Académique Documents
Professionnel Documents
Culture Documents
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
constiturem
uma
clara
premonio
de
comportamentos
diferenciados,
uma
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.
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
variveis
categricas
contnuas
da
modelagem
respectivamente;
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
10
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
Cdigos
MUITO BOM
BOM
ACEITVEL
FRACO
RUIM
11
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
% 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
12
3a) Anlise do Comportamento das Variveis pelas suas Categorias dentro dos Clusters
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
13
Rudo
42,86
ACEITVEL
BOM
Cluster
57,14
100
2
66,67
perfil geral
33,33
20
40
60
80
100
14
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
15
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
16
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
Fonte: O Autor (2012).
17
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
18
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
Fonte: O Autor (2012).
19
Clusters 2
Rudo bom(42,86%)
Rudo bom(100,00%)
Rudo aceitvel(57,14%)
Desempenho aceitvel(80,00%)
Desempenho fraco(20%)
Desempenho bom(100%)
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
21
Desempenho
Varivel
Rudo
Manual de Instruo
Facilidade de uso
Consumo de energia
10
12
Qui-quadrado
22
Deciso:
Valor crtico
Test Statistic
Desempenho
Varivel
Rudo
Facilidade de uso
Marcas Testadas
Consumo de energia
10
15
20
25
Qui-quadrado
23
Deciso:
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:
Valor crtico
Varivel
Test Statistic
Avaliao Final
-3
-2
-1
t-Student
25
Deciso:
5. Concluso
26
fiscalizadoras
no meio
27
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
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