOMECO(10)
BOM
BOM
MUITO BOM
FRACO
ACEITVEL
58
YORK(11)
BOM
BOM
BOM
ACEITVEL
ACEITVEL
57
CONSUL(12)
BOM
BOM
BOM
BOM
FRACO
55
BOM
BOM
ACEITVEL
BOM
63
ELGIN(7)
MUITO BOM
Fonte: O Autor (2012)
A Tabela 2 apresenta os cdigos utilizados para as categorias das variveis

categricas.
Tabela 2- Codificao das Categorias
Categorias
Cdigos
MUITO BOM
BOM
ACEITVEL
FRACO
RUIM
11

A Tabela 3 apresenta a matriz de input com as codificaes das variveis.

Tabela 3- Matriz de Input para Two Step Clusters
Marcas
Manual de
instruo
Rudo
Facilidade de
Uso
Consumo de
Energia
Desempenho
Avaliao
Final
67
66
63
58
62
69
67
63
10
58
11
57
12
55
63
2a) Anlise da Frequncia de cada Cluster

A Tabela 4 apresenta a distribuio dos clusters formados pela tcnica segundo
tamanho dos grupos, porcentagem de objetos combinados e percentagem total.
Tabela 4 Distribuio dos Cluster
Clusters Formados
1
2
Tamanho dos Clusters
% de Objetos Combinados
% doTotal
58.3
58.3
7
5
41.7
41.7
Combinados
12
100.0
100.0
Casos Excludos
Total
12
0.0
100.0
Pelo que se pode observar da Tabela 4, todos os aparelhos de ar condicionados

foram enquadrados em algum clusters. Portanto, no presente estudo, foi possvel
classificar em grupos homogneos entre si 100%(as 12 marcas) que esto separados em
dois clusters, com as freqncias apresentadas na tabela referida.
12

3a) Anlise do Comportamento das Variveis pelas suas Categorias dentro dos Clusters
Apresentam-se agora os grficos estatsticos que evidenciaro o comportamento

das variveis pelas suas categorias dentro dos clusters, isto , como cada varivel se
comporta dentro dos clusters em termos de suas categorias.Estes grficos permitiro
perfilar cada clusters gerado.
Percentagem dentro do cluster de Manual de Instruo
42,86
Manual de Instruo
ACEITVEL
BOM
MUITO BOM
57,14
Cluster
0
80
20
25
66,67
perfil geral
8,33
0
20
40
60
80
Percentagem dentro do Cluster

Grfico 1- Percentagem das Categorias das Variveis dentro dos Clusters - Manual de
instruo
Fonte: O Autor (2012).
13

O Grfico 1 permite a seguinte interpretao: no cluster 1, 57,14% dos

aparelhos tm manual de instruo de boa qualidade. J no cluster 2, 80.00% dos
aparelhos tm manual de instruo de boa qualidade..
Percentagem dentro do cluster de Rudo
Rudo
42,86
ACEITVEL
BOM
Cluster
57,14
100
2
66,67
perfil geral
33,33
20
40
60
80
100
Percentagem dentro do cluster

Grfico 2- Percentagem das Categorias das Variveis dentro dos Clusters - Rudo
O Grfico 2 permite a seguinte interpretao: no cluster 1, a maioria dos

aparelhos so de nveis aceitveis quanto ao rudo. J no cluster 2, a totalidade dos
aparelhos so de bom nvel.
14

Percentagem dentro do cluster de Facilidade de uso
Facilidade de uso
ACEITVEL
BOM
MUITO BOM
71,43
Cluster
28,57
20
80
8,33
75
perfil geral
16,67
0
20
40
60
80

Grfico 3- Percentagem das Categorias das Variveis dentro dos Clusters Facilidade de
Uso
O Grfico 3 permite a seguinte interpretao: no cluster 1e no cluster

2, a grande maioria dos ar condicionados so de bom desemepnho quanto
facilidade de uso.
15

Percentagem dentro do cluster de Consumo de energia
42,86
Consumo de energia
28,57
RUIM
FRACO
ACEITVEL
BOM
14,29
14,29
Cluster
40
40
20
0
41,67
33,33
perfil geral
16,67
8,33
0
10
20
30
40
50

Grfico 4- Percentagem das Categorias das Variveis dentro dos Clusters Consumo de
Energia
O Grfico 4 permite a seguinte interpretao: no cluster 1, grande

parte dos ar condicionados so de bom desempenho quanto ao consumo de
ernergia. J no cluster 2, maioria de aceitvel a bom desempenho.
16

Percentagem dentro do cluster de Desempenho
Desempenho
100
1
FRACO
ACEITVEL
BOM
Cluster
0
80
20
58,33
33,33
perfil geral
8,33
20
40
60
80
100
Grfico 5- Percentagem das Categorias das Variveis dentro dos Clusters Desempenho
O Grfico 5 permite a seguinte interpretao: no cluster 1 a

totalidade dos ar condicionados so de bom desempenho geral. J no cluster
2, 80% so aceitveis.
17

Percentagem dentro dos clusters de Marcas Testadas
Marcas Testadas
0
0
LG
PHILCO
HITACHI
ELECTROLUX
GREE
MIDEA
ELGIN
BRASTEMP
CARRIER/SPRINGER
KOMECO
YORK
CONSUL
14,29
14,29
1
0
14,29
14,29
Cluster
20
20
0
20
0
20
0
0
8,33
8,33
8,33
Overall
8,33
8,33
8,33
10
15
20

Grfico 6- Percentagem das Categorias das Variveis dentro dos Clusters Marcas
Testadas.
O grfico 6 apresenta os constituintes de cada cluster e

portanto identifica os formadores dos clusters.Os percentuais mostram
a taxa de ocorrncia de cada marca testada em cada cluster.
18

Intervalo de Confiana para a Mdia

70
64,71
Avaliao Final
65
59
60
2
55
50
1
Cluster
A linha de referncia a mdia do perfil geral = 62
Grfico 7- Percentagem das Categorias das Variveis dentro dos Clusters Avaliao
Final
Pelo Grfico 7, observa-se que a mdia da avaliao final dos

aparelhos de ar condicionados do cluster 1 64,71 enquanto a do cluster 2
59,00. Os aparelhos do grupo 1 so os aparelhos melhor avaliados.
importante frisar que h uma tendncia maior dos aparelhos de ar
condicionado do cluster 1 apresentarem mdia superiores a 64,71, porm,
percebe-se uma sobreposio de praticamente 50% dos intervalos de
confiana de 95% para mdias abaixo deste valor.
19

Atravs dos Grficos de 1 a 7 ( constitudo por todos os grficos apresentados

nas pginas acima), possvel traar o perfil de cada cluster ou configurao, antes
latentes na base de dados. O resumo destes perfis esto apresentados no Quadro 1.
Quadro 1- Perfil Geral dos Clusters

Clusters 1
Clusters 2
Manual de instruo muito bom(42,86%)
Manual de instruo bom(80,00%)
Manual de instruo bom(57,14%)
Manual de instruo aceitvel(20,00%)
Rudo bom(42,86%)
Rudo bom(100,00%)
Rudo aceitvel(57,14%)
Facilidade de uso bom(80,00%)
Facilidade de uso bom(71,43%)
Facilidade de uso muito bom(20,0%)
Facilidade de uso aceitvel(28,57%)
Consumo de energia bom(40,00%)
Consumo de energia bom(42,80%)
Consumo de energia aceitvel((40,0%)
Consumo de energia aceitvel((28,57%)
Consumo de energia fraco((20,00%)
Consumo de energia fraco((14,29%)
Desempenho aceitvel(80,00%)
Consumo de energia ruim((14,29%)
Desempenho fraco(20%)
Desempenho bom(100%)
Avaliao final com mdia de 59 pontos
Avaliao final com mdia de 64,71 pontos
Quadro 1- Perfil dos Dois Clusters Retidos

Pelo que se observa dos clusters das marcas dos aparelhos de ar condicionados
do Quadro 1, que possuem perfis muitos semelhantes, em torno do bom desempenho.
O que marca de alguma forma uma possvel diferena entre os dois subperfis a
varivel desempenho onde a totalidade dos aparelhos do Perfil 1 so considerados bons,
mas no Perfil 2, de aceitvel a fraco. Os produtos do Perfil 1 tiveram mdia de
avaliao final superior aos modelos do Perfil 2.
Observando com mais ateno os dois perfis revelados, pode-se constatar que os
aparelhos com o Perfil 1 devem ser os mais eficazes e os com o Perfil 2, os menos
eficazes.
A anlise revelou, por conseguinte, que existem evidncias de subperfis no
espao investigado que se distanciam do perfil geral existente e que a viso que se deve
ter do problema deve ser focada em cada configurao identificada.
20

Enfim, chegou-se estruturao em perfis da base de dados, isto , foram

identificados os dois subperfis que se coexistem na amostra estudada, apesar destes
perfis serem bem parecidos entre si. A anlise atual revelou, ento, como inicialmente
se questionou neste estudo, que existe variao em torno da desempenho geral dos
aparelhos de ar condicionados( baixa variao, vale ressaltar) e que duas configuraes
do produto possuem perfis de desempenho diferentes, mas que coexistem num mesmo
espao de anlise. Com uma minerao, um reconhecimento de padres, efetiva dos
dados, detectou-se nveis distintos de regularidade do problema estudado e que estes
nveis de diferenciao no so altos.
O interesse agora saber que marcas fazem parte de cada configurao
reconhecida na estruturao realizada at agora. Esta etapa analtica pode ser alcanada
pela evidncia da porcentagem da varivel "Marcas" dentro dos clusters do Grfico 1
acima apresentado. Observando-o, ento, pode-se perceber que o Perfil 1 formado
pelas marcas LG, PHILCO, HITACHI, ELECTROLUX, GREE, ELGIN, BRATEMP e o
Perfil 2, pelos aparelhos das marcas MIDEA, CARRIER/SPRINGER, KOMECO, YOR
E CONSUL.
A informao dos modelos de ar condicionados constituintes de cada grupo
evidente nos Grficos de 1 a 7 sugeriria tomadas de deciso para cada fabricante para
minimizar o problema de mau desempenho dos produtos em foco e melhorar a
performance da poltica de defesa do consumidor para os produtos analisados.
Com a anlise concluda, os empresrios das marcas testadas tm a informao
do que oferecido em termos de desempenho e segurana ao consumidor final, por
conseguinte, a qualidade de seus produtos e podem adaptar as suas estratgias de
desenvolvimento de produto e marketing para atingi-la, aumentando as suas vendas e
fidelizando os clientes.
Ratifica-se que estes resultados devem ficar restritos aos dozes produtos
considerados na amostra e que a anlise de dados se mostrou bem simples, justamente
pela natureza elementar da base de dados.
21

4a)Teste de Significncia das Variveis em cada Clusters

Aps a anlise de clusters, os dados devem ser submetidos a testes de
significncia estatstica para avaliar quais variveis que tiveram importncia na
formao dos clusters. Nos Grficos 7 e 8, esto ordenadas as variveis de acordo com a
relevncia que elas tiveram no processo de classificao dos grupos. As variveis que
mais diferenciam um cluster dos outros so as suas variveis significantes. Para deciso,
toda vez que a varivel qualitativa "Teste Estatstico" for maior que o valor crtico, a
varivel significante para o referido cluster. E toda vez que a varivel quantitativa
"Teste Estatstico", em mdulo, for maior que o valor crtico, a varivel significante
para o referido cluster. A ordem de importncia de significao apontada atravs dos
resultados dos testes de significncia da Two Step Clusters.
Constitudo por todos os grficos apresentados nas pginas a seguir:
Vriveis Importantes no Clusters 1-Teste de Significncia do Cluster 1

TwoStep Cluster Nmero = 1
Aplicao do Ajuste de Bonferroni
Valor Crtico
Test Statistic
Desempenho
Varivel
Rudo
Manual de Instruo
Facilidade de uso
Consumo de energia
10
12
Qui-quadrado
Grfico 8- Grfico de Importncia das Variveis no Clusters

22

Deciso:
Todas as variveis da anlise no diferenciam de maneira significativa o

cluster 1 dos demais. Esse resultado aponta que estas variveis no tm
comportamentos diferenciados no cluster 1 em relao ao cluster 2. Elas no so
importantes para discriminar e caracterizar de forma unvoca o cluster 1 do cluster
2. Portanto, este cluster no-significante. O resultado do teste de significncia
aponta para a evidncia de que os aparelhos de ar condicionados no diferem de
amaneira suficiente estatisticamente nvel de qualidade de funcionamento.
Variveis Importantes no Clusters 2-Teste de Significncia para o Cluster 2
Valor crtico
Test Statistic
Desempenho
Varivel
Rudo
Facilidade de uso
Marcas Testadas
Consumo de energia
10
15
20
25
Qui-quadrado

23

Deciso:
Todas as variveis da anlise no diferencia de maneira significativa o

Cluster 2 do Cluster 1. Elas no so importantes para discriminar e caracterizar de
forma unvoca o Cluster 2. Portanto, o cluster 2 no-significante. No existe
diferena estatstica, nvel de qualidade de funcionamento, dos dois clusters
Importncia da Varivel Avaliao Final nos Clusters-Teste de Significncia
de Avaliao Final
Cluster 1:
Vlor Crtico
Varivel
Test Statistic
Vlor Crtico
Avaliao Final
-3
-2
-1
t-Student

24

Deciso:
A varivel avaliao final no diferencia de maneira significativa o
Cluster 1 do Cluster 2. Ela no importante para discriminar e caracterizar de
forma unvoca o Cluster 1. Portanto, esta varivel ratifica a no-significncia do
cluster 1.
No Cluster 2:
TwoStep Cluster Nmero= 2

Valor crtico
Varivel
Test Statistic
Avaliao Final
-3
-2
-1
t-Student

25

Deciso:
A varivel avaliao final no diferencia de maneira significativa o

Cluster 2 do Cluster 1. Ela no importante para discriminar e caracterizar de
forma unvoca o Cluster 2. Portanto, esta varivel ratifica a no-significncia do
cluster 2.
Pela observao dos Grficos de 8 a 11 (constitudos por todos os grficos

apresentados nas pginas apresentados em pginas acima), todas as variveis foram nosignificantes para a formao dos clusters, o que faz com que um cluster no se
diferencie significativamente do outro e por sua vez os dois no se diferenciem do perfil
geral mdio. Este fato indica que, no geral, os ar condicionados do teste so de bom
desempenho e no existe certa diferenciao significante no grau de performance. O que
revela que o perfil geral no se segmentaria com variaes diferenciadas entre os ar
condicionados, revelando uma estrutura com configuraes prximas de um perfil
nico, geral, no espao de desempenho.
Este fato pressupe que os perfis formados se aproximam do perfil geral, de
produtos de boa qualidade, mas um olhar mais aguado revela um pequeno nvel de
diferenciao entre as marcas, no suficiente para diferenciao estatstica.
5. Concluso
Este artigo se props a prosseguir na anlise descritiva da Pro Teste, que

realizou uma pesquisa no ano de 2012, que tinha a finalidade avaliar o desempenho de
ar condicionados Splits, cuja demanda de consumo j evidencia tendncia crescente.
Este estudo considerou oportuno investigar se existem variaes evidncia
geral constatada, isto , se existem subperfis que se distanciam de certa forma do perfil
geral evidenciado e, em que grau e, que modelos apresentam disperses semelhantes
quanto desempenho.
26

A hiptese inicial que o perfil geral se segmentaria com variaes

diferenciadas entre os produtos, revelando uma estrutura com configuraes distintas,
coexistentes num mesmo espao de desempenho.
A proposta da investigao desenvolvida foi procurar evidncias de subperfis de
eficincia/eficcia, que possam se distanciar de certa forma do perfil geral, global,
constatado no levantamento preliminar do Pro Teste (2012).
O trabalho prosseguiu na anlise dos dados da pesquisa do rgo, com a
incumbncia de realizar uma anlise de clusters, a Two Step Clusters, da base de dados,
para que se pudessem perceber, com mais clareza e rapidez, se existiam subperfis de ar
condicionados com graus afastados do perfil geral, revelados como de Desempenho,
Segurana e Rudo, se distanciando da eficcia esperada pelo consumidor, e assim
otimizar-se a informao sobre o desempenho do produto, que se destaca em nvel de
consumo na sociedade atual e fazer-se um trabalho de defesa do consumidor
potencializado por informaes segmentadas.
A diviso do problema em partes pde revelar que nem todos os aparelhos de ar
condicionados testados tm exatamente o mesmo grau de eficcia, em torno da estrutura
mdia e, importante que se detecte esse fato, que se dissemine esta informao, ou
constatao, entre fabricantes, entidades reguladoras,
fiscalizadoras
no meio
cientfico, o que direcionariam as tomadas de deciso para enfrentamentos diferenciados

do problema.
A pesquisa evidenciou que os clusters de aparelhos Splits possuem perfis muitos
semelhantes, em torno do bom desempenho. O que demarca de alguma forma uma
possvel diferena entre os dois subperfis a varivel desempenho, onde a totalidade
dos aparelhos do Perfil 1 so considerados bons, mas no Perfil 2, de aceitvel a fraco.
Os produtos do Perfil 1 tiveram mdia de avaliao final superior aos modelos do Perfil
2. Observando com mais ateno os dois grupos revelados, podem-se constatar que os
aparelhos com o Perfil 1 devem ser os mais eficazes e os com o Perfil 2, os menos
eficazes.
Por ser uma amostra pequena, com doze aparelhos de ar condicionados tomados
para anlise, os resultados no devem ser generalizados para a populao de aparelhos
27

de ar condicionados utilizados na sociedade pelos consumidores. apenas um estudo de

caso preliminar, cujos resultados devem ficar restritos ao grupo analisado. Contudo,
apesar de ser um estudo prematuro, aponta evidncias iniciais de grupos homogneos de
desempenho dos aparelhos de ar condicionados que podem coexistir no espao
populacional de aparelhos Splits produzidos e, essa informao deve ser utilizada na
melhoria da defesa dos consumidores referente ao que oferecido em termos de ar
condicionados.
Apesar das limitaes de metodologia e de anlise do estudo, com os resultados
iniciais deste artigo, abrem-se caminhos para que se realizem estudos mais avanados
sobre o tema, com uma amostra de aparelhos de ar condicionados que permita
generalizaes e formulaes de teorias, envolvendo erro amostragem em nveis
aceitveis.
Os resultados a que se chegaram neste artigo podem ser vistos como idias
preliminares de como se configura o espao de desempenho de ar condicionados da
linha Split no Brasil e se torna relevante na medida que permite pelo menos uma
reflexo sobre a problemtica e uma motivao para se aprofundar na teorizao sobre a
regularidade do fenmeno e nas aes que se possam implementar na defesa do
consumidor final.
Referncias Bibliogrficas
[1]AAKER, DAVID A.; KUMAR, V; DAY, GEORGE S. Pesquisa de Marketing.Traduo: Reynaldo
Cavalheiro Marcondes. So Paulo: Atlas, 2001.
[2]BANFIELD,J.D.; RAFTERY,A.E. Model-based Gaussian and Non-Gaussian Clustering.
Biometrics, 1993.
[3]CHIU, T., D. FANG, J. CHENG, Y. WANG, and C. JERIS. A robust and scalable clustering
algorithm for mixed type attributes in large database environment. Pages 263268 in Proc. 7th ACM
SIGKDD Int. Conf. on Knowwledge Discovery and Data Mining (KDD-2001), San Francisco, CA. F.
Provost and R. Srikant, ed. The Association for Computing Machinery, New York, NY, 2001.
[4]FRALEY, C.; RAFTERRY, A . E. How Many Clusters? Which Clustering Method? Answers via
Model-based Cluster Analysis. Computer Journal, no 4, p. 578-588, 1998.
28

[5]FRALEY, C. Algorithms for Model-based Gaussian Hierarchical Clustering. SIAM Journal on

Scientific Computing, no 20, p. 270-281, 1998.
[6]HUANG, Z. Extensions to the K-Means Algorithm for Clustering Large Data Sets with Categorical
Values. Data Mining and Knowledge Discovery, no 2, p. 283-304, 1998.
[7]KAUFMAN, L.; ROUSSEEUW, P. J. Finding Groups in Data: An Introduction to Cluster Analysis.
Estados Unidos: Wiley, 1990.
[8]WEINSTEIN, A. Segmentao de Mercado.Traduo: Celso A. Rimoli. So Paulo: Atlas, 1995.
[9]MELIA, M. ; HECKERMAN, D. An Experimental Comparison of Several Clustering and
Initialization Methods. Microsoft Research Technical Report, Estados Unidos, 1998.
[10]MINGOTE, S. A. Anlise de dados atravs de mtodos de Estatstica Multivariada: uma abordagem
aplicada. Belo Horizonte: Editora da UFMG, 2005.
[11]PRO TESTE -Associao de Defesa dos Direitos dos Consumidores. Teste de Desempenho de Ar
Condicionados Split, 2012.
[12]THEODORIDIS, S. ; KOUTROUMBAS, K. Pattern Recognition. Academic Press, Estados Unidos:
Zhang, 1999.
[13]RAMAKRISHNON, T. R ; LIVNY, M. An Efficient Data Clustering Method for Very Large
Databases. Proceedings of the ACM SIGMOD Conference on Management of Data, Canada: p.103114, 1996 .
[14]SPSS Inc. The SPSS TwoStep cluster component. A scalable component to segment your
customers
more
effectively.
White
paper
technical
report,
Chicago.
Disponvel
em:
ftp://ftp.spss.com/pub/web/wp/TSCWP-0101.pdf, 2001.
[15]SPSS
Inc.
SPSS
15.0
Algorithms.
Chicago.
p.
732-738.
http://www.si.uevora.pt/spss/pdf/manual_spss_15/SPSS%2015.0%20Algorithms.pdf
Disponvel
em:
Acessado
em:
17/02/09, 2006.
[16]ZHANG, T., RAMAKRISHNAN, R., BIRCH, M. Livny: An efficient data clustering method for
very large databases. In: Proceedings of the ACM SIGMOD Conference on Managem ent of Data.
Montreal, Canada: ACM. pp. 103-114. 1996.
29

Uso da Técnica Two Step Cluster

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Uso da Técnica Two Step Cluster

Transféré par

Droits d'auteur :

Formats disponibles

Instituto Superior Tupy IST/SOCIESC

Joinville, Santa Catarina, Brasil

Uso da Tcnica Two Step Cluster para Segmentao de Aparelhos de Ar

Instituto Superior Tupy IST/SOCIESC

Instituto Superior Tupy IST/SOCIESC

estudantes, etc., a informatizao facilitou a anlise de resultados das empresas, dos

Instituto Superior Tupy IST/SOCIESC

segmentao simples pode diferenciar um conjunto de indivduos, produtos ou objetos

2-Justificativas para o Estudo

O calor vem aumentando no Brasil e o ar condicionado quase uma

Instituto Superior Tupy IST/SOCIESC

Instituto Superior Tupy IST/SOCIESC

A presente investigao levanta o problema de pesquisa de que o perfil geral

Instituto Superior Tupy IST/SOCIESC

Instituto Superior Tupy IST/SOCIESC

O Two Step Cluster um algoritmo de anlise de cluster escalonvel projetado

manipulao de variveis categricas e contnuas: Supe que as variveis

seleo automtica de nmero de clusters: Comparando os valores de um

escalabilidade: Construindo uma rvore de recursos (CF) do cluster que

Instituto Superior Tupy IST/SOCIESC

Neste mtodo existem duas medidas de distncia. Estas duas mtricas

probabilidade de log: A medida de probabilidade ajusta distribuies de

euclidiana: A medida euclidiana a distncia da "linha reta" entre dois

Esta seleo permite que se especifique como determinado o nmero de

determinao automtica do nmero de clusters: O procedimento pode

especificao de um nmero fixo de clusters: Permite fixar o nmero de

Instituto Superior Tupy IST/SOCIESC

categrica do estudo em cada cluster(quando o estudo tiver varivel qualitativa), grfico

4-Desenvolvimento das Etapas do Mtodo Two Step Clusters

Neste item, desenvolveremos as etapas da segmentao da base de dados atravs do

Instituto Superior Tupy IST/SOCIESC

1a )Base de Dados e Matriz de Input

A Tabela 1 apresenta as marcas ou modelos considerados na amostra observada e as

Fonte: O Autor (2012)

A Tabela 2 apresenta os cdigos utilizados para as categorias das variveis

Fonte: O Autor (2012)

Instituto Superior Tupy IST/SOCIESC

A Tabela 3 apresenta a matriz de input com as codificaes das variveis.

Fonte: O Autor (2012)

2a) Anlise da Frequncia de cada Cluster

Tamanho dos Clusters

Fonte: O Autor (2012)

Pelo que se pode observar da Tabela 4, todos os aparelhos de ar condicionados

Instituto Superior Tupy IST/SOCIESC

Apresentam-se agora os grficos estatsticos que evidenciaro o comportamento

Percentagem dentro do cluster de Manual de Instruo

Percentagem dentro do Cluster

Instituto Superior Tupy IST/SOCIESC

O Grfico 1 permite a seguinte interpretao: no cluster 1, 57,14% dos

Percentagem dentro do cluster de Rudo

Percentagem dentro do cluster

O Grfico 2 permite a seguinte interpretao: no cluster 1, a maioria dos

Instituto Superior Tupy IST/SOCIESC

Percentagem dentro do cluster de Facilidade de uso

Percentagem dentro do cluster

O Grfico 3 permite a seguinte interpretao: no cluster 1e no cluster

Instituto Superior Tupy IST/SOCIESC

Percentagem dentro do cluster de Consumo de energia

Percentagem dentro do Cluster

O Grfico 4 permite a seguinte interpretao: no cluster 1, grande

Instituto Superior Tupy IST/SOCIESC

Percentagem dentro do cluster de Desempenho